[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

说明书

本发明公开了一种基于关键点与梯度均衡损失的全局车道线检测方法，包括步骤：S1、图像的采集、预处理和车道线标注，构成多驾驶场景下的车道线数据集；S2、设计一组关键点全局表征车道线，采用样条插值算法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，采用梯度均衡损失函数优化模型训练；S4、实车检测中模型输入图像帧并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与非极大值抑制的后处理，得到最终的车道线检测结果。本发明采用全卷积的深度学习方法，通过特征关键点检测与梯度均衡训练，能够适应大范围复杂驾驶场景下的车道线检测，具有较高的鲁棒性、实时性和定位精度。

技术领域

本发明属于计算机视觉和车辆智能驾驶领域，更具体地，涉及一种基于关键点与梯度均衡损失的全局车道线检测方法。

背景技术

车道线检测是车辆智能驾驶领域的基本任务和关键技术之一。只有让车辆感知判别到其在车道中的位置，为后续的路径规划与决策控制提供稳定可靠的数据来源，才能实现车道偏离报警、车道保持、车辆自主导航等智能驾驶技术。在实际应用中，车道线检测要求具有较高的算法鲁棒性与实时性。在外观上，车道线具有实/虚线、黄/白线等形态，并且经常出现不同程度的模糊和破损。在驾驶条件上，车辆需要适应各种复杂环境，诸如高速路/城市/乡村的道路场景、白天/夜晚的光照条件、晴/阴/雨天的天气条件、以及遮挡/阴影/强光等其它因素，都会给车道线的准确检测带来极大的挑战与困难。

基于视觉的车道线检测方法是主要的研究方向。传统方法大多采用人工设计的滤波算子提取车道线边缘特征，再通过聚类算法得到不同的车道线实例。这类方法依赖强先验知识与几何假设，鲁棒性较差，一般只适用于特定的简单道路场景。近年来，许多研究者采用卷积神经网络代替传统人工算子提取车道线特征，实现车道线检测。相比于传统方法，卷积神经网络以强大的特征提取能力赋予了车道线检测较强的鲁棒性与泛化能力，更能适应大范围复杂路况。

然而，基于卷积神经网络的方法主要采用边界框检测和图像语义分割实现车道线定位，仍存在一定局限性：1)车道线是细长线型目标，边界框定位会引入大量的干扰信息，降低检测精度；2)像素级检测网络计算量较大，实时性能较差，且聚类后处理忽略了车道线全局信息，容易发生误检；3)车道线全局检测往往容易丢失目标局部细节，定位精度不高。

发明内容

为解决上述技术问题，本发明以复杂驾驶场景下的车道线检测作为研究目标，综合考虑车道线检测的准确性与实时性，提供一种基于关键点与梯度均衡损失的全局车道线检测方法，旨在能够更鲁棒、精确、实时地检测出大范围实际驾驶路况中的车道线，从而在智能驾驶中更好地引导车辆行驶。

本发明的目的通过以下的技术方案和方法来实现：

一种基于关键点与梯度均衡损失的全局车道线检测方法，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、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尺寸固定的实时道路图像帧，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。

进一步地，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；