[发明专利]基于深度学习的车道线检测方法

说明书

本发明公开了一种基于深度学习的车道线检测方法，解决了现有技术中车道线检测准确率较低以及计算量较大的问题。本发明实现的步骤包括：生成训练集；构建车道线特征增强网络；利用构建好的车道线特征增强网络构建车道线特征提取网络；生成用于训练车道线特征提取网络的损失函数；对车道线特征提取网络进行训练；构建逆透视变换矩阵预测网络并对其进行训练；利用训练好的车道线特征提取网络和逆透视变换矩阵预测网络对车道线进行检测。本发明采用车道线特征增强网络以及轻量级的网络结构，能够充分提取并利用车道线特征，对车道线检测的准确率和时效性有较好的平衡效果。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分割技术领域中的一种基于深度学习的车道线检测方法。本发明可用于通过自动驾驶设备实现机动车在行驶过程中对车道线的检测。

背景技术

随着机动车科技领域的迅速发展，自动驾驶技术逐渐走入了大众的视野，自动驾驶技术是指通过自动驾驶系统代替汽车驾驶员，从而优化驾驶行为。安全性是自动驾驶技术中首要关注的问题，安全性水平主要取决于自动驾驶系统环境感知的能力，而车道线检测则是环境感知中一个关键环节，较好的车道线检测的性能是自动驾驶系统后续进行正确规划和决策的重要基础。现有技术中，基于传统视觉的车道线检测方法通过利用车道线固有特征对车道线进行检测，例如利用车道线的颜色、边缘等物理属性特征，以及车道线的数学模型特征等，此类方法往往需要依赖于大量的人工经验。基于深度学习的车道线检测方法能够通过神经网络对于数据集的自主学习避免大量的人工经验，但在一些复杂道路场景下检测的准确性和鲁棒性不佳，同时计算复杂度往往较高。例如：

青岛科技大学在其申请的专利文献“一种基于深度学习的车道线检测方法”(申请号：CN202011517152.0，申请公布号：CN 112560717 A)中提出了一种车道线检测方法。该方法首先对车道线图像进行采集生成车道线数据集，同时构建了一个全卷积车道线检测网络模型，并采用传统图像处理方法对车道线数据进行预处理，然后将经过预处理的车道线数据对输入网络模型，并对网络模型进行训练使其能够实现对车道线的检测。该方法通过结合深度学习网络模型和传统图像处理方法提高了车道线检测结果的准确性，但是，该方法仍然存在的不足之处是，由于传统图像预处理方法在特征提取上主观因素较强，需要大量的人工经验，使得该方法在车道线特征提取性能上的鲁棒性不足，难以适用于较复杂的道路场景；同时该方法计算量较大，导致车道线检测的时效性在实际应用中表现较差。

浙江大华技术股份有限公司在其申请的专利文献“基于深度学习的车道线检测方法以及装置”(申请号：CN202011555482.9，申请公布号：CN 112287912 A)中提出了一种车道线检测方法。该方法首先设计了一个结合了多尺度注意力机制以及深度可分离卷积的网络模型，并将车道线图像数据输入该网络模型中对网络进行训练，然后将车道线图像数据输入训练好的网络模型得到初步的检测结果图，并对该结果图进行后处理，得到最终的车道线检测结果。该方法通过结合注意力机制及深度可分离卷积的方法提高了网络模型的特征提取能力，并通过传统后处理方法提升了检测结果的准确性，但是，该方法仍然存在的不足之处是，由于深度可分离卷积和传统后处理方法会大大增加网络模型的计算量，从而影响车道线检测的时效性。

发明内容

本发明的目的在于针对现有技术的不足，提出一种有效提取车道线特征，同时合理平衡准确性和时效性的基于深度学习的车道线检测方法，用于解决现有车道线检测技术检测效果不佳，同时计算量较大以及车道线检测在复杂道路场景中检测准确率较低的问题。

实现本发明目的的具体思路是，分别构建轻量级车道线特征提取网络和逆透视变换矩阵预测网络，在车道线特征提取网络中采用车道线特征增强的网络结构，该车道线特征增强的网络结构采用多方向性池化方法对车道线的条形长距离依赖信息进行捕获，同时能够避免不同车道线之间的预测信息干扰，并且利用多尺度对图像的全局信息进行利用，有效对车道线特征进行提取，提升车道线检测的准确率；同时采用轻量级的网络结构，保证方法具有较小的计算量以及较好的车道线检测时效性。

本发明的具体步骤如下：