[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

说明书

本发明公开了一种基于深度学习的车道线检测和车辆横向定位方法，首先训练深度学习网络，然后获得图像中各个车道线的参数，最后根据各个车道线的参数来求出车辆的横向定位信息（车辆所在车道的序号，车辆与车辆所在车道左右两条车道线的距离）。本发明发挥了深度学习提取图像特征的优势，且免去了耗时较长的后处理模块，能够更加准确、快速地预测出图像中车道线的参数以及车辆的横向定位信息。

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种基于深度学习的车道线检测和车辆横向定位方法。

背景技术

横向定位信息作为自动驾驶决策规划模块的输入，对自动驾驶行驶的安全性有着十分重要的影响，而车道线检测的结果直接影响自动驾驶横向定位的准确性。目前，车道线检测主要分为两种方案：基于传统图像处理的方法和基于深度学习的方法。

基于传统图像处理的方法的主要步骤有：图像预处理，过滤图像中的干扰项，根据车道线像素特征与周围像素特征的不同手动选取特征，提取出车道线的特征信息，用曲线模型去拟合车道线。这种方法主要依赖于人工选取特征，在遇到车道线被遮挡、缺失、光照变化等情况效果不佳，鲁棒性较差。

而基于深度学习的方法依赖于大数据，模型通过自主学习得到车道线的特征，在面对车道线被遮挡、缺失、光照变化等情况有更好的准确性，鲁棒性较强，但深度学习对计算机硬件的需求较高，且对得到的车道线特征要进行聚类、拟合等后处理操作才能得到有用的车道线参数，耗时较长，难以满足自动驾驶的实时性需求。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于深度学习的车道线检测和车辆横向定位方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于深度学习的车道线检测和车辆横向定位方法，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；