[发明专利]一种基于二值化CGAN网络的公路车道检测方法

说明书

本发明公开了一种基于二值化CGAN网络的公路车道检测方法，CGAN网络最终生成极高分辨率图像，并且图片细节和纹理都与真实图片无差，在网络训练过程中，不需要依赖任何手工定义的损失函数，相较于CNN、SCNN网络，结果更加细腻、真实，并且不依赖于较多的后处理技术，具有较大的优越性；同时通过对CGAN进行压缩，使其在嵌入式终端上的应用成为可能，促进了深度学习算法在移动中的应用。

技术领域

本发明涉及图像识别技术领域，尤其是一种基于二值化CGAN网络的公路车道检测方法。

背景技术

目前智能交通领域研究的热点是安全辅助驾驶系统，它主要针对的是如何减少交通事故的问题。通过不断开发先进技术来代替驾驶员的部分任务，不断完善汽车的辅助驾驶功能，最终实现完全智能化的汽车。鉴于近年来汽车的不断增多和交通事故的频繁发生，世界上许多国家都加大了对车辆安全辅助驾驶领域的研究。车辆偏离告警作为车辆安全辅助驾驶系统研究的重要方面，其在智能系统研究中也占有重要地位。车道检测和识别技术主要应用于告警系统中车道标识线的搜索和提取。在实现方法上大致分为基于雷达成像原理的雷达传感器和基于机器视觉图像的视觉传感器两类。

随着深度学习的发展，图像目标识别算法逐步走向成熟。生成对抗网络GAN是目前热门的生成式模型，由生成器网络G和判别器网络D组成。判别器网络D的任务是决定某幅图像是真实的(来自数据库)，还是机器生成的；而生成器网络G的任务则是生成能够骗过判别网络D的图像。这两个网络彼此就形成了“对抗”，终会达到平衡，即生成器生成的图像与真实图像没有区别，判别器无法区分两者。条件生成对抗网络CGAN在GAN的基础上以附加信息作为条件y扩展为条件生成模型，从而对模型的生成过程进行指导，得到特定的生成结果，其网络示意图如图1所示。然而，全精度卷积神经网络层数多，计算量大，不适用于计算资源有限的小型嵌入式平台，即限制了在车辆上的使用。

发明内容

本发明提供一种基于二值化CGAN网络的公路车道检测方法，将CGAN网络二值化，以解决目标识别网络难以运行在嵌入式终端上的问题。

一种基于二值化CGAN网络的公路车道检测方法，先构建并训练网络模型，然后通过训练好的网络模型对公路车道进行检测，网络模型的构建和训练主要包括以下步骤：

1、收集大量道路场景图片，对图片进行预处理并标注得到数据集，将数据集从数量上分为训练集、测试集和验证集三部分；

2、构建CGAN网络，并对其进行二值化，形成二值化CGAN网络；

3、利用训练集对二值化CGAN网络进行训练。

进一步的，所述CGAN网络的生成器网络由全局生成器和局部生成器组成,所述全局生成器和所述局部生成器均采用残差神经网络；所述全局生成器包括6层卷积层、7层残差块、6层InstanceNorm ReLU层；所述局部生成器包括3层卷积层、2层残差块、1层InstanceNorm ReLU层；所述CGAN网络的判别器网络采用60*60的Patch-GAN，网络结构为4层Convolution-InstanceNorm-Leaky ReLU层，分别具有64、128、256、512个4*4卷积核，偏移步长为2，Leaky ReLU的斜率为0.2。

进一步的，对CGAN网络进行二值化具体操作为，将CGAN网络的权重和激活值利用符号函数二值化为±1，卷积操作为其中E^*＝Sign(W)，层叠模式改为批标准化→二值化激活→二值化卷积→池化。

进一步的，正向传播过程中使用二值权重，反向传播过程中使用实际权重；二值化CGAN网络的第一层和最后一层保留权重精度。