[发明专利]基于结构信息的车道线检测方法

说明书

本发明公开了一种基于结构信息的车道线检测方法，包括步骤：1)数据获取；2)数据预处理；3)模型构建；4)定义损失函数；5)模型训练；6)模型验证。本发明结合深度卷积神经网络提取图像多尺度的特征，语义信息引导的注意力机制能够增强车道线的特征，多尺度可变形卷积可以捕获车道线的结构特征，以及解码网络提高分割的精确度，更准确地完成车道线的检测。

技术领域

本发明涉及计算机视觉和深度学习技术领域，尤其是指一种基于结构信息的车道线检测方法。

背景技术

语义分割是计算机视觉领域中的重要课题之一，其核心任务是将输入数据(例如平面图像)转化为能够突出显示感兴趣区域的掩模。作为计算机视觉和图像理解中的核心任务之一，语义分割有助于实现更高级、更复杂的计算机视觉任务，极具研究价值和工业价值。

近些年，随着深度学习的迅猛发展，深度卷积神经网络在语义分割领域也取得重大的突破。基于深度卷积神经网络的语义分割方法被广泛用到各种不同的场景中，例如地质检测、面部分割、精准农业、自动驾驶等。其中车道线检测就是语义分割在自动驾驶中的一个应用场景。

车道线是路面上的重要标识之一，指示和规范着车辆行驶。实现车道线检测技术有助于安全稳定的自动驾驶或者辅助驾驶，例如车道保持、自适应巡航控制、车道变换等等。传统的车道线检测方法主要依赖于人工提取的特征，例如车道线的颜色、边缘、梯度等信息，这些特征的语义信息不足，容易将其他线状物体误检为车道线。深度卷积神经网络可以提取高层语义信息，有助于实现准确度更高、鲁棒性更好的智能车道线检测方法。现有基于深度学习的车道线检测方法致力于融合上下文的特征，提取更连续的车道线，但是它们的方法在车道线不明显的情况(例如夜间道路等)下容易漏检或误检车道线。

发明内容

本发明的目的在于提高复杂场景下车道线检测的准确度，提出一种基于结构信息的车道线检测方法，该方法考虑到车道线和车道的相对结构特征、车道线自身细长的结构特征，在复杂场景中可以更好的检测到完整、连续的车道线。

为实现上述目的，本发明所提供的技术方案为：基于结构信息的车道线检测方法，包括以下步骤：

1)数据获取

训练模型使用公开的车道线检测数据集提供的图像数据和车道线点标注，并将这些数据划分为训练集、验证集和测试集；

2)数据处理

车道线检测数据集中的车道线点，用多项式曲线拟合成指定宽度的线，然后用作模型训练的标签，最后标签和图像经过处理后输入到模型中；

3)模型构建

该模型是编码-解码结构，编码部分包括一个特征提取网络和车道线结构信息提取网络，后者包含多个语义信息引导的注意力机制模块和多尺度可变形卷积模块，解码部分用解码网络恢复编码部分输出特征图的分辨率；

4)定义损失函数

损失函数由主损失函数和多个辅助损失函数组成；

5)模型训练

先初始化模型的参数，再用随机梯度下降方法更新模型参数，并在模型收敛或者达到预设迭代次数后停止训练；

6)模型验证

模型验证用于验证训练得到的模型的泛化性能，选取验证效果最优的模型用于车道线检测，以得到准确的检测结果。

所述步骤2)包括以下步骤：