[发明专利]结合图像增强和深度卷积神经网络的道线检测方法

说明书

本发明公开了一种结合图像增强和深度卷积神经网络的道线检测方法，在假设道线在图像的局部区域具有相近的宽度，并且沿着道线伸展方向能分割成若干个道线块的基础上，提供了一种基于深度卷积神经网络的方法检测图像中的道线块，该模型的输入不仅包括摄像机采集的道路图像，而且包括多个经对比度受限的自适应直方图均衡化处理的增强图像。本发明方法能有效地克服复杂成像条件下采集的道路图像干扰因素多、图像质量差、道线目标小等困难，从而达到较好的鲁棒性。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种结合图像增强和深度卷积神经网络的道线检测方法。

背景技术

雨雾天、沙尘等恶劣天气，逆光、眩光、低照度等恶劣成像条件无疑将对驾驶辅助系统(ADAS)和自动驾驶系统的摄像机成像产生影响，极大地降低所采集图像的质量。无论是传统的基于边缘检测的方法，还是基于深度学习的方法，输入到检测系统的图像质量都将极大地影响检测系统的性能。为了应对复杂成像条件下道线检测所面临的困难，本发明实施例在假设道线在图像的局部区域具有相近的宽度，并且沿着道线伸展方向能分割成若干个道线块的基础上，提供了一种基于深度卷积神经网络的方法检测图像中的道线块，该模型的输入不仅包括摄像机采集的道路图像，而且包括多个经对比度受限的自适应直方图均衡化处理的增强图像。

发明内容

本发明的目的在于解决现有技术在恶劣成像条件下面对的困难，提供一种结合图像增强和深度卷积神经网络的道线检测方法。

本发明具体采用的技术方案如下：一种结合图像增强和深度卷积神经网络的道线检测方法，该方法包括：

(1)获取待处理的含有道线的彩色图像I，包含三个通道I⁽⁰⁾、I⁽¹⁾和I⁽²⁾，分别对应红、绿、蓝颜色分量，对I进行K次基于限制对比度的自适应直方图均衡化算法以增强输入图像的对比度，产生K幅增强图像，其中的第k次处理针对第c个通道I^(c)，其中k＝0,1,…,K-1，c等于k除以3的余数；

(2)构建用于道线检测的深度卷积神经网络，包括输入模块、空间注意力模块、特征提取模块和检测模块四个部分，步骤(1)中彩色图像I的三个分量图像和步骤(1)中以限制对比度的自适应直方图均衡化算法对三个分量图像进行对比度增强处理所产生的K幅增强图像堆叠成包含K+3个通道的张量，作为深度卷积神经网络的输入；

(3)输入模块按数据前向传播时的数据流向，输入数据首先经过一个包含64个7×7卷积核、卷积步长为2的卷积层，接在其后的为批规范化操作和ReLU激活操作，输入模块的最后为采样核大小为3×3、进行最大池化操作、步长为2的池化层；

设输入模块的输出x为一个M₁×N₁×C的特征图，输入到空间注意力模块，其中M₁和N₁分别代表特征图的高度和宽度，C为通道数；

(4)空间注意力模块对输入特征图进行两次池化操作，其中一次为均值池化，另一次为最大值池化，两次池化操作的采样核大小为1×1×C，卷积步长为1；将上述两次池化操作形成的两个M₁×N₁×1的特征图堆叠成一个M₁×N₁×2特征图，经过包含1个7×7卷积核、卷积步长为1的卷积层，最后以Sigmoid函数计算得到M₁×N₁×1大小的空间注意力图；

(5)以空间注意力图中的元素作为权值，输入模块的输出特征图x的每个通道所有位置的值与空间注意力图对应位置的权值作乘法运算，形成权值修正后的特征图，输入到特征提取模块；