一种特殊线型车道线检测模型的训练方法技术

本发明专利技术涉及一种智能驾驶技术领域，具体涉及一种特殊线型车道线检测模型的训练方法；此外，本发明专利技术还涉及一种用该检测模型进行车道线检测的系统。该训练方法包括步骤S101：获取道路样本图像，所述道路样本图像标注有正常车道线与Y型车道线的位置信息；步骤102：将所述道路样本图像输入到预先建立的初始神经网络模型；步骤103：利用所述道路样本图像训练所述初始神经网络模型，得到特殊线型车道线检测模型。对于获取的Y型车道线，采用一个向量来表示车道线位置，所述向量中的数值表示车道线上均匀分布的点的坐标，并且在初始神经网络模型基础上，采用微调的方法，利用道路样本图像，对神经网络进行训练。相比于现有技术，本发明专利技术能很好地解决特殊线型如Y型线检测问题。

A training method for lane line detection model of special line type

【技术实现步骤摘要】
一种特殊线型车道线检测模型的训练方法
本专利技术涉及一种智能驾驶
，具体涉及一种特殊线型车道线检测模型的训练方法。
技术介绍
随着科学技术的发展，自动驾驶、无人车等新兴概念应运而生。车道线检测技术是先进驾驶辅助系统的道路场景分析中的重要元素，是自动驾驶技术中一个不可或缺的部分。具体的，车辆的摄像头等传感器可以获取车辆当前所处的环境的视觉图像，采用车道线检测技术对传感器获取的车辆前方或后方道路图像信息进行处理，可以得到图像中的车道线的位置，从而指导车辆的驾驶。正常的车道线通常以多种样式的标记线的形式标记在道路地面上。在道路出现匝道的地方，通常会出现一种特殊线型的车道线，也就是Y型线，如图1所示。现有的车道线检测方法，一类是基于特征的算法，主要是利用颜色、纹理、形状等信息来提取车道线。但是当路面光照发生变化、标志线磨损或者路面出现水渍、阴影等情况时，都将会影响检测效果。一类是基于模型的算法，这种方法首先估计道路模型，然后利用霍夫变换或者其他图像信息确定模型参数，常用的道路模型有直线模型，抛物线模型，三次样条曲线模型等。大量研究发现：直线模型虽然算法简单运行速度快，但是不适合弯曲的车道线检测，应用范围窄；抛物线模型易受到复杂道路环境的影响，鲁棒性不好；三次样条曲线模型虽然检测效果比较好，但是算法复杂计算量大。出现上述问题的一个关键是现有的车道线检测方法不能很好地解决特殊线型如Y型线检测问题。出现上述缺陷的一个方面在于没有形成一个有效的特殊车道线型检测模型。更没有引入神经网络等模型工具进行优化处理，这些都造成了对特殊车道线识别的缺陷。
技术实现思路
针对目前对车道线模型的建立以及训练没有形成有效的体系的缺点，提出本专利技术。本专利技术的第一方面，是提出了一种特殊线型车道线检测模型的训练方法，包括以下步骤：步骤101：获取道路样本图像，所述道路样本图像标注有正常车道线与Y型车道线的位置信息；其中采用一个向量来表示车道线位置，所述向量中的数值表示车道线上均匀分布的点的坐标；其中对于所述Y型车道线，所述向量的长度为M，其中M＝2*N；所述向量的维度为N；步骤102：将所述道路样本图像输入到预先建立的初始神经网络模型；步骤103：利用所述道路样本图像训练所述初始神经网络模型，得到特殊线型车道线检测模型。优选的，所述步骤102中初始神经网络模型中包含空间金字塔池化层，并适应任意大小的图片，以满足不对道路样本图像进行缩放，避免图像信息的损失。优选的，以FasterR-CNN作为所述初始神经网络模型。优选的，所述步骤103中，所述初始神经网络模型中的卷积层学习所述道路样本图像中的车道线位置的特征；根据学习到的所述道路样本图像的相关特征以及所述初始神经网络模型中的全连接层对相关特征进行映射，得到车道线位置的识别结果，将所述车道线位置的识别结果与所述道路样本图像预先标注的车道线位置进行比较，对所述初始神经网络模型的参数进行优化，当所述初始神经网络模型经过多次训练样本的迭代训练后，获得所述特殊线型车道线检测模型。本专利技术的第二方面，是提供一种车道线检测系统，其特征在于：所述系统包括：待检测道路图像获取单元、车道线检测模型、预测解析单元、处理单元；所述系统所述将待检测道路图像获取单元获取的图像输入到所述车道线检测模型，所述车道线检测模型输出神经网络模型的输出信息，所述输出信息包括至少两种不同类型车道线的概率；其中所述车道线检测模型为上述的训练方法训练得到；所述预测解析单元对所述输出信息进行解析，得到所有预测的车道线；所述处理单元对所述所有预测的车道线进行非极大值抑制后处理，得到最终的车道线检测结果。优选的，所述预测解析单元通过对所述神经网络模型逐个单元输出的四组向量进行解析来得到所有的车道线。优选的，还包括一报警单元，该报警单元用于在所判断出车道线存在Y型线时发出报警信息。本专利技术的第三方面，是提供一种应用，该应用是上述的训练方法在车道线检测中的应用。本专利技术的第四方面，是提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现上述的任一项所述的训练方法。本专利技术的专利技术点在于以下几点，但又不限于以下几点：(1)本专利技术基于深度卷积神经网络，将车道线检测形式化为正常车道线和Y型线两种类型的检测，直接用两条线联合表示Y型线，进行通过分支分离，一个分支负责预测正常的线型，一个分支专注预测Y型线，可以很好的解决Y型线的检测问题。在这里，分支分离与深度卷积神经网络处于解决Y型线检测识别的目的相互配合，不是两者的简单叠加。(2)本专利技术通过将在对象检测领域取得非常好的结果的卷积神经网络方法引入车道线检测中，并且对其进行优化，既可以有效地解决多种路面状况下车道线检测鲁棒性差的问题，又可以实现对特殊线型的检测，与传统方法相比有很大进步。(3)训练模型采用了有监督的训练方式，因而，道路样本图像中标注有车道线位置信息。通过标注车道线位置信息，可以加快模型训练的速率，提高模型检测的准确率。在现有技术中还未发现在特殊车道线的检测中引入该监督学习。这是因为监督学习的完成需要前期图像标注的信息相关，现有技术中并未发现有将特殊车道线信息的标注与后期的神经网络中监督学习相联系。(4)以深度学习神经网络作为初始模型，并对其进行优化，具体包括将学习到的所述道路样本图像的相关特征，所述初始神经网络模型中的全连接层对相关特征进行映射，得到车道线位置的识别结果，将所述车道线位置的识别结果与所述道路样本图像预先标注的车道线位置进行比较，以所述对初始神经网络模型的参数进行优化。这些优化都是为了得到实践证明适配较好的检测模型而进行的。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：图1为正常的车道线与特殊型线Y型线的示意图；图2为本申请实施例中一种特殊线型车道线检测模型的训练方法的流程图；图3为本申请实施例中一种特殊线型车道线检测方法的流程图；图4为本申请实施例一种可能的实现方式的算法框架。具体实施例为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施方式及其说明用于解释本专利技术，但并不作为对本专利技术的限定。本申请实例提供了一种特殊线型车道线检测模型的训练方法和基于该特殊线型车道线检测模型的特殊线型车道线检测方法。上述特殊线型车道线检测模型以及特殊线型车道线检测方法，可以应用于终端、服务器或者二者的结合。其中，终端可以是现有的、正在研发的或将来研发的、能够通过任何形式的有线和/或无线连接(例如，Wi-Fi、LAN、蜂窝、同轴电缆等)实现与服务器交互的任何用户设备，包括但不限于：现有的、正在研发的或将来研发的智能手机、非智能手机、平板电脑、膝上型个人计算机、桌面型个人计算机、小型计算机、中型计算机、大型计算机等。本本文档来自技高网...

