[发明专利]基于深度学习多任务网络的交通车道线检测方法及装置

权利要求书

1.一种基于深度学习多任务网络的交通车道线检测方法，其特征在于，包括：

S1、亮度与边缘信息收集：提取图像平均亮度信息并通过二维卷积算子提取图像边缘强度；

S2、图像自适应裁剪：根据图像平均亮度和边缘强度的比例关系，自适应地裁剪图像，将图像分割成若干像块，准备进行图像归一化；

S3、图像归一化：对根据边缘强度阈值裁剪的图像按固定尺寸进行缩放，准备送入深度学习；

S4、深度学习：向深度学习网络输入统一尺寸的图像块，由网络模型生成横向、纵向车道线和非车道线分类结果以及车道线坐标；

S5、类别分析和坐标复原：根据深度学习的网络模型输出的分类信息，分别提取车道线块的坐标，并按照该像块在原图中的尺寸，计算原图中的相应坐标值；

S6、车道线拟合：根据各像块分类信息和坐标值，利用各个像块的空间相关性，把同一车道线各个像块的坐标进行拟合，从而输出最终的车道线坐标。

2.根据权利要求1所述的方法，其特征在于，步骤S1的具体方法包括：

S11、基于实际场景图像中像素的空间相关性，将图像进行采样，采样率为1/(3*3)，即每3行3列采集中心点，若原图尺寸为W*H，则采样后得到的尺寸为(W/3)*(H/3)的缩略图，边缘不满足3*3的做padding处理，求取平均亮度值：

S12、对图像进行二维卷积提取边缘信息，卷积算子基于scharr算子进行优化，分为水平和垂直两个方向：和边缘做padding处理，分别得到水平和垂直梯度，梯度合并后得到图像平均边缘信息强度：

3.根据权利要求1所述的方法，其特征在于，步骤S2的具体方法包括：求取分割图像尺寸S时，采用分段函数：

这里，S_min＝112，S_max＝224，裁剪的像块长宽均为S。

4.根据权利要求1所述的方法，其特征在于，步骤S4所述的深度学习网络，基于resnet和DARKnet网络演变而来，在每两个卷积和一个池化层的CRP层后加入残差传递，并且参考MTCNN架构，加入多任务训练功能，输出横向、纵向车道线、非车道线3种分类结果和3个置信度，同时输出线段起点终点坐标，共10个输出参数。

5.根据权利要求1所述的方法，其特征在于，步骤S6的具体方法为：得到每个像块在原图中的位置和块内线段在原图中的坐标，然后在全图范围内进行聚类，得出斜率和空间位置相近的像块，用最小二乘法把同一类中的像块线段坐标拟合成直线，最终输出车道线坐标，完成车道线自动识别。

6.一种基于深度学习多任务网络的交通车道线检测装置，其特征在于，包括：

亮度与边缘信息收集模块：提取图像平均亮度信息并通过二维卷积算子提取图像边缘强度；

图像自适应裁剪模块：根据图像平均亮度和边缘强度的比例关系，自适应地裁剪图像，将图像分割成若干像块，准备进行图像归一化；

像图像归一化模块：对根据边缘强度阈值裁剪的图像按固定尺寸进行缩放，准备送入深度学习模型；

深度学习网络模块：输入统一尺寸的图像块，由网络模型生成横向、纵向车道线和非车道线分类结果以及车道线坐标；

类别分析和坐标复原模块：根据深度学习网络模型输出的分类信息，分别提取车道线块的坐标，并按照该像块在原图中的尺寸，计算原图中的相应坐标值；

车道线拟合模块：根据各像块分类信息和坐标值，利用各个像块的空间相关性，把同一车道线各个像块的坐标进行拟合，从而输出最终的车道线坐标。