[发明专利]基于DeepLabv3+的车道线网络识别模型建立及车辆速度检测方法

权利要求书

1.基于DeepLabv3+的车道线网络识别模型建立方法，其特征在于，包括如下步骤：

(1)获取训练样本集：

(1a)从车辆原始行车记录仪视频中提取N幅包含车道线的视频帧图像A＝{A₁,A₂,...,A_i,...,A_N}，并对每幅图像A_i中的车道线进行标记，得到包含车道线标签的json图像集P＝{P₁,P₂,...,P_i,...,P_N}，其中，N≥3000，A_i表示第i幅车道线视频帧图像，P_i表示A_i对应的包含车道线标签的json图像；

(1b)对包含车道线标签的json图像集P进行预处理，得到索引图像集L＝{L₁,L₂,...L_i,...,L_N}，并将L作为训练样本集，其中，L_i表示P_i对应的不带调色板矩阵的8bit索引图像；

(2)构建基于DeepLabv3+的车道线网络识别模型B：

构建包含级联的编码模块E和解码模块D的DeepLabv3+的车道线网络识别模型B；编码模块E包括主干网络Xception及与其级联的空洞空间金字塔池化模块ASPP，ASPP模块包括级联的空洞卷积模块和平均池化层，空洞卷积模块包括空洞卷积率rate由小到大排列的三个空洞卷积层；解码模块D包括两个卷积层和两个四倍双线性插值上采样模块；

(3)对基于DeepLabv3+的车道线网络识别模型B进行迭代训练，训练过程中采用交叉熵损失函数作为损失函数，获得训练好的车道线网络识别模型B′。

2.根据权利要求1所述的基于DeepLabv3+的车道线网络识别模型建立方法，其特征在于，步骤(1b)中所述的对每个包含车道线标签的json图像P_i进行预处理，实现步骤为：

利用labelme软件自带的json_to_dataset代码对每个包含车道线标签的json图像P_i中的json文件进行转换，得到包含车道线信息且带有调色板矩阵的24bit索引图，并通过Python代码将24bit索引图转化成不带调色板矩阵的8bit索引图。

3.根据权利要求1所述的基于DeepLabv3+的车道线网络识别模型建立方法，其特征在于，步骤(2)中所述的空洞卷积率rate由小到大排列的三个空洞卷积层，rate值分别为6、12和18。