[发明专利]一种基于线段交并比损失函数的车道线检测方法

说明书

本发明公开了一种基于线段交并比损失函数的车道线检测方法。获取真实道路场景图片，标注车道线实际位置，构成训练数据集；输入检测模型，获得车道线预测位置；构建线段交并比损失函数，计算车道线的分类损失和车道线的回归损失；优化损失函数进行训练；选择实时待检测的道路场景图片输入到训练后的检测模型中，处理得到车道线预测位置。本发明将车道线视为一个整体进行回归预测，损失函数简单有效，提升整体检测精度，具有很高的优越性。

技术领域

本发明属于计算机视觉车道线检测领域的一种车道线图像处理方法，尤其是涉及一种基于线段交并比损失函数的车道线检测方法。

背景技术

车道线检测是计算机视觉领域的重要任务。它是与深度学习相互促进和发展的领域，可以应用到自动驾驶或者辅助驾驶中，为其提供道路车道线的信息，进而帮助智能车辆更好的定位车辆位置。

在车道线检测检测中，需要输出图片中车道线的位置信息。在通常情况下，度量两个车道线之间的相似性会采用l_n的损失函数。但是这种损失函数将车道线视为多个独立的点集，每个点单独进行回归。这种假设过于简单，没有将车道线视为一个整体。因此检测结果也不够精准。在国际顶级会议上提出《UnitBox:An Advanced Object DetectionNetwork》，表明了交并比(Intersection over Union,IoU)损失函数可以将目标矩形框作为一个整体进行回归。在计算机视觉国际定义会议CVPR2019上提出的《GeneralizedIntersection over Union:A Metric and A Loss for Bounding Box Regression》将交并比损失扩展到了矩形框无重合的情况。但是这类损失函数是基于矩形框的，对于车道线并不适用。

发明内容

为了解决背景技术中存在的问题，本发明提出一种基于线段交并比损失函数的车道线检测方法，注重于将车道线视为一个整体进行回归预测，提升整体检测精度。

本发明所采用的技术方案是：

(1)获取真实道路场景图片，标注作为目标的车道线实际位置，构成训练数据集；

(2)将训练数据集输入检测模型，获得训练数据集中各个图片的车道线预测位置；

(3)构建车道线预测位置和车道线实际位置之间的基于线段交并比的损失函数，分别计算车道线的分类损失和车道线的回归损失；

(4)优化上述损失函数，选择训练数据集中的图片，重复步骤(2)和(3)，达到预设训练次数后结束训练；

(5)检测模型训练完毕后，选择实时待检测的道路场景图片输入到训练后的检测模型中，处理得到车道线预测位置。

如图2所示，所述步骤(1)中，车道线实际位置表示为：

其中，G是车道线实际位置的点集，N是点集的总个数，表示车道线实际位置第i个点的横坐标，是车道线实际位置第i个点的纵坐标，H表示图片的高度；

所述步骤(2)中，车道线预测位置表示为：

其中，P是车道线预测位置的点集，表示车道线预测位置第i个点的横坐标，是车道线预测位置第i个点的纵坐标；

在所述步骤(3)中，建立以下车道线预测位置P和车道线实际位置G之间的线段交并比损失函数：