[发明专利]一种基于时序的行锚分类车道线检测方法

说明书

本发明公开一种基于时序的行锚分类车道线检测方法，包括步骤一、获取训练样本，步骤二、样本集图片预处理，步骤三、训练前处理，步骤四、网络训练，步骤五、训练图像特征处理，步骤六、训练识别分类；本发明使用混合深度卷积LSTM处理的连续多帧输入的特征聚合方式，专注于特征提取的强化，极大地降低了计算量，弥补了一般的下采样提取不到丰富语义信息的问题，使当前帧中的车道可以通过使用多个先前帧来预测，即使车道受到阴影、污渍和遮挡造成的损坏或退化，也能在保证精度的前提下，可对车道线进行快速检测。

技术领域

本发明涉及车道线检测技术领域，尤其涉及一种基于时序的行锚分类车道线检测方法。

背景技术

自动驾驶就是车辆在无驾驶员操作的情况下自行实现驾驶，它是车辆的能力，比如扫地机器人在扫地的时候就是在自动驾驶，自动驾驶有多种发展路径，单车智能、车路协同、联网云控等，车路协同是依靠车-车，车-路动态信息的实时交互实现自动驾驶；

车道线检测作为无人驾驶技术中感知模块的功能之一，在无人驾驶车辆行驶过程中起着重要作用，车道线检测算法大致可以分为两类：传统的检测算法和深度学习算法，传统车道线检测算法又分为基于特征的检测算法和基于模型的检测算法。基于特征的车道线检测算法主要是通过提取车道线的颜色、纹理、边缘、方向和形状等特征的方式来达到对车道线的检测的目的；基于模型的检测算法通常是构建车道线曲线模型，将车道线近似地看作直线模型、高阶曲线模型等；

由于大多数基于深度学习的车道线检测算法，其检测精度和检测速度无法同时保证，而既要保证快速性，又要在复杂的路况下辨别出输入图像中车道线的具体形状，是车道线检测算法一直以来的难题，因此，本发明提出一种基于时序的行锚分类车道线检测方法以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出一种基于时序的行锚分类车道线检测方法，该基于时序的行锚分类车道线检测方法使用混合深度卷积LSTM处理的连续多帧输入的特征聚合方式，专注于特征提取的强化，极大地降低了计算量，弥补了一般的下采样提取不到丰富语义信息的问题，在保证精度的前提下，可对车道线进行快速检测。

为实现本发明的目的，本发明通过以下技术方案实现：一种基于时序的行锚分类车道线检测方法，包括以下步骤：

步骤一、获取训练样本，从行驶在目标路段的车辆上的行车记录仪中采集若干段视频，并裁切成若干帧图片，将裁切好的行车路面图片进行识别分类，由人为标定每张图片的车道线，得到训练模型样本集；

步骤二、样本集图片预处理，对图片进行随机水平翻转、随机旋转和随机比例缩放操作，使样本集图片得到图像增强，得到预处理样本集；

步骤三、训练前处理，采用人工标注将步骤二中处理后的样本集进行标注，并以连续5帧为一组输入训练网络；

步骤四、网络训练，利用ResNet18网络对连续的5帧输入图像分别进行下采样，并利用网络辅助分割分支提取特征，再利用卷积LSTM模块对5帧输入图像和提取的特征进行特征融合，得到特征图像；

步骤五、训练图像特征处理，利用reshape对步骤四中融合得到的特征图像进行两次处理，然后变换为预先定义好的网格尺寸特征图；

步骤六、训练识别分类，将步骤五中得到的特征图网格进行分类识别，每条车道线在特征图网格每一行中仅由一个网格表示识别车道线存在。

进一步改进在于：所述步骤一中采集的视频分为场景情况简单的高速公路和路况复杂的城区路段两个场景，每个场景录制一端10-20分钟的视频，并以2秒的间隔时长将视频裁剪成若干帧图片。