[发明专利]一种基于LaneNet的车道线检测方法

权利要求书

1.一种基于LaneNet的车道线检测方法，其特征在于，包括以下步骤：

步骤1、选取训练样本，训练样本由已知车道数的输入图像组成；

步骤2、将车道检测任务转为实例分割任务，进行端到端检测训练，包括以下步骤：

步骤201、利用分段分支Segmentation branch对训练样本中的输入图像进行语义分割，对每张输入图像中的所有像素进行二分类，判断当前像素属于车道线还是属于背景，其中，使用LaneNet网络体系结构对输入图像的进行语义分割；

同步地，利用嵌入分支Embedding branch对训练样本中每个输入图像的像素进行嵌入式表示，训练得到的embedding像素向量用于聚类；为了区分车道线上的像素属于哪条车道，嵌入分支embedding branch为每个像素初始化一个embedding像素向量，并且在设计损失函数时，使属于同一条车道线的像素向量距离尽可能小，属于不同车道线的像素向量距离尽可能大；

步骤202、将分段分支Segmentation branch及嵌入分支Embedding branch的输出结果进行结合，利用Mean-Shift算法聚类，得到实例分割的结果；

为了方便聚类，设定δ_d6δ_v，δ_d表示聚类中心之间的推力仅在它们之间距离小于此值时有效，δ_v表示对每个嵌入朝向一个车道平均嵌入应用的拉力仅在一个嵌入与其聚类中心的距离大于此值时有效，进行聚类时，首先使用Mean-Shift聚类，使得簇中心沿着密度上升的方向移动，防止将离群点选入相同的簇中；之后对像素向量进行划分：以簇中心为圆心，以2δ_v为半径，选取圆中所有的像素归为同一车道线；重复上述步骤，直到所有的车道线像素分配给对应的车道，得到最终的实例分割的结；

步骤203、利用H-Net网络体系结构将通过步骤5得到的实例分割的结果中属于同一车道的所有像素做车道线曲线拟合，获得不同车道所对应的车道线，其中，神经网络H-Net用于预测变换矩阵H，且具有自定义损失函数；将原图上车道线像素点坐标通过变换矩阵H变换到俯视图下的像素点坐标；

在变换后的俯视图像上通过给定的各像素点的纵轴坐标算出对应的横轴坐标，将横轴坐标通过变换矩阵H得到变换前原图上对应像素点的横轴坐标，自定义损失函数计算反推得到的像素点的横轴坐标与原图上真实的相应像素点的横轴坐标的差方；

步骤204、计算假阳性和假阴性分数，评估预测效果：

FP表示假阳性分数；F_pred表示错误预测车道数；N_pred表示预测车道数；FN表示假阴性分数；M_pred表示预测错过地面真实车道数；N_gt表示预测所有地面真实车道数；

步骤3、端到端检测训练后，获得实时输入的图像中不同车道所对应的车道线。

2.如权利要求1所述的一种基于LaneNet的车道线检测方法，其特征在于，步骤201中的损失函数由三部分组成：

式中，L_var表示方差项；C表示簇的数量，即车道；N_c表示簇C中的元素个数；μ_c表示簇C的平均嵌入；x_i表示像素嵌入；δ_v表示对每个嵌入朝向一个车道平均嵌入应用的拉力仅在一个嵌入与其聚类中心的距离大于此值时有效；L_dist表示距离项，即它推动聚类中心彼此远离；δ_d表示聚类中心之间的推力仅在它们之间距离小于此值时有效；表示簇C_A的平均嵌入；表示簇C_B的平均嵌入；L_reg表示正则项，即让映射空间中每个聚类中心与远点距离不要过远。