[发明专利]一种基于深度学习的车道线检测方法

说明书

本发明涉及一种基于深度学习的车道线检测方法，包括以下步骤：采集车道的图像数据作为训练数据集；对训练数据集中的每一帧图像的车道线进行标注，并在该帧图像上选取n个参考行，将每一个参考行划分为m个段落，对所述段落进行分类，将每个段落与车道线进行一一对应；利用训练数据集对mobilenet进行训练，获得训练好的mobilenet；摄像头接收前视图片，然后输入训练好的mobilenet进行分类输出，最终得到车道线点位于该前视图片中的坐标，转换为车身坐标系下的位置，拟合出车道线。本发明不但鲁棒性好、检测速度快，而且对车道线远端也具有较高的检测精度。

技术领域

本发明涉及一种基于深度学习的车道线检测方法，属于自动驾驶技术领域。

背景技术

自动驾驶在缓解交通拥堵、减少交通事故、提高道路及车辆利用率等方面具有巨大潜能，已成为众多企业的竞争热点。自动驾驶集中运用了现代传感技术、信息与通信技术、自动控制技术、计算机技术和人工智能等技术，代表着未来汽车技术的战略制高点，是汽车产业转型升级的关键，也是目前世界公认的发展方向。

在自动驾驶系统中，车道线检测是一个基本而重要的问题。车道线作为路面标识的重要组成部分，快速有效地检出车道线可以有效地建立行驶区域约束，辅助诸如规划，定位等功能。

目前主流的车道线检测方法有两种：一种是采用传统的图像处理方法，利用像素梯度的变化及直线提取等手段提取车道线特征，但这种方法鲁棒性较差，而且对于车道线的检测精度也较低。另外一种是利用深度学习的方法，采用主流的车道线检测神经网络比如LaneNet、SCNN、SAD等将车道线检测视为一个分割问题，但由于分割相当于对每一个像素进行分类，往往由全卷积网络完成，因此其模型往往速度很慢，而且由于全卷积很难有效地提取到全局特征，当车道线被遮挡或者光线条件差时检测效果不够理想，所以对车道线远端预测常常会出现精度较差的问题；分割带来的另一个问题是感受野（Receptive Field）问题，因为分割一般是全卷积得到，所以每个像素的感受野有限，根据有限的特征并不能准确快速判断出车道线。

发明内容

本发明要解决的技术问题是：提供一种鲁棒性好、检测速度快的车道线检测方法，该方法对车道线远端也具有较高的检测精度。

为了解决上述技术问题，本发明提出的技术方案是：一种基于深度学习的车道线检测方法，包括如下步骤：

步骤一、无人驾驶车辆装配有摄像头，通过该摄像头采集车道的图像数据，从而得到训练数据集；

步骤二、对训练数据集中的每一帧图像作如下操作：

将该帧图像中的每一条车道线进行标注；

在该帧图像上选取n个参考行，记为row_anchor=[r₁，r₂，...，r_n]，将每一个参考行划分为m个段落，记为row_grid=[r₁_grids，r₂_grids，...，r_n_grids],其中，r₁_grids=[r₁_grid₁，r₁_grid₂，...，r₁_grid_m]，其余以此类推；其中，n、m均为可调整的预设值；

对所述段落进行分类，将每个段落与车道线进行一一对应；

步骤三、利用训练数据集对深度可分离卷积网络模型mobilenet进行训练，获得训练好的深度可分离卷积网络模型mobilenet；