[发明专利]一种利用图像分割辅助的车道线检测方法

说明书

本发明属于车道线检测技术领域，涉及一种利用图像分割辅助的车道线检测方法，先对图像进行采集，利用分割标注工具标注出的车道线用于车道线分割，再设计车道特征提取网络，在车道线特征提取网络后面加入两个分支，一个分支为车道线分割网络，一个分支为车道线检测网络，其中分割分支是为了辅助车道线的检测，只参与训练过程，不参与推理过程；然后设计能量损失进行车道线分割和检测的联合训练，保存训练结果最好的模型，并用该模型的检测分支用于测试车道线检测，整个过程提升了车道线检测的精度和速度。

技术领域

本发明属于车道线检测技术领域，涉及一种利用图像分割辅助的车道线检测方法。

背景技术

车道线检测是无人驾驶技术中最重要的感知模块，在无人驾驶车辆行驶过程中起着重要作用，目前，在车道线检测过程中存在各式各样的难题，其中主要的难点有：

（1）检测的车道线形状存在不确定性，存在差异，导致训练回归的目标不唯一；

（2）检测到的车道线偏移量不准确，导致在上下采样处理的过程中存在偏差；

（3）由于车辆遮挡、车道线不连续，各种不同的光照条件等情况导致车道较难检测；

现有的车道线检测算法主要有传统的基于图像处理的检测算法和基于深度学习的算法两大类，其中传统的基于图像处理的检测算法主要是通过提取车道线的颜色、纹理、边缘、方向和形状等特征的方式来达到对检测车道线的目的；基于深度学习的算法主要采用卷积神经网络提取图像特征，具有平移不变性、可扩展等特点，在图像分类、目标检测等领域取得了优秀的成绩，但是现有的基于卷积神经网络的方法，或速度不能满足要求，或精度偏低，速度和精度不能同时满足实际需求，因此，亟需一种能够同时保证速度和精度的车道线检测方法。

发明内容

本发明的目的在于克服现有技术存在的缺点，设计提供一种利用图像分割辅助的车道线检测方法，在满足检测速度的同时提高检测精度。

为实现上述目的，本发明具体包括如下步骤：

（1）采集含有车道线的图像并进行标注：

利用车载摄像头收集20000张含有各种车道线的图像，将图像缩放到分辨率为512×256像素，并利用分割标注工具将车道线分割出来；

（2）车道特征提取：

将步骤（1）得到的图像输入主干网络进行特征提取，然后将提取的特征输入PAN网络进行特征融合，主干网络和PAN（Pixel Aggregation Network）网络构成车道特征提取网络，选取PAN最右上侧的车道线特征（用符号E表示）用于后续的车道线分割与检测；

（3）车道线分割：

将步骤（2）PAN最右上侧的车道线特征输入车道线分割网络进行分割得到分割结果；

（4）车道线检测：

将步骤（2）PAN最右上侧的车道线特征输入车道线检测网络进行车道线检测，得到车道线检测结果；

（5）训练车道线分割和检测网络：

利用步骤（1）中图像分割工具标注的图像构建数据集，将数据集按8：1：1的数量比划分为训练集、验证集和测试集，车道线分割网络的能量函数采用二值交叉熵损失，用表示，车道线的先验特征回归能量损失采用Smooth L1损失，用表示，总的能量损失为，其中和为权重参数，训练500个迭代后终止，保存参数模型；

（6）测试车道线检测网络：

将测试集的图像缩放到512×256×3，输入步骤（5）训练好的车道线检测网络中，得到车道线检测结果。

作为本发明的进一步技术方案， 步骤（1）所述车道线分割采用语义分割，车道线像素标注为1，背景标注为0。

作为本发明的进一步技术方案，步骤（2）所述主干网络选用ResNet50网络。