[发明专利]一种基于LaneNet的车道线检测方法

说明书

本发明公开了一种基于LaneNet的车道线检测方法，其特征在于，包括以下步骤：选取训练样本，训练样本由已知车道数的输入图像组成；将车道检测任务转为实例分割任务，进行端到端检测训练；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。本发明是一个分支的多任务体系结构，将车道线检测任务转换为实例分割任务，该任务处理车道变化，并允许任意数量的车道的推断。特别是，车道分割分支输出密集的每像素车道段，而车道嵌入分支进一步将分割后的车道像素分割成不同的车道实例。

技术领域

本发明涉及智能交通技术领域，特别是涉及一种基于LaneNet的车道线检测方法。

背景技术

完全自主汽车是当今计算机视觉和机器人研究的主要焦点，无论是在学术层面还是在工业层面。在每种情况下的目标是通过使用各种传感器和控制模块来充分了解汽车周围的环境。基于摄像头的车道检测是实现这种环境感知的一个重要步骤，因为它允许汽车在道路车道内正确定位自己。这对于任何后续的车道偏离或轨迹规划决策也是至关重要的。因此，实时执行基于摄像机的精确车道检测是完全自主驾驶的关键因素。

基于光学图像的车道检测方法是现代驾驶辅助系统的关键组成部分，车道线检测非常具有挑战性。车道的外观通常是非常简单，没有为车道线检测提供复杂或独特的特征，增加了假阳性检测的风险。此外，车道模式的不同，使得独立的车道建模变得困难。目前大多数现有的车道线检测方法需要对车道进行严格的假设，然而这些方法特别是在城市情况下，并不总是有效的。

发明内容

为了寻求一种广义的、低计算成本的、基于车辆的实时解决方案，本发明的目的是提出了一种可以对道路平面变化进行鲁棒性拟合，并检测任意数量车道的车道线检测方法。

为了达到上述目的，本发明的技术方案是提供了一种基于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；