一种多车道线识别方法及装置制造方法及图纸

本发明专利技术涉及一种多车道线识别方法及装置，包括以下步骤：采集若干张道路原始图像，生成图像数据集；构建深度学习网络模型，将图像数据集输入到深度学习网络模型中进行优化训练；在优化的过程中通过反卷积计算对特征图进行了还原，得到优化的深度网络学习模型；之后，将道路原始图像输入到训练好的深度学习网络模型中，得到待识别的道路图像的特征图；对上述待识别的道路图像的特征图进行拟合，得到车道线的识别结果图。即本发明专利技术中对深度学习模型进行改进，不仅降低了计算量，而且提高了车道线识别的准确度。

A recognition method and device of multi lane line

【技术实现步骤摘要】
一种多车道线识别方法及装置
本专利技术属于无人驾驶和高级辅助驾驶系统领域，具体涉及一种多车道线识别方法及装置。
技术介绍
随着智能化系统被应用到车辆驾驶领域中，越来越多的车辆上配置了能够实现自动驾驶功能或辅助驾驶功能的智能系统。为了实现自动驾驶功能或辅助驾驶功能，车辆上的智能系统通常需要从车辆周围的道路图像中识别出车道线，以确定车辆附近的行驶车道，从而指导车辆的驾驶。实现车道线识别所面临的困难主要有两大因素：1)光照和天气因素。例如，夜间的路灯和汽车尾灯，雨天后的路面积水等都会由于光照不均而影响车道线的准确识别；此外，在大风、雾霾等能见度低的恶劣天气条件下，计算机很难区分路面像素与车道线像素，极易影响车道线的检测；2)道路因素。例如，车道线破损、颜色褪色、道路两旁的植物和围栏的阴影、以及路面车辆对车道线的遮挡等也会影响车道线的识别。目前车道线的检测方法主要分为基于模型、基于特征以及基于深度学习的三种方法。基于特征的车道线检测算法，利用车道线与路面之间以及周边之间的纹理、灰度值、梯度变换以及边缘等特征差异，通过阈值分割的方法，将车道线的特征信息从图像中分离出来。基于模型的方法的原理是将本文档来自技高网...

【技术保护点】
1.一种多车道线识别方法，其特征在于，包括以下步骤：1)，采集若干张道路原始图像，生成图像数据集；2)，构建深度学习网络模型，将图像数据集输入到深度学习网络模型中进行优化训练；其中，所述优化训练的过程包括：A，通过卷积计算和降维分别得到M个降维层的特征图；B，对第N降维层的输出结果进行卷积计算，得到partM、对第M‑1降维层的输出结果进行卷积计算得到partM‑1、…、对第M‑n降维层的输出结果进行卷积计算得到partM‑n，其中n＝0,1,2…，M‑1；C，对partM进行反卷积计算，得到partM’；将得到的partM’与第M‑1降维层的partM‑1进行叠加，并对partM’+part...

【技术特征摘要】
1.一种多车道线识别方法，其特征在于，包括以下步骤：1)，采集若干张道路原始图像，生成图像数据集；2)，构建深度学习网络模型，将图像数据集输入到深度学习网络模型中进行优化训练；其中，所述优化训练的过程包括：A，通过卷积计算和降维分别得到M个降维层的特征图；B，对第N降维层的输出结果进行卷积计算，得到partM、对第M-1降维层的输出结果进行卷积计算得到partM-1、…、对第M-n降维层的输出结果进行卷积计算得到partM-n，其中n＝0,1,2…，M-1；C，对partM进行反卷积计算，得到partM’；将得到的partM’与第M-1降维层的partM-1进行叠加，并对partM’+partM-1做反卷积计算，计算结果与partM-2叠加，叠加后进行反卷积计算，依次类推，直至与partM-n叠加，并对叠加后的结果进行反卷积；D，对还原后的特征图进行处理，得到最终神经网络输出图像的特征图outputfinal；E，进行迭代训练，更新模型参数，计算损失函数，当损失函数的值最小时，保存网络参数值，结束训练；得到优化的深度网络学习模型；3)，将道路原始图像输入到训练好的深度学习网络模型中，得到待识别的道路图像的特征图；4)，对上述待识别的道路图像的特征图进行拟合，得到车道线的识别结果图。2.根据权利要求1所述的多车道线识别方法，其特征在于，步骤A中，在降维之前，还包括对卷积后的特征图进行归一化处理和非线性映射处理。3.根据权利要求1所述的多车道线识别方法，其特征在于，步骤E中，所述损失函数为：其中，Sfenlei为分类误差，Scanshu为张量W的参数误差；是模型对输出结果的预测值，y是真实结果的值，N表示真实结果图像上标签值为1的点的数量，λ是平衡两个误差选取的权重，在试验过程中取0.001，o表示模型中卷积层和反卷积层总共的层数；Wj是第j层卷积核参数的值，h表示矩阵Wj元素的数量。4.根据权利要求1所述的多车道线识别方法，其特征在于，步骤E中，模型参数的更新方式为：W＝W-vt式中，vt表示参数更新变化的方向和值，值为正表示正向，反之则为反向，vt-1为上一次迭代的变化值，γ为一个固定参数取0.9；α为学习率，初始取值为0.0005，为函数S关于张量W的导数。5.根据权利要求1所述的多车道线识别方法，其特征在于，所述步骤D中的对还原后的特征图进行处理为：将还原后的特征图输入到分类器，对特征图中的每个位置的像素点进行分类，所述分类器为：Fq表示该像素点是车道线像素点的概率，eq表示该像素点的值，q＝1,2。6.根据权利要求1所述的多车道线识别方法，其特征在于，所述步骤4)包括：S1：对神经网络的输出结果进行透视变换；S2：再利用Hough变换对图像进...

【专利技术属性】
技术研发人员：樊超，宋雨佩，杨铁军，傅洪亮，闫洪涛，樊一飞，焦亚杰，邢超，陈立，靳婷，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南,41