[发明专利]一种基于道路分割的车道线多任务学习检测方法

说明书

本发明涉及道路交通的图像识别技术领域，公开了一种基于道路分割的车道线多任务学习检测方法，包括步骤：构建多任务学习网络，对输入的道路图像进行识别和处理，输出道路分割数据和车道线检测数据；构建链接编码结构，连接上述两个子网络；对上述两个子网络进行轮流微调训练，并采用交叉熵损失函数修正并提高车道线检测数据精度，最终输出修正后的车道线检测数据。本发明检测尺度多样化，鲁棒性得以提升，提高了在复杂场景下的检测精度，速度快。利用链接编码结构连接两个子网络，通过二者的参数硬共享，提升特征图获取的信息量。

技术领域

本发明涉及道路交通的图像识别技术领域，具体地涉及一种基于道路分割的车道线多任务学习检测方法。

背景技术

目前，车道线检测的方法主要分为传统算法和基于深度学习的检测算法。

传统算法采用“特征提取与表达+特征匹配”的方式进行检测，又可分为边缘特征法和颜色特征法两种。其中：

边缘特征法通过边缘分布函数来统计全局的梯度角，并根据车道线对称性，确定车道线位置。优点是对车道线的形状具有较好的鲁棒性，在强干扰的情况下，仍能可靠地检测出车道线；缺点是特征信息数据提取复杂，匹配耗时，在实际应用中很难满足实时性要求。

颜色特征法则根据实际应用中车道线是其邻域内具有局部极大值的明亮区域，获取各像素点处可反映图像邻域像素点汇聚程度的“脊峰”值，从而实现车道线检测。优点是特征信息数据的速度得到了提升；缺点是因颜色特征的表征性不强，容易受到车道线模糊、道路障碍物的干扰，检测精度将大幅降低。

基于深度学习的检测算法则通过神经网络学习对象特性，通过神经网络获取的特征，对车道线的特征有着更加抽象、全面的描述，直接输出最终检测结果。而卷积神经网络因其卷积层共享权值特性，可有效减少待训练参数量，速度提升较大，应用最为广泛。

但当前主流的基于深度学习的检测算法普遍存在检测尺度单一、鲁棒性不强的问题，导致在夜间、严重遮挡等复杂场景下的检测精度大幅下降。

发明内容

本发明针对上述技术的不足，提供一种基于道路分割的车道线多任务学习检测方法，将带孔空间金字塔结构引入SCNN网络。为了克服已有车道线检测网络在复杂场景下检测精度大幅下降的问题，将道路分割网络DeepLab v3+与上述SCNN融合为多任务学习网络，并利用链接编码结构连接两子网络。检测尺度多样化，鲁棒性得以提升，提高了在复杂场景下的检测精度，速度快。

为解决上述问题，本发明提供的技术方案为：

一种基于道路分割的车道线多任务学习检测方法，包括以下步骤：

S100.构建多任务学习网络，包括建立特征提取子网络、道路分割子网络和车道线检测子网络，实现对输入的道路图像进行识别和处理，输出道路分割数据和车道线检测数据；具体包括：

S110.以去除了全连接层的VGG-16作为主干网络，在所述主干网络的最后一层最大池化层max-pool5之后添加带孔空间金字塔结构ASPP，构建特征提取子网络；所述特征提取子网络对输入的道路图像进行识别和处理，得到特征图并输出；

S120.采用DeepLab v3+网络的解码部分结构构建道路分割子网络；所述道路分割子网络接收所述特征图，将道路图像的像素分为道路和背景两大类，输出道路分割数据；

S130.采用SCNN结构构建所述车道线检测子网络；所述车道线检测子网络接收所述特征图，将道路图像的像素分为n+1类，输出车道线检测数据；其中n为车道线条数，1为背景；

S200.构建链接编码结构，用链接编码结构连接道路分割子网络和车道线检测子网络，道路分割子网络中的数据经链接编码结构被传输至车道线检测子网络；具体包括：