【技术实现步骤摘要】
基于Spatial-LargeFOV深度学习网络的车道线检测方法
本专利技术涉及计算机视觉领域，尤其涉及一种基于Spatial-LargeFOV深度学习网络的车道线检测方法。
技术介绍
车道线检测技术是自动驾驶系统中必不可少的关键技术之一。在一些简单场景中，现有车道线检测算法的效果能满足实际应用需求，但是在开放、复杂的场景中进行准确的车道线检测仍然是一个充满挑战的任务，主要困难在于实际驾驶环境中的成像条件(天气、光照、遮挡等)和干扰因素(不同模式的车道线、地面路标及文字)增加了场景复杂性，加大了车道线检测的难度。大多传统车道线检测方法结合高度定制化的手工特征提取器和后处理步骤来检测车道线，首先利用车道线的颜色、纹理、形状等特征提取局部或全局特征，之后通过样条曲线拟合得到平滑的车道线。且大多数方法有严格的前提假设，例如车道线互相平行，车道线是直线的或接近直线，因此只能在有限的场景中解决车道线检测问题。基于深度学习的方法将计算机视觉领域推向了一个新的高度，尤其是卷积神经网络能够自动学习图像中有效的深层特征，目前在目标检测、目标跟踪等应用上都有非常出色的效果。因此基于深...
【技术保护点】
1.一种基于Spatial‑LargeFOV深度学习网络的车道线检测方法，其特征在于按照以下步骤进行：步骤1：对原始图像统一尺寸后，输入到分割网络中进行车道线的语义分割，不同的车道线分配不同的id，得到所有车道线分割结果的概率图，继续对下一帧输入图像进行车道线分割；步骤2：对车道线分割结果的概率图作后处理，即寻找每条车道线的最大响应点，得到每条车道线的车道点坐标集合，连接车道点即得到最终车道线检测结果。
【技术特征摘要】
1.一种基于Spatial-LargeFOV深度学习网络的车道线检测方法，其特征在于按照以下步骤进行：步骤1：对原始图像统一尺寸后，输入到分割网络中进行车道线的语义分割，不同的车道线分配不同的id，得到所有车道线分割结果的概率图，继续对下一帧输入图像进行车道线分割；步骤2：对车道线分割结果的概率图作后处理，即寻找每条车道线的最大响应点，得到每条车道线的车道点坐标集合，连接车道点即得到最终车道线检测结果。2.根据权利要求1所述的基于Spatial-LargeFOV深度学习网络的车道线检测方法，其特征在于：在步骤2中利用卷积神经网络模型进行车道线分割的具体步骤如下：步骤2-1：将原始行车图像统一为800*288大小的输入图像；步骤2-2：将步骤2-1得到的输入图像送到到用于车道线语义分割的卷积神经网络模型，网络输出车道线分割结果的概率图，概率图的维度对应输出的类别数（车道线类别数和背景）。3.根据权利要求1或2中所述的基于Spatial-LargeFOV深度学习网络的车道线检测方法，其特征在于：在步骤2中所述的用于车道线像素分割的卷积神经网络模型是一个结合了空间卷积结构、空洞卷积组合、跳跃连接和深度可分离卷积的轻量化网络，具体描述如下：在LargeFOV后添加解码器，扩展为编码器-解码器网络，且整体网络中将每一个卷积块的最后一个卷积层的步长设置为2来代替Maxpooling作下采样，只保留Conv5...
【专利技术属性】
技术研发人员：金文，岑翼刚，王荟苑，
申请(专利权)人：江苏金海星导航科技有限公司，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。