[发明专利]自动驾驶车辆行驶车道判别方法、系统、车辆及存储介质

权利要求书

1.一种自动驾驶车辆行驶车道判别方法，其特征在于：应用于自动驾驶系统，所述自动驾驶系统包括整车控制器和前视摄像头，所述前视摄像头与所述整车控制器通讯连接，所述方法包括以下步骤：

S1、道路图像获取：通过所述前视摄像头获取道路路况图像；

S2、语义分割：将所述前视摄像头视觉感知获得的道路图像输入PSPNet语义分割神经网络，输出图像中每个像素的语义，判断每个像素点属于左车道、或右车道、或当前车道、或非车道；

S3、障碍物检测：在进行所述语义分割的同时，利用目标检测神经网络检测出障碍物在道路图像中的像素坐标；

S4、车道判别后处理：通过所述障碍物在道路图像中的像素坐标与车道的所述语义分割的像素结果判定障碍物所属车道的位置。

2.根据权利要求1所述的自动驾驶车辆行驶车道判别方法，其特征在于：所述步骤S2中，在所述将所述视觉感知获得的道路图像输入PSPNet语义分割神经网络后，进行所述语义分割，所述语义分割包括以下步骤：

S201、使用ResNet-101作为ResNet的骨干网络，所述ResNet-101提取的特征图将所述前视摄像头获取的道路路况图像下采样8倍；

S202、所述PSPNet采用PPM模块融合多尺度的特征，所述PPM模块包括4个分支，分别将骨干网络提取的特征图在空间尺度上平均划分为1x1、2x2、3x3、6x6的区域，并对每个区域进行平均池化操作来获得不同尺度对特征，每个分支通过一个1x1卷积将通道数调整为所述PPM模块输入通道数的1/4；

S203、使用双线性插值将1x1卷积后的特征图上采样到PPM输入特征图相同尺寸，然后将4个分支输出的特征图在通道维度作拼接，得到所述PPM模块的输出特征图；

S204、对所述PPM模块输出的特征图进行卷积操作得到通道数为k的特征图，其中k表示要进行分割的语义数量，具体包括自车左车道、自车所在车道、自车右车道、非感兴趣区域4个类别；

S205、对最后一张k通道的特征图逐空间位置作Softmax后得到逐像素的分类概率，然后与真实像素概率标签的one-hot向量作交叉熵得到整个网络的损失函数，得到每个像素所属的类别。

3.根据权利要求2所述的自动驾驶车辆行驶车道判别方法，其特征在于：所述与真实像素概率标签的one-hot向量作交叉熵得到整个网络的损失函数的具体方法为：

其中，H和W分别为输出特征图的高和宽，C＝4，C为输出特征图的通道数，f为预测概率，g为真实分类。

4.根据权利要求3所述的自动驾驶车辆行驶车道判别方法，其特征在于：所述步骤S205中得到的每个像素所属的类别包括自车左车道、自车所在车道、自车右车道和非感兴趣区域。

5.根据权利要求4所述的自动驾驶车辆行驶车道判别方法，其特征在于：进行所述语义分割时，先对标准的ResNet-101进行修改，修改方法包括以下步骤：

S2011、在ResNet的卷积操作中引入空洞卷积，通过空洞卷积对标准卷积引入扩张率参数，表示卷积核各个元素之间的间距；

S2012、在ResNet的残差块中引入SE模块，所述SE模块通过Squeeze操作将残差块的输出特征图挤压到尺寸为1*1大小，通过全局平均池化来获得通道尺度的信息；

S2013、进行Excitaion操作，通过全连接非线性激活接上sigmoid函数，得到每个元素为位于0-1之间通道尺度激活值的通道强调向量，然后将通道强调向量与输入特征图相乘得到SE模块的输出。

6.根据权利要求5所述的自动驾驶车辆行驶车道判别方法，其特征在于：所述S2012中，记输入Squeeze操作的特征图为u，则Squeeze操作可表示为：

式中，H为输出特征图的高，W为输出特征图的宽，u为输入Squeeze操作的特征图。