[发明专利]一种基于卷积神经网络的车道线检测方法

权利要求书

1.一种基于卷积神经网络的车道线检测方法，其特征在于：包括，

S1：编码过程，通过卷积神经网络提取车道线的特征信息，方法为，

S101，使用核函数为3，步长为2的卷积层处理图片；

S102，使用密集模块和降维模块处理图片，并重复m次，提取特征信息；

所述密集模块通过其子单元提升图片的通道数，并将原始图片的通道数与子单元输出的通道数连接；所述降维模块对输入其的图片进行降维减少通道数；

S2：解码过程，使用反卷积层和密集模块处理编码后的图片，并重复m次，对最后一次密集模块输出的图片，分别输入到两个反卷积层中，分别获取车道线位置特征分割图和车道线实例信息特征分割图；

S3：车道线融合，将车道线位置特征分割图和车道线实例信息特征分割图进行融合，基于逻辑与操作保留在两张分割图中均被认为属于车道线的像素点，删除其他像素点，完成车道线的提取。

2.根据权利要求1所述的一种基于卷积神经网络的车道线检测方法，其特征在于：所述密集模块处理图片的方法为，

对于高为H、宽为W、通道数为C的输入图片，通过密集模块的第一个子单元将通道数调整为N，其中N为预设的常数；

将输入图片与子单元的输出结果并联跳跃，得到通道数为C+N的中间值；

将中间图片输入第二个子单元中，将通道数调整为N；

将输入图片、中间图片和第二个子单元的调整结果并联跳跃，得到通道数为C+C+N+N的结果并输出。

3.根据权利要求2所述的一种基于卷积神经网络的车道线检测方法，其特征在于：所述子单元首先使用核函数为1、步长为1，通道数为4*N的卷积层将输入图像的通道数调整为4*N；然后通经过核函数为3，步长为1，通道数为N的卷积层将通道数调整为N。

4.根据权利要求1所述的一种基于卷积神经网络的车道线检测方法，其特征在于：所述降维模块处理图片的方法为：

对于高为H、宽为W、通道数为C的输入图片，使用核函数为1、步长为1，降维比率为r的卷积层将图片的通道数从C降至C/r；

使用核函数为a、步长为b的池化层将图片的尺寸从H×W×(C/r)降至(H/a)×(W/b)×(C/r)。

5.根据权利要求1所述的一种基于卷积神经网络的车道线检测方法，其特征在于：解码过程中，两个所述反卷积层分别为embeddable分支和instance分支；所述embeddable分支处理获得车道线位置特征分割图，instance分支处理获得车道线实例信息特征分割图；其中instance分支的训练样本中，对背景标注为0，并从1开始顺序标注车道线的ID；embeddable分支的训练样本中，以预设的间隔标注不同车道线的灰度值。

6.根据权利要求5所述的一种基于卷积神经网络的车道线检测方法，其特征在于：还包括将编码过程和解码过程中通过密集模块处理后尺寸和通道数相同的图片进行融合的步骤，

依次将解码过程的第i个密集模块的结果与编码过程第m+1-i个密集模块的结果的数值相加，其中i＝[1，2，···，m]。

7.根据权利要求5所述的一种基于卷积神经网络的车道线检测方法，其特征在于：解码过程在使用密集模块处理之前使用的反卷积层和两个分支使用的反卷积层的核函数为3，步长为2。

8.根据权利要求5所述的一种基于卷积神经网络的车道线检测方法，其特征在于：所述instance分支的loss函数为

其中，n为像素的数量，y_i为第i个像素的ID，即所属的车道线类别；ω_i为第i个像素的权重，通过反卷积层能够直接获得ID和权重，p_iy为第i个像素属于y_i类别的预测概率，使用softmax函数计算，

其中，s_iy表示第i个像素属于类别y的概率，m表示总的类别数，即车道线总数。