[发明专利]用于辅助驾驶的车道线检测方法有效
申请号: | 201910008697.X | 申请日: | 2019-01-04 |
公开(公告)号: | CN110163069B | 公开(公告)日: | 2023-09-08 |
发明(设计)人: | 王孝润;欧阳琼林;刘晓清;王亮 | 申请(专利权)人: | 深圳市布谷鸟科技有限公司 |
主分类号: | G06V20/56 | 分类号: | G06V20/56;G06V10/764;G06V10/82;G06N3/0464;G06N3/084 |
代理公司: | 广东众赢专利代理事务所(普通合伙) 44423 | 代理人: | 樊宝忠;黄彧 |
地址: | 518000 广东省深圳市南山区南*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 用于 辅助 驾驶 车道 检测 方法 | ||
1.一种用于辅助驾驶的车道线检测方法,其特征在于,具体步骤为:步骤1,图像样本采集,包括车辆图像样本和车道线图像样本;将图像样本随机分成80%和20%两部分,用于数据训练和结果测试;步骤2,构建多任务卷积神经网络,所述多任务卷积神经网络包括若干个卷积层、三个池化层和三个全连接层,其中前三个所述卷积层与所述三个池化层交替连接,所述卷积层在激活函数之前加入了BN层,对数据进行归一化,所述池化层采用最大化池化的方式,第四个所述卷积层后不连接所述池化层,直接与三个所述全连接层相连接,最后一个所述的全连接层由多个独立的子层构成,各个子层执行不同的任务,采用SOFTMAX损失函数作为目标函数计算其损失值完成对车辆和车道线的模型建立;所述步骤2中,所述构建多任务卷积神经网络步骤具体包括:步骤201,将图像样本数据输入至所述多任务卷积神经网络,所述多任务卷积神经网络上的每个神经元先输入值加权累加,然后通过BN层对数据进行归一化,最后输入激活函数作为该神经元的输出值;步骤202,将所述输出值输入误差函数,做正则化惩罚,与期待值比较,多个则为和,通过误差判断识别程度,误差值越小表示识别效果越好;步骤203,对所述误差函数和所述多任务卷积神经网络中的每个激活函数都进行反向求导,通过反向传播来确定梯度向量;步骤204,通过所述梯度向量来调整每一个权值,向所述输出值使误差趋于零或者收敛的方向调节;步骤205,重复所述步骤201至204直到迭代次数达到预先设定值或者误差的平均值不断下降且稳定在最低点附近;步骤206,将剩下的20%数据图像输入所述多任务卷积神经网络,在测试集上进行验证评估直到车辆和车道线的识别准确率都达到90%以上;所述步骤2中,还包括:判别车道线位置是否清晰,如果车道线位置不清晰,增加对所述全连接层后的网络输出车道线识别处理步骤:首先对网络输出进行种子点采样进行,去除冗余点,然后进行逆变换透视操作,在逆变换透视操作下进行聚类,再将聚类结果转换到正常视图,最后用最小二乘法拟合得到车道线;步骤3,利用训练好的多任务卷积神经网络模型得到车辆识别结果,根据车辆识别结果设计生成图像掩模,所述的图像掩模是与车辆图像尺寸相同的二进制矩阵;步骤4,利用设计生成的图像掩膜信息与图像元图像做点乘,构造新的用于提取车道线特征的图像;步骤5,提取第二层池化层的指定卷积层的深度网络特征,将所述深度网络特征输入至分类器中;步骤6,根据所述分类器结果确定车辆信息和车道线信息,利用准备好的数据和LibSVM工具包训练相应的SVM分类器。
2.根据权利要求1所述的一种用于辅助驾驶的车道线检测方法,其特征在于,所述步骤1中,所述图像样本包括去噪去重处理。
3.根据权利要求1所述的一种用于辅助驾驶的车道线检测方法,其特征在于,所述步骤1中,所述图像样本还包括行人和交通标志。
4.根据权利要求1所述的一种用于辅助驾驶的车道线检测方法,其特征在于,所述步骤2中,所述多任务卷积神经网络上半部分采用AlexNet的网络模型。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳市布谷鸟科技有限公司,未经深圳市布谷鸟科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910008697.X/1.html,转载请声明来源钻瓜专利网。