[发明专利]一种基于LaneSegNet的车道线检测方法及系统

权利要求书

1.一种基于LaneSegNet的车道线检测方法，其特征在于，包括以下步骤：

(1)对道路图像进行多边形填充，获取含有车道线的ROI区域图像；

(2)将ROI区域图像输入到训练好的LaneSegNet网络模型中，得到含有车道线的二值图像；所述LaneSegNet网络模型包括依次连接的初始模块、三个卷积下采样模块、增强感受野模块、四个卷积上采样模块，以及两个增强特征模块；初始模块用于将输入图像大小减半，卷积下采样模块用于提取车道线特征信息，增强感受野模块用于增大网络的感受野，增强特征模块用于增强车道线信息，卷积上采样模块用于恢复图像大小以及图像特征；其中第一增强特征模块与第一卷积下采样模块和第二卷积上采样模块输出端连接，第二增强特征模块与第二下采样模块和第一卷积上采样模块输出端连接，第二卷积上采样模块与第二增强特征模块输出端连接，第三卷积上采样模块与第一增强特征模块输出端连接；

三个卷积下采样模块的单元结构相同，均包括一个1×1卷积、两个k×k卷积和1×1卷积串连的第一支路、三个扩张率分别为1、2、5的空洞卷积串连的第二支路，第一支路和第二支路并行连接，该模块的输入与两个并行连接的输出做相加操作，再分为由一个1×1卷积、两个k×k卷积和1×1卷积串连的第三支路和设置最大池化层的第四支路，第三支路和第四支路并行连接，两支路的输出做相加操作，k为3或5；

两个增强特征模块的结构相同，包括第一个k×k的非对称卷积，两个并行的全局平均池化和全局最大池化，第二个k×k的非对称卷积，一个1×1的卷积，一个sigmoid激活层，一个阈值层，将最后得到的阈值与输入做乘积操作；其中阈值函数为：

(3)对步骤(2)得到的二值图像使用DBSCAN算法对车道线像素点坐标进行聚类，划分出不同类别的车道线，对于不同类别的车道线使用二次多项式分别进行拟合；

(4)将拟合后的车道线显示在原道路图像上，实现车道线检测的可视化。

2.根据权利要求1所述的一种基于LaneSegNet的车道线检测方法，其特征在于，所述初始模块包括一个卷积核大小为k×k，步长为1的卷积层，一个卷积核大小为k×k，步长为2的卷积层，一个最大池化层，一个连接层，其中两个卷积层之间为依次连接，卷积层和池化层之间为并行连接。

3.根据权利要求1所述的一种基于LaneSegNet的车道线检测方法，其特征在于，所述增强感受野模块包括三条并行的空洞卷积支路，第一条空洞卷积支路包括一个扩张率为1的k×k卷积，第二条空洞卷积支路包括四个连续的k×k卷积，扩张率分别为2、5、9、13，第三条空洞卷积支路的结构与第二条空洞卷积支路相同，第一条空洞卷积支路的输出为第二条空洞卷积支路的输入，第二条空洞卷积支路的输出为第三条空洞卷积支路的输入，最后将三条空洞卷积支路的输出做相加操作。

4.根据权利要求1所述的一种基于LaneSegNet的车道线检测方法，其特征在于，四个卷积上采样模块的结构相同，均包括依次连接的一个1×1的卷积，一个k×k的卷积、两个并行的转置卷积和上采样，一个1×1的卷积；每一个卷积操作之后均进行Batch Normalization归一化和PReLU非线性激活函数处理。

5.根据权利要求1所述的一种基于LaneSegNet的车道线检测方法，其特征在于，所述步骤(2)中训练LaneSegNet网络模型的步骤包括：

(2.1)将道路图像的ROI区域图像及做好标记的车道线的二值图像作为训练样本数据输入到LaneSegNet网络模型中；

(2.2)计算LaneSegNet网络的损失，以损失最小作为目标对网络中的参数持续优化；

(2.3)当损失值稳定在一定范围内时，保存网络参数，得到最终的车道线检测模型。