[发明专利]一种基于卷积神经网络的车道线检测方法

说明书

本发明提供了一种基于卷积神经网络的车道线检测方法，包括，编码过程，通过卷积神经网络提取车道线的特征信息；解码过程，对编码后的图片进行反卷积操作，并通过反卷积层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；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。本发明的优点在于：通过卷积神经网络自动完成图片的编码和解码处理，实现图片像素特征的提取，然后基于反卷积层分别提取车道线的不同特征，并对不同特征提取的车道线进行与操作，提高识别精度，而且提取不同特征是同步进行的，保证响应速度。

技术领域

本发明涉及车道检测技术领域，尤其涉及一种基于卷积神经网络的车道线检测方法。

背景技术

车道线是交通系统中道路划分区域的标志，是车辆有序行驶的保证。正确的车道线的检测与分类能够使自动驾驶汽车对自己的位置与状态有进一步的决策与判断，保证车辆以安全的状态行驶。因此，快速、准确的车道线检测算法可以提升车道线保持、车道偏离报警等功能的准确性，对提高自动驾驶汽车的安全具有重要的意义。由于车道线标志的种类繁多，车辆拥挤造成车道线标志区域被遮挡，车道线可能有腐蚀磨损的情况，以及天气等因素都能给车道线检测任务带来不小的挑战。

公开号为CN108009524A的发明专利申请公开了一种基于全卷积神经网络的车道线检测方法，通过构建车道线检测网络、确定特征图中车道线的概率，实现车道线的提取与检测，然而该方法通过单一的特征检测进行车道线的识别，准确率相对较低，无法满足使用要求。

发明内容

本发明所要解决的技术问题在于提供一种能够快速准确的识别车道线的方法。

本发明是通过以下技术方案解决上述技术问题的：一种基于卷积神经网络的车道线检测方法，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。

本发明通过卷积神经网络自动完成图片的编码和解码处理，实现图片像素特征的提取，然后基于反卷积层分别提取车道线位置特征和车道线实例信息特征，从而通过不同的途径分别提取车道线，并对不同特征提取的车道线进行逻辑与操作，提高识别精度，而且提取不同特征是同步进行的，不会增加算法的执行时间，保证响应速度。

优选的，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。