一种基于深度神经网络的车道线检测方法技术

本发明专利技术涉及一种基于深度神经网络的车道线检测方法，包括下列步骤：利用车道线的样本图像构建数据集，使用不同颜色将图像标注为车道线类和背景类，作为数据集对应的标签，将数据集划分为训练集、验证集和测试集；搭建基于卷积神经网络的encoder‑decoder车道线检测网络模型，该网络由下采样部分和上采样部分组成，网络输入为待检测图像，网络输出为车道线检测效果图；使用训练数据集对所述的网络模型进行训练；给定待检测的图像，将其输入给训练好的车道线检测网络，输出的检测图像即是最终车道线检测结果。

A Lane Line Detection Method Based on Depth Neural Network

【技术实现步骤摘要】
一种基于深度神经网络的车道线检测方法
本专利技术属于图像处理和模式识别
，具体涉及一种基于深度神经网络的车道线检测方法。
技术介绍
近年来，自动驾驶在学术界和工业界都受到了广泛的关注。自主驾驶最具挑战性的任务之一是交通场景的理解，包括车道检测和语义分割等计算机视觉任务。车道检测有助于引导车辆，可用于驾驶辅助系统。传统的检测方法主要是基于图像处理技术对待检测图像进行边缘检测、阈值化处理和曲线拟合。Aly提出了一种实时和鲁棒的方法[M.Aly,RealtimeDetectionofLaneMarkersinUrbanStreets,IEEEIntelligentVehiclesSymposium,Eindhoven,TheNetherlands,June2008.]来检测城市道路车道线标志。该方法首先使用逆透视映射得到道路图像的俯视图，以避免道路图片行车产生的近大远小效果；然后使用高斯卷积滤波器，对逆透视变换得到的俯视图滤波；接着使用简化的Hough变换，对滤波后的结果进行直线检测；随后利用RANSAC进行样条曲线拟合；最后，进行后处理，利用原始图片对车道线进行定位、延伸及几何检查本文档来自技高网...

【技术保护点】
1.一种基于基于深度神经网络的车道线检测方法，包括下列步骤：步骤1：利用车道线的样本图像构建数据集，使用不同颜色将图像标注为车道线类和背景类，作为数据集对应的标签，将数据集划分为训练集、验证集和测试集；步骤2：搭建基于卷积神经网络的encoder‑decoder车道线检测网络模型，该网络由下采样部分和上采样部分组成，网络输入为待检测图像，网络输出为车道线检测效果图，网络输入、输出分辨率相同，encoder‑decoder网络模型中的下采样部分通过具有池化操作的卷积流实现，下采样部分由三个卷积层和两个最大池化层组成，三个卷积层的卷积核大小均为3×3，卷积步长均为1，卷积核数目分别为16、32、6...

【技术特征摘要】
1.一种基于基于深度神经网络的车道线检测方法，包括下列步骤：步骤1：利用车道线的样本图像构建数据集，使用不同颜色将图像标注为车道线类和背景类，作为数据集对应的标签，将数据集划分为训练集、验证集和测试集；步骤2：搭建基于卷积神经网络的encoder-decoder车道线检测网络模型，该网络由下采样部分和上采样部分组成，网络输入为待检测图像，网络输出为车道线检测效果图，网络输入、输出分辨率相同，encoder-decoder网络模型中的下采样部分通过具有池化操作的卷积流实现，下采样部分由三个卷积层和两个最大池化层组成，三个卷积层的卷积核大小均为3×3，卷积步长均为1，卷积核数目分别为16、32、64，前两个卷积层后均加一个BN层和一个Relu激活层，两个最大池化层的池化核大小均为3×3，池化步长均为2；上采样部分通过双线性插值和卷积实现，上...

【专利技术属性】
技术研发人员：朱新山，杨璐，陈曦，任超，郝惠婷，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12