【技术保护点】
1.一种特殊线型车道线检测模型的训练方法，包括以下步骤：/n步骤101：获取道路样本图像，所述道路样本图像标注有正常车道线与Y型车道线的位置信息；其中采用一个向量来表示车道线位置，所述向量中的数值表示车道线上均匀分布的点的坐标；其中对于所述Y型车道线，所述向量的长度为M，其中M＝2*N；所述向量的维度为N；/n步骤102：将所述道路样本图像输入到预先建立的初始神经网络模型；/n步骤103：利用所述道路样本图像训练所述初始神经网络模型，得到特殊线型车道线检测模型。/n

【技术特征摘要】
1.一种特殊线型车道线检测模型的训练方法，包括以下步骤：
步骤101：获取道路样本图像，所述道路样本图像标注有正常车道线与Y型车道线的位置信息；其中采用一个向量来表示车道线位置，所述向量中的数值表示车道线上均匀分布的点的坐标；其中对于所述Y型车道线，所述向量的长度为M，其中M＝2*N；所述向量的维度为N；
步骤102：将所述道路样本图像输入到预先建立的初始神经网络模型；
步骤103：利用所述道路样本图像训练所述初始神经网络模型，得到特殊线型车道线检测模型。


2.根据权利要求1所述的训练方法，所述步骤102中初始神经网络模型中包含空间金字塔池化层，并适应任意大小的图片，以满足不对道路样本图像进行缩放，避免图像信息的损失。


3.根据权利要求1所述的训练方法，以FasterR-CNN作为所述初始神经网络模型。


4.根据权利要求1所述的训练方法，所述步骤103中，所述初始神经网络模型中的卷积层学习所述道路样本图像中的车道线位置的特征；根据学习到的所述道路样本图像的相关特征以及所述初始神经网络模型中的全连接层对相关特征进行映射，得到车道线位置的识别结果，将所述车道线位置的识别结果与所述道路样本图像预先标注的车道线位置进行比较，对所述初始神经网络模型的参数进...

【专利技术属性】
技术研发人员：张驰，蒋竺希，陈佳辉，
申请(专利权)人：初速度苏州科技有限公司，
类型：发明
国别省市：江苏;32