[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

说明书

本发明公开一种基于深度学习多任务网络的交通场景车道线检测方法及装置，该方法相对于传统的基于直线检测的车道线检测算法，引入了深度学习多任务卷积神经网络(CNN)，提取车道线特征信息，充分利用图像各层细节信息，首先对图像进行亮度和边缘信息收集和评估，根据评估结果调整裁剪尺寸，把图像分成若干个像块，然后进行图像归一化，送入深度学习网络，输出车道线图像种类和坐标，再利用空域图像相关性，进行车道线拟合，从而最终实现不同场景和亮度下准确、快速识别车道线信息的功能。本发明适用于智能交通领域卡口相机和电子警察应用，在保证图像分析实时性的前提下，充分利用深度学习网络，有效提升了车道线检测功能的适应性和准确率。

技术领域

本发明属于智能视频监控领域，具体涉及一种基于深度学习多任务网络的交通场景车道线检测方法及装置。

背景技术

目前行业中对于车道线识别的主要方法为霍夫直线检测方法，上述方法首先需要将彩色图像转为灰度图像，丢失了图像中的颜色信息，再进行二值化处理，过程中不可避免地损失掉大量边缘细节，从而进一步降低了检测的准确率，同时，对于不同场景图像的适应性有明显缺陷，如雨后地面反光、夜间亮度较低、阴影覆盖和车辆遮挡等场景均不能较好的识别车道线。

发明内容

本发明的目的是提供一种基于深度学习多任务网络的交通车道线检测方法及装置，基于多任务深度学习网络训练，在不同亮度、色温、天气环境下，以及各种复杂的交通场景中，均有很好的适应性，同时满足智能交通的实时性需求，具有准确、快速、适应性强的特点。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于深度学习多任务网络的交通车道线检测方法，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，计算单位面积边缘强度阈值，从而自适应地裁剪图像，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：向复合卷积神经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。

进一步的，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：

进一步的，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。