[发明专利]一种基于深度学习的车道线检测方法

说明书

本发明公开一种基于深度学习的车道线检测方法，包括步骤一构建车道线图像数据集作为训练集、步骤二构建全卷积车道线检测网络模型、步骤三训练全卷积车道线检测网络模型、步骤四构建车道线图像数据集作为测试集和步骤五测试全卷积车道线检测网络模型五个步骤；本发明的全卷积车道线检测网络模型能够克服极强的视觉干扰，拥有较快的推理速度和较强的鲁棒性，占用存储空间小，推理效果好，准确度高，实时性强，能够在算力很小的车载嵌入式设备中实现准确和快速的检测。

技术领域

本发明涉及人工智能中的深度学习技术领域，尤其涉及一种基于深度学习的车道线检测方法。

背景技术

智能驾驶需要对交通环境、态势进行感知与理解，车辆的交通环境包括周围车辆，车道线以及交通信号灯等，车道线检测对于控制车辆在安全区域内行驶有着极其重要的作用，当车辆发生偏移较大时利用车道线检测能够对驾驶员及时报警，调整汽车行驶方向，避免交通事故发生。

在计算机视觉的目标检测任务中，性能较好的语义分割网络能够实现较高的检测精度，但这些网络模型体积较为庞大，占用显存和内存空间较大，需要算力强大的设备支撑，导致其难以在车载嵌入式系统中完成实时车道线检测工作，因此，本发明提出一种基于深度学习的车道线检测方法以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出一种基于深度学习的车道线检测方法，该基于深度学习的车道线检测方法中的全卷积车道线检测网络模型能够克服极强的视觉干扰，拥有较快的推理速度和较强的鲁棒性，占用存储空间小，推理效果好，准确度高，实时性强，能够在算力很小的车载嵌入式设备中实现准确和快速的检测。

为实现本发明的目的，本发明通过以下技术方案实现：一种基于深度学习的车道线检测方法，包括以下步骤：

步骤一、采集车道线数据图像，使用传统的车道线检测方法对图像进行处理，生成每张图片的数据标注，然后采用几何变换和色彩变换两种数据增强的方法对车道线数据集进行扩增，最后利用Python并借助第三方图像处理库PIL和OpenCV读取每幅图像中的每条车道线标签信息构成车道线二值图数据集，再经数据清洗构成训练集；

步骤二、构建全卷积车道线检测网络模型，将车道线提取视为置信度图回归问题来设计全卷积网络结构，然后对车道线信息进行后处理，其中全卷积网络结构包含了6个卷积层，前五个卷积层采用了3×3尺寸的卷积核，最后一个卷积层采用了1×1尺寸的卷积核，所有卷积层激活函数都使用“Relu”函数，在前四个卷积层后分别都添加了池化操作，在每个最大池化层之前加入批标准化层；

步骤三、训练全卷积车道线检测网络模型，用步骤一构建的训练集对步骤二中的车道线检测模型进行训练，算法将车道线检测视为置信度图回归问题，设置训练超参数，然后设置自适应矩估计Adam优化器，采用像素值均方误差MSE和平均绝对误差MAE作为损失函数改善模型的收敛结果，使用自适应矩估计优化器改善损失下降路径，提高训练模型性能；

步骤四、构建车道线图像数据集作为测试集，测试集由600张行车车载摄像头采集的图像，然后用传统车道线检测方法对图像进行处理，将传统车道线检测的工作进一步简化为颜色提取，利用颜色空间进行图像分割，将图像的色彩空间转换到HSV坐标系，然后在色相、对比度、明度三个维度上分别划分一定的范围，最终自动生成每张图片对应的标注信息；

步骤五、测试全卷积车道线检测网络模型，以像素值均方误差MSE、平均绝对误差MAE和帧率FPS为评价指标，利用步骤三中的全卷积车道线检测网络模型对步骤四中的车道线测试集进行检测，MSE、MAE越小，模型推理效果越好、准确度越高，FPS越高，模型实时性越强。

进一步改进在于：所述步骤一中采集车道数据时先将车载摄像头分辨率设置为1280×720，然后通过人工控制灯光照射车道的角度和强度以及在不同室外光照条件下，进行多种环境干扰下数据的采集，最后将图像保存到本地。