[发明专利]一种基于深度学习的车道线检测和车辆横向定位方法

权利要求书

1.一种基于深度学习的车道线检测和车辆横向定位方法，其特征在于，包括：

步骤A)，训练深度学习网络；

步骤A.1)，搭建编码网络：

将Resnet18网络中的平均池化层和全连接层去除后，用深度可分离卷积替换其中的3×3的卷积核，在第二和第三残差层中添加通道注意力机制，输出第三和第四残差层得到的特征图；

步骤A.2)，搭建解码网络：

将编码网络中第四残差层输出的特征图通过CBAM模块，得到带有注意力权重的特征图后，对特征图的宽度、长度和通道维度依次进行1×1卷积，与下采样后的第三残差层输出的特征图相融合，对融合后的特征图进行池化和卷积操作得到各个车道线的参数；所述车道线参数包含车道线存在的置信度、车道线在图片中最低点和最高点的纵坐标、以及车道线四次多项式的系数；

步骤A.3)，确定损失函数，采集交通场景图片并用关键点来表示车道线，使用Adam梯度下降算法训练编码网络和解码网络，所述损失函数包括车道线存在的置信度损失函数、车道线在图片中最低点和最高点纵坐标的距离损失函数、以及车道线坐标点的距离损失函数，其中：

所述车道线存在的置信度损失函数用于预测是否存在车道线带来的误差Loss_C，n为图像中车道线的数量，c_j、c_j^*分别为预测的概率、真实的概率，L_cls为第j个车道线的二元交叉熵函数；

所述车道线在图片中最低点和最高点纵坐标的距离损失函数用于预测车道线在图像中端点纵坐标的误差Loss_S，y_j、y_j^*分别代表预测的纵坐标值、真实的纵坐标值，L_reg为第j个车道线的均方误差函数；

所述车道线坐标点的距离损失函数用于预测车道线关键点纵坐标的误差Loss_P，m为车道线关键点的数量，P_i为车道线的四次多项式表达式，y_j、y_j^*分别为预测的纵坐标值、真实的纵坐标值，L_reg为第j个车道线的均方误差函数；

步骤B)，对于待进行车道线检测和车辆横向定位的图像，基于训练好的编码网络和解码网络，获得图像中各个车道线的参数；

步骤C)，根据图像中各个车道线的参数来求出车辆的横向定位信息，所述横向定位信息包含车辆所在车道的序号、以及车辆与车辆所在车道左右两条车道线的距离：

步骤C.1)，筛选出车道线存在置信度值大于预设的置信度阈值的车道线，对于其中的每一条车道线，求出车道线的纵坐标Y_j等于图像高度时其横坐标X_j的值；

步骤C.2)，将得到各个车道线按照其横坐标X_j的值进行从小到大的排序，得到车道线集合；

步骤C.3)，令图像的宽度为L，从前往后遍历车道线集合，获得第一个X_j大于L/2的车道线，将其作为车辆所在车道的右车道线；

步骤C.4)，获得右车道线在车道线集合中的上一个车道线，将其作为车辆所在车道的左车道线；

步骤C.5)，分别计算右车道线、左车道线的X_j和L/2差值的绝对值，得到车辆和其所在车道右车道线、左车道线的像素距离，车辆所在车道的右车道线在车道线集合中的序号即为车辆所在车道的序号。

2.根据权利要求1所述的基于深度学习的车道线检测和车辆横向定位方法，其特征在于，步骤A.2)中对特征图的宽度、长度和通道维度依次进行1×1卷积的具体步骤为：

将特征图的维度N×C×H×W转置为N×W×H×C，然后进行1×1卷积操作，再转置为N×H×W×C，进行1×1卷积，最后转置回原来的维度N×C×H×W，进行1×1卷积。

3.根据权利要求1所述的基于深度学习的车道线检测和车辆横向定位方法，其特征在于，步骤A.2)中对融合后的特征图进行池化和卷积操作得到每条车道线的参数的具体步骤如下：

首先对融合后的特征图进行1×1卷积的操作，降低特征图的通道数，然后依次进行全局平均池化和全局最大池化，将两个池化结果相加后进行1×1卷积，得到各个车道线的参数。