[发明专利]基于深度学习的车道线检测方法

权利要求书

1.一种基于深度学习的车道线检测方法，其特征在于，分别设计车道线特征提取网络和透视变换矩阵预测网络，通过设计损失函数对网络模型参数进行优化，该方法的步骤包括如下：

(1)生成训练集：

(1a)选取至少4000张含有车道线的图像，每张图像的分辨率均为1280×720，且每张图像中至少包括2条车道线，同时每张图像对应有一张二值分割标签图；

(1b)将每张图像的分辨率调整大小至512×256后组成训练集；

(2)构建车道线特征增强网络：

(2a)构建一个26层的车道线特征增强网络，其结构依次为：第1卷积层，第2卷积层，第3卷积层，第4卷积层，第5卷积层，第6卷积层，第7卷积层，第1反卷积层，第1特征级联层，第1激活层，第2反卷积层，第2特征级联层，第2激活层，第3反卷积层，第1池化层，第2池化层，第8卷积层，第9卷积层，第3池化层，第4池化层，第10卷积层，第11卷积层，第3特征级联层，第12卷积层，第4特征级联层，第13卷积层；

(2b)设置车道线特征增强网络各层参数如下：

将第1、8、10、12、13卷积层的卷积核大小均设置为1×1、步长均设置为1；

将第2至7卷积层的卷积核大小分别设置为7×7、7×7、5×5、5×5、3×3、3×3，步长分别设置为2、1、2、1、2、1；

将第9、11卷积层的卷积核大小分别设置为1×3、3×1，步长均设置为1；

将第1、2、3反卷积层的卷积核大小均设置为4×4，步长均设置为2；

将第1、2、3、4池化层的池化窗口分别设置为1×512、1×512、256×1、256×1；

(3)构建车道线特征提取网络：

采用Bisenet_V2语义分割网络作为主干网络，将主干网络与M个串联的车道线特征增强网络连接组成车道线特征提取网络；

(4)生成用于训练车道线特征提取网络的损失函数：

(4a)生成加权交叉熵损失函数为：其中，ω₁表示车道线的交叉熵权重值，y_i表示真实类别为车道线的概率，log(·)表示以2为底数的对数操作，表示预测类别为车道线的概率，ω₀表示图像中除车道线以外背景的交叉熵权重值；

(4b)生成判别的损失函数为：L₂＝l_V+l_D，l_V表示方差损失，l_D表示距离损失，其中，C表示车道线的数量，S表示车道线像素点的数量，μ_c表示车道线的均值向量，x_i表示车道线的像素向量，δ_V表示方差损失的边界阈值，表示取0和a之间的最大值，C_i表示第i条车道线，δ_d表示距离损失的边界阈值，表示第i条车道线的均值向量；

(5)训练车道线特征提取网络：

将训练集中的图像输入到车道线特征提取网络中，采用梯度下降法对网络的参数进行迭代更新，直至用于训练车道线特征提取网络的损失函数的值下降至稳定值时停止训练，得到训练好的车道线特征提取网络；

(6)构建逆透视变换矩阵预测网络：

(6a)搭建一个10层的逆透视变换矩阵预测网络，其结构依次为：第1卷积层，第2卷积层，第1池化层，第3卷积层，第4卷积层，第2池化层，第5卷积层，第6卷积层，第3池化层，线性层；

(6b)设置逆透视变换矩阵预测网络各层参数如下：

将第1至第6卷积层的卷积核大小均设置为3×3、步长均设置为1；

将第1、2、3池化层的池化窗口均设置为2×2；

(7)训练逆透视变换矩阵预测网络：

将训练集中的图像输入到逆透视变换矩阵预测网络中，采用梯度下降法对网络的参数进行迭代更新，直至用于训练逆透视变换矩阵预测网络的损失函数的值下降至稳定值时停止训练，得到训练好的逆透视变换矩阵预测网络；

(8)检测车道线：

将待检测的含有车道线的图像依次输入到训练好的车道线特征提取网络及训练好的逆透视变换矩阵预测网络中，输出车道线检测结果。