[发明专利]基于深度学习多任务网络的交通车道线检测方法及装置

摘要

本发明公开一种基于深度学习多任务网络的交通场景车道线检测方法及装置，该方法相对于传统的基于直线检测的车道线检测算法，引入了深度学习多任务卷积神经网络(CNN)，提取车道线特征信息，充分利用图像各层细节信息，首先对图像进行亮度和边缘信息收集和评估，根据评估结果调整裁剪尺寸，把图像分成若干个像块，然后进行图像归一化，送入深度学习网络，输出车道线图像种类和坐标，再利用空域图像相关性，进行车道线拟合，从而最终实现不同场景和亮度下准确、快速识别车道线信息的功能。本发明适用于智能交通领域卡口相机和电子警察应用，在保证图像分析实时性的前提下，充分利用深度学习网络，有效提升了车道线检测功能的适应性和准确率。

主权项

1.一种基于深度学习多任务网络的交通车道线检测方法，其特征在于，包括：S1、亮度与边缘信息收集：提取图像平均亮度信息并通过二维卷积算子提取图像边缘强度；S2、图像自适应裁剪：根据图像平均亮度和边缘强度的比例关系，计算单位面积边缘强度阈值，从而自适应地裁剪图像，将图像分割成若干像块，准备进行图像归一化；S3、图像归一化：对根据边缘强度阈值裁剪的图像按固定尺寸进行缩放，准备送入深度学习；S4、深度学习：向复合卷积神经网络输入统一尺寸的图像块，由网络模型生成横向、纵向车道线和非车道线分类结果以及车道线坐标；S5、类别分析和坐标复原：根据深度学习的网络模型输出的分类信息，分别提取车道线块的坐标，并按照该像块在原图中的尺寸，计算原图中的相应坐标值；S6、车道线拟合：根据各像块分类信息和坐标值，利用各个像块的空间相关性，把同一车道线各个像块的坐标进行拟合，从而输出最终的车道线坐标。