[发明专利]一种基于道路分割的车道线多任务学习检测方法

摘要

本发明涉及道路交通的图像识别技术领域，公开了一种基于道路分割的车道线多任务学习检测方法，包括步骤：构建多任务学习网络，对输入的道路图像进行识别和处理，输出道路分割数据和车道线检测数据；构建链接编码结构，连接上述两个子网络；对上述两个子网络进行轮流微调训练，并采用交叉熵损失函数修正并提高车道线检测数据精度，最终输出修正后的车道线检测数据。本发明检测尺度多样化，鲁棒性得以提升，提高了在复杂场景下的检测精度，速度快。利用链接编码结构连接两个子网络，通过二者的参数硬共享，提升特征图获取的信息量。

主权项

1.一种基于道路分割的车道线多任务学习检测方法，其特征在于：包括以下步骤：S100.构建多任务学习网络，包括建立特征提取子网络、道路分割子网络和车道线检测子网络，实现对输入的道路图像进行识别和处理，输出道路分割数据和车道线检测数据；具体包括：S110.以去除了全连接层的VGG‑16作为主干网络，在所述主干网络的最后一层最大池化层max‑pool5之后添加带孔空间金字塔结构ASPP，构建特征提取子网络；所述特征提取子网络对输入的道路图像进行识别和处理，得到特征图并输出；S120.采用DeepLab v3+网络的解码部分结构构建道路分割子网络；所述道路分割子网络接收所述特征图，将道路图像的像素分为道路和背景两大类，输出道路分割数据；S130.采用SCNN结构构建所述车道线检测子网络；所述车道线检测子网络接收所述特征图，将道路图像的像素分为n+1类，输出车道线检测数据；其中n为车道线条数，1为背景；S200.构建链接编码结构，用链接编码结构连接道路分割子网络和车道线检测子网络，道路分割子网络中的数据经链接编码结构被传输至车道线检测子网络；具体包括：S210.构建链接编码结构，包括4层，依次为池化层、卷积层、卷积层以及池化层，其中两个卷积层后均接ReLu非线性激活函数；S220.从道路分割子网络的特征图interpx8处引出输出到链接编码结构，经过所述池化层、卷积层、卷积层以及池化层处理，将得到的数据输入到车道线检测子网络中的interpx2，实现将链接编码结构添加到网络，并连同道路分割子网络和车道线检测子网络；S300.构建CULane数据集，实现卷积层参数共享；在CULane数据集上对道路分割子网络和车道线检测子网络进行轮流微调训练，并采用带动量的随机梯度下降法最小化交叉熵损失函数修正以提高车道线检测数据精度，最终输出修正后的车道线检测数据。