[发明专利]一种基于长距离信息融合的车道线检测方法及系统

权利要求书

1.一种基于长距离信息融合的车道线检测方法，所述方法包括：

对待检测的图片进行预处理；

将预处理得到的图像输入预先训练好的车道检测模型，得到车道线与背景分割的检测图像，其中，白色表示车道线，黑色表示背景；

所述车道线检测模型包括：特征降维模块、长距离特征关联模块、全局信息融合模块、特征重建模块和补丁判别模块；其中，

所述特征降维模块，用于对输入的预处理后的待检测图像进行降维并提取低层图像特征；

所述长距离特征关联模块，用于对低层图像特征进行扩展，针对车道线的特殊性，增强车道线远距离特征点间的关联性；

所述全局信息融合模块，用于计算深层车道线特征与非车道线特征间的全局关联性，进行图像全局的信息融合；

所述特征重建模块，用于将全局信息融合后的特征、长距离关联特征及低层图像特征重建为图像输入维度，得到与输入图像同等大小的重建图像；

所述补丁判别模块，用于判别重建图像的置信度。

2.根据权利要求1所述的基于长距离信息融合的车道线检测方法，其特征在于，所述预处理具体为：采用双线性插值的方法对待检测的图片进行裁剪，得到尺寸为256×512×3的图像。

3.根据权利要求2所述的基于长距离信息融合的车道线检测方法，其特征在于，所述特征降维模块包括依次连接的第一卷积块和第二卷积块；其中，

所述第一卷积块包括2层3×3，步长为1的卷积和一个ReLU函数；

所述第二卷积块包括3层3×3，步长为1的卷积和一个ReLU函数。

4.根据权利要求3所述的基于长距离信息融合的车道线检测方法，其特征在于，所述长距离特征关联模块包括非对称卷积单元和拼接单元；其中，

所述非对称卷积单元包括并行的第一分支和第二分支；第一分支为n×1，步长为1的卷积层；第二分支为1×n，步长为1的卷积层；上述卷积层均采用ReLU作为激活函数；n为大于1的整数；

所述拼接单元的输入为第一分支的输出x₁和第二分支的输出x₂，所述拼接单元的输出为经扩展后的特征图X，所述拼接单元的处理过程为：

X＝concat(x₁,x₂)。

5.根据权利要求4所述的基于长距离信息融合的车道线检测方法，其特征在于，所述全局信息融合模块包括并联的位置注意力模块和通道注意力模块；其中，

所述位置注意力模块包括3个1×1卷积块，该位置注意力模块的具体处理为：计算不同像素点的相关性，并对特征进行加权求和；

不同像素点的相关性s_ji表示为：

加权求和E_j表示为：

其中，B、C和D分别表示输入矩阵A通过3个1×1卷积层的输出矩阵，每个矩阵的维度均为C×H×W，其中C、H和W分别表示特征图的通道数、高度和宽度，B_i,C_j,D_i分别表示矩阵B的第i个行向量、矩阵C的第j个列向量，以及矩阵D的第i个行向量，s_ji表示全局像素点间相关性矩阵S的第(j,i)个元素，E_j表示特征图E的第j个列向量，A_j表示输入矩阵A的第j个列向量，α表示权重系数，N表示特征图像素点个数，Σ表示求和运算；

所述通道注意力模块的具体处理为：计算特征图不同通道的相关性，并对特征进行加权求和；

不同通道的相关性G_qk表示为：

其中，G_qk表示通道相关性矩阵G的第(q,k)个元素，A_k表示输入矩阵A的第k个行向量，A_q表示输入矩阵A的第q个列向量；

加权求和F_q表示为：

其中，F_q表示特征图F的第q个列向量，β表示权和后矩阵的加权权重大小；

将两个并行的分支输出的特征图E和F进行元素级相加，特征图X表示如下：

X＝E+F。