[发明专利]一种基于关键点与梯度均衡损失的全局车道线检测方法

权利要求书

1.一种基于关键点与梯度均衡损失的全局车道线检测方法，其特征在于，包括以下步骤：

S1、开启智能车辆上的前视摄像头，对行车道路环境进行图像的采集，对采集到的图像进行预处理和车道线标注，构成多种驾驶场景下的训练集、测试集和验证集；

S2、设计一组纵向均匀排列的关键点全局表征车道线，对所述车道线注释进行样条插值，得到细化的关键点序列标签；

S3、构建车道线关键点检测模型，将所述训练集输入车道线关键点检测模型进行前向预测，采用梯度均衡损失函数进行反向传播与迭代训练，并保存训练好的权重文件，所述车道线关键点检测模型为多任务卷积神经网络模型；

S4、采用训练好的车道线关键点检测模型进行实车车道线检测，在车道线关键点检测模型中输入实时道路图像帧，输出车道线分类概率图和关键点回归向量图，通过关键点匹配组合和非极大值抑制的后处理，得到最终的车道线检测结果；

所述梯度均衡损失函数的总体损失函数为：

其中，L({p_i},{t_i})是所述车道线关键点检测模型的多任务损失函数，L_cls是分类损失，L_reg是回归损失，i是网格的索引，p_i是车道线预测概率，是真实分类标签，正样本网格取值为1，负样本网格取值为0；t_i是k+1维预测回归向量，是对应的真实回归向量；表示只计算正样本网格对应的回归损失；是k维权重向量；λ是损失平衡超参数；

所述采用梯度均衡损失函数进行反向传播与迭代训练具体包括：

根据分类损失函数和回归损失函数，定义样本的梯度范数；

采用区域近似方法，将梯度范数的值域空间均分成若干个单位区间，采样统计一个批量数据中的区间样本数量来近似计算样本梯度密度；

根据梯度密度计算每个样本的损失协调权重，重构损失函数等效实现梯度修正。

2.根据权利要求1所述的一种基于关键点与梯度均衡损失的全局车道线检测方法，其特征在于，步骤S1中具体包括：

S11、开启智能车辆上的前视摄像头，实时采集行车环境中的道路图像；

S12、筛选不同时段、天气和道路结构下的图像数据并进行车道线标注，构成面向复杂驾驶场景的车道线数据集，所述车道线标注采用若干个人工标记的坐标点定位表示全局车道线；

S13、按一定比例将所述车道线数据集随机分成训练集、测试集和验证集。

3.根据权利要求1所述一种基于关键点与梯度均衡损失的全局车道线检测方法，其特征在于，步骤S2中具体包括：在图像中引入k条等间距的水平线，每条全局表征车道线与所述水平线产生的相交点自底向上进行排列，得到k个有序的车道线关键点；采用样条曲线对所述车道线注释进行插值处理，得到细化的关键点序列标签。

4.根据权利要求1-3任一所述的一种基于关键点与梯度均衡损失的全局车道线检测方法，其特征在于：所述的车道线关键点检测模型包括基础网络和分支网络两个连续的部分，所述基础网络对输入的图像进行全卷积特征提取，输出分辨率降低16倍的卷积特征图，所述分支网络包括两个并行的任务分支，分别负责车道线分类和关键点回归。

5.根据权利要求4所述的一种基于关键点与梯度均衡损失的全局车道线检测方法，其特征在于：所述卷积特征图中每个位置映射输入图像16×16像素大小的网格单元，其中，将有车道线段穿过的网格定义为正样本，即具有车道线标记的网格负责预测该车道线；否则为背景负样本。

6.根据权利要求5所述的一种基于关键点与梯度均衡损失的全局车道线检测方法，其特征在于：对于关键点回归任务分支，每个正样本网格还负责预测对应车道线的关键点位置，设第一条水平线纵坐标为y，线间距为n，则关键点的纵坐标序列为固定值：

Y_seq＝{y,y-n,y-2n,…,y-(k-1)n}_k