[发明专利]一种基于LaneSegNet的车道线检测方法及系统

说明书

本发明公开了一种基于LaneSegNet的车道线检测方法及系统。本发明首先对图像进行多边形填充，得到一块ROI区域，然后将ROI区域图像输入到训练好的LaneSegNet网络模型，得到含有车道线的二值图像，再使用DBSCAN算法对车道线像素点坐标进行聚类并进行多项式拟合，将拟合后的车道线显示到原图上。所构建的LaneSegNet网络模型包括编码模块、解码模块、增强感受野模块和增强特征模块的网络架构。本发明通过使用并行空洞卷积模块增大了网络感受野，通过使用增强特征模块去除与当前任务无关的特征信息，并采用了非对称卷积构建特征提取网络，减少网络参数。本发明的准确率达到98.62％，可用于检测高速公路上的车道线，且具有较好的鲁棒性和实时性。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于LaneSegNet(车道线分割网络)的车道线检测方法及系统。

背景技术

随着人们生活水平的提高，汽车在人们的生活中扮演着越来越重要的角色，然而，汽车保有量的增加导致发生的交通事故越来越多，为了保障行车安全，自动驾驶功能受到越来越多的重视，车道线检测是自动驾驶功能中重要的组成部分。

目前传统的车道线检测方法，如使用Hough变换检测车道线，首先使用图像处理提取车道线边缘特征，然后使用Hough变换对线进行检测和拟合。上述车道线检测方法只能用于光照均匀，环境单一，无遮挡、模糊的检测，鲁棒性较差。

随着深度学习在各个领域的广泛应用，车道线检测与深度学习结合的越来越紧密，如Davy Neven等人提出的一种端到端的车道线检测，先通过深度神经网络对车道线进行检测，再利用聚类算法对车道线聚类，最后利用多项式拟合出车道线。然而上述方法检测过程较为复杂，耗时较长，很难满足实时性的要求。

发明内容

发明目的：针对目前车道线检测鲁棒性差，过程复杂，检测时间较长的问题，本发明提供一种基于LaneSegNet的车道线检测方法及系统。

技术方案：为实现上述发明目的，本发明采用如下技术方案：

一种基于LaneSegNet的车道线检测方法，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；

(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。

作为优选，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，k为3或5。