[发明专利]一种基于几何注意力感知的车道线检测系统

说明书

本发明提供一种基于几何注意力感知的车道线检测系统，包括主干网络，设于主干网络之后的语义分割分支和几何距离嵌入分支，作用于解码器相邻两个阶段上采样层之间即设在整个车道线语义分割分支和几何距离嵌入分支之间的注意力信息传播模块，设于语义分割分支和几何距离嵌入分支末端的几何注意力感知模块，以及与主干网络和几何注意力感知模块连接的跳跃金字塔融合上采样模块。本系统采用多任务分支网络结构，除了车道线分割任务以外还增加了几何距离嵌入分支，该分支通过学习车道线中心到边界的连续距离表示去指导车道线分割，从而改善由于高度依赖稀疏车道线标注而无法从复杂道路场景下有效检测车道线的问题。

技术领域

本发明涉及车道线检测技术领域，具体涉及一种基于几何注意力感知的车道线检测系统。

背景技术

车道线检测是一种从车载传感器捕获的汽车周围环境图像中提取静态车道线特征的技术，只有极少数方法从激光雷达传感器捕获的图像中检测车道线，虽然激光雷达在距离测量上有天然优势，但是其成像原理决定了只能感知标识明显的车道线，而且激光雷达成本非常高。因此在大多数工作中使用成本低廉的摄像机，由于其成像原理和人类视觉系统相似，它捕获的图像更适合人类理解，方便人工对图像进行标注，包括一些复杂的交通环境，例如，车道线被遮挡等，这对于有监督的语义分割任务来说至关重要。在高等级的自动驾驶系统中，由于系统是汽车控制的主要执行者，车道线检测结果直接影响了车辆控制、其他交通参与者状态判断、障碍物距离测量和高精度地图构建及更新等任务，因此车道线检测成为自动驾驶技术领域研究的热点。

早期的车道线检测方法，利用传统图像处理技术从简单道路场景中提取车道线特征，但是它们高度依赖假设和约束条件，使其只能检测道路中外观和颜色明显的车道线。随着卷积神经网络(Convolutional Neural Networks，CNN)在计算机视觉领域的发展，CNN能够从大规模车道线数据集中学习到丰富的车道线特征，提高了车道线在各场景下的识别准确率，使自动驾驶技术落地成为可能。目前，大多数车道线检测算法被定义为语义分割问题，它们将车道线标注作为完全卷积神经网络的监督信号，为给定图像中的每个像素分配车道线或背景类别。其中，Kim等人提出了基于顺序迁移学习的端到端车道线检测网络，使用全卷积层代替全连接层，将点检测问题重新定义为区域分割问题。该方法首先使用ImageNet数据集训练SegNet的编码器部分对自然图像进行分类，然后使用道路场景数据集训练网络进行道路场景分割，最后使用车道线数据集训练的网络检测车道线，但该方法仅检测当前车道两边的车道线，这不利于系统控制车辆进行变道。

为了检测同向道路中的多条车道线，SCNN算法被提出用于检测当前车道左右两边共四条车道线，因为这与绝大多数实际驾驶场景更符合。SCNN算法将编码器顶层的输出特征图切片，从四个方向进行逐层卷积，上一层特征图卷积的结果会融合下一层特征图，然后对融合后的新特征图进行卷积，这种类似残差网络的结构设计，有利于车道线特征的融合以及防止反向传播过程中出现梯度消失现象。该算法使空间像素之间从不同方向相互传递信息，能够较好的分割具有强空间关系但是外观特征不明显的大型物体和长条状目标，增强了在复杂道路场景下的车道线检测能力，但是提出的SCNN模块增加了网络的推理时间。

相对于SCNN算法而言，SAD算法更加关注车道线检测性能与算法复杂度之间的平衡，它从ENet的编码器中自上而下的蒸馏出车道线注意力特征图，并使用该编码器后一阶段中包含更为抽象的车道线特征作为软目标，指导前一阶段编码器学习丰富的车道线特征表示，以此在不增加网络推理时间的同时增强算法检测车道线的能力。虽然该算法允许从自身特征图中学习并获得实质性的改进，而无需任何额外的数据标注，但它严重依赖稀疏的车道线标注，在复杂道路场景下检测车道线仍具有挑战。