[发明专利]一种基于生成式对抗网络的无人驾驶车道线检测方法

权利要求书

1.一种基于生成式对抗网络的无人驾驶车道线检测方法，其特征在于：包括车道线图片的生成网络、判别网络和检测算法三个部分；首先获取生成网络、判别网络的训练数据，然后将低分辨率图片输入生成网络生成超分辨率图片，将高分辨率图片和超分辨率图片输入判别网络进行准确度判断，并根据判断结果捕捉超分辨率图片和高分辨率图片的数据分布，生成网络和判别网络基于数据分布进行对抗训练，直至达到纳什均衡，得到最优化的生成网络，将最优化的生成网络生成的超分辨率图片输入检测算法进行车道线识别；所述生成网络和判别网络采用神经网络进行训练，训练数据包括成对的车道线模糊图片和车道线清晰图片，即成对的低分辨率图片和高分辨率图片；具体训练过程包括如下步骤：

步骤1：获取生成网络G和判别网络D的训练数据，采集车道线的高分辨率图片I^HR，并制作高分辨率图片I^HR对应的低分辨率图片I^LR；

步骤2：将低分辨率图片I^LR输入生成网络G，从而生成超分辨率图片I^SR＝G(I^LR)；

步骤3：将成对的超分辨率图片I^SR和高分辨率图片I^HR同时输入判别网络D进行准确度判断，并根据判断结果捕捉超分辨率图片I^SR和高分辨率图片I^HR的数据分布p_date(I^SR)和p_date(I^HR)；

步骤4：生成网络G和判别网络D基于数据分布进行对抗训练，直至达到纳什均衡，得到最优化的生成网络G。

2.根据权利要求1所述的基于生成式对抗网络的无人驾驶车道线检测方法，其特征在于：该方法的具体执行过程如下：

(1)初始化

定义低分辨率图片为I^LR、高分辨率图片为I^HR、超分辨率图片为I^SR；高分辨率图片I^HR来自于真实车道线数据集P_data(I^HR)，低分辨率图片I^LR通过对高分辨率图片I^HR进行高斯滤波和下采样得到，所有低分辨率图片构成低分辨率车道线数据集P_data(I^LR)；

(2)优化生成网络G

将低分辨率图片I^LR输入生成网络G，生成网络G为参数化的残差网络，在生成网络G中分布一组完全相同的残差块，每个残差块都有两个卷积层，每个卷积层后面加上一个规划层，并使用ReLU函数作为激活函数，其中卷积层的卷积核均为3×3；在这个神经网络中，通过训练两个卷积层来提高分辨率，最终得到超分辨率图片I^SR；优化后的生成网络参数表示为：

其中：表示优化后的生成网络参数，θ_G表示生成网络参数，N表示样本总数，n＝1,2,3,…,N，表示第n个低分辨率图片I^LR，表示第n个高分辨率图片I^HR，表示第n个超分辨率图片I^SR；表示经过生成网络参数为θ_G的生成网络G后输出的表示计算和之间的欧式距离；

(3)捕捉超分辨率图片I^SR和高分辨率图片I^HR的数据分布p_date(I^SR)和p_date(I^HR)

将高分辨率图片I^HR和超分辨率图片I^SR输入判别网络D，超分辨率图片I^SR先经过八层使用ReLU函数作为激活函数的卷积层，再经过包含1024个链接点的全连接层，最终使用Sigmoid函数判断超分辨率图像I^SR的真假；高分辨率图片I^HR经判别网络D输出真假概率D(I^HR)，获得高分辨率图片I^HR的数据分布p_date(I^HR)；超分辨率图片I^SR经判别网络D输出真假概率D(I^SR)，获得超分辨率图片I^SR的数据分布p_date(I^SR)；

(4)优化判别网络D

对判别网络D进行最小化交叉熵操作，判别网络D的损失函数为：

其中：θ_D表示判别网络参数，θ_G表示生成网络参数，表示高分辨率图片I^HR采样于真实车道线数据集P_data(I^HR)的期望；表示低分辨率图片I^LR采样于低分辨率车道线数据集P_data(I^LR)的期望；

在给定生成网络G情况下，最小化上述损失函数得到最优解；在连续空间上，将上述损失函数修改为：

其中：p_g(I^HR)表示高分辨率图像I^HR经生成网络G后的数据分布；

在由任意非零实数m和n，以及任意实数y∈[0,1]构成的表达式-mlog(y)-nlog(1-y)中，在位置处得到最小值；据此，在给定生成网络G情况下，损失函数Obj^D(θ_D,θ_G)在位置处得到最小值，该最小值即为判别网络D的最优解；

(5)全局最优解

当输入判别网络D的数据为高分辨率图片I^HR时，判别网络D的目标是输出值D(I^HR)趋于1；当输入判别网络D的数据为超分辨率图片I^SR时，判别网络D的目标是输出值D(I^SR)趋于0；

采用交替优化的方法，先固定生成网络G，优化判别网络D，向判别网络D输入高分辨率图片I^HR，使得D(I^HR)最大；完成判别网络D的优化后，固定判别网络D，优化生成网络G，向生成网络G输入高分辨率图片I^HR，再向判别网络D输入I^SR，使得D(I^SR)最小；交替上述过程，直至p_data＝p_g，得到生成网络G和判别网络D的全局最优解；

其中，p_data表示高分辨率图像I^HR的总体数据分布，是p_date(I^HR)归一化后的结果，p_g表示高分辨率图像I^HR经生成网络G后的总体数据分布，是p_g(I^HR)归一化后的结果。