[发明专利]分类车线后补像素检测车线的方法及装置

说明书

本发明提供基于CNN(Convolutional Neural Network)的、用于检测至少一个车线的学习方法，包括：(a)学习装置获得编码的特征图和关于输入图像内的车线后补像素的信息的步骤；(b)学习装置将概率分值小于预设的临界值的车线后补像素的第一部分分类为强线像素，将概率分值小于临界值大于等于其他临界值的车线后补像素的第二部分分类为弱线像素的步骤；及(c)学习装置在弱线像素与强线像素之间的距离小于预设距离的情况下，将弱线像素分类为属于附加强线的像素，将属于强线和附加强线的像素判断为对应于属于车线的像素的步骤。

技术领域

本发明涉及基于CNN(Convolutional Neural Network)的、用于检测至少一个车线的学习方法及学习装置及利用其的测试方法及测试装置，具体涉及如下学习方法及学习装置以及基于其的测试方法及测试装置。根据基于所述CNN(Convolutional NeuralNetwork)的、用于检测至少一个车线的所述学习方法，其特征在于，包括：(a)获得输入图像的情况下，学习装置使编码层对所述输入图像适用至少一次卷积运算，获得至少一个编码的特征图，使解码层对从所述编码层输出的特定编码的特征图适用至少一次反卷积运算，获得包括关于所述输入图像内的至少一个车线后补像素的信息的分割结果的步骤；(b)所述学习装置将属于各所述车线后补像素的各概率分值与预设的第一临界值及比所述第一临界值小的预设的第二临界值进行比较，当所述车线后补像素的至少一个第一部分的至少一个概率分值大于等于所述第一临界值时，将所述车线后补像素的所述第一部分分类为属于至少一个第一强线(Strong Line)的像素，当所述车线后补像素的至少一个第二部分的至少一个概率分值小于所述第一临界值且大于等于所述第二临界值时，将所述第二部分分类为属于至少一个弱线(Weak Line)的像素的步骤；及(c)所述学习装置在(i)属于所述弱线的所述像素中至少一个特定像素与(ii)属于所述第一强线的所述像素中至少一部分像素之间的距离的至少一个值小于预设的第一距离的情况下，将所述特定像素分类为属于附加强线的像素，将属于所述第一强线的所述像素和属于所述附加强线的所述像素判断为对应于属于所述车线的像素的步骤。

背景技术

深度学习是用于对事物或数据聚类或分类的技术。例如，计算机仅凭照片无法区分狗与猫。而人能够轻易地区分。为此研究出了所谓“机器学习(Machine Learning)”的方法。是将大量数据输入到计算机并将近似的分为同一类的技术。其在输入了与存储的狗照片近似的照片的情况下，计算机将此分类为狗照片。

关于如何对数据分类，已经出现了很多机器学习算法。典型的有“决策树”、“贝叶斯网络”、“支持向量机(SVM)”、“人工神经网络”等。其中深度学习是人工神经网络的后裔。

深度卷积神经网络(Deep Convolution Neural Networks；Deep CNNs)是深度学习领域发生的惊人的发展核心。CNN为了解决文字识别问题而自90年代以来开始使用，而像目前广泛使用是则多亏近来的研究结果。这种深度CNN在2012年ImageNet图像分类比赛打败其他竞争者获胜。自那以后卷积神经网络成为机器学习(Machine Learning)领域的非常有用的工具。

图1显示基于现有技术利用深度CNN从照片中所要获得多种输出的例子。

分类(Classification)是从照片识别所要识别的类别(class)的种类的方法，例如，如图1所示，识别获得的对象的种类为人、羊还是狗，检测(Detection)是找到所有对象，并将所找到的对象用边界框(Bounding Box)围起来的形态显示的方法，分割(segmentation)是在照片中将特定客体的区域与其他客体区分的方法。最近随着深度学习(Deep learning)技术受到关注，在分类、检测及分割技术中也广泛使用深度学习。

图2是简要显示利用CNN的现有车线检测方法的示意图，图3是简要显示一般CNN分割过程的示意图。