【技术实现步骤摘要】
一种基于半监督生成对抗网络的车道线检测方法
本专利技术涉及计算机视觉领域，特别涉及一种基于半监督生成对抗网络的车道线检测方法。
技术介绍
传统的车道线检测方法依靠高度专业化、手工制作的特征和启发式的组合来识别车道段。包括基于颜色的特征、结构张量、条形过滤器、山脊特征等，这些特征可能组合在一起用Hough变换和粒子或卡尔曼过滤器。识别车道段后采用后处理技术过滤掉错误检测，并将片段组合在一起形成最终结果车道。一般来说，这些传统的方法由于道路场景的变化，容易出现鲁棒性问题，这种基于模型的系统很难对其进行建模。因此传统的车道线检测方法难以应用于自主驾驶系统或驾驶辅助系统实时检测效果要求比较高的环境。目前有很多基于卷积神经网络的语义分割算法，但对于车道线的识别，它们存在分割结果不精确，不连续等问题。生成对抗网络(GenerativeAdversarialNetworksGAN)，是IanJ.Goodfellow等于2014年提出的一种生成式模型，由一个生成器和一个判别器构成，生成器用于估测数据的潜在分布，并生成新的数据...
【技术保护点】
1.一种基于半监督生成对抗网络的车道线检测方法，其特征在于，包括步骤：/nS1、构建生成对抗网络，其包含生成器网络和基于全卷积的判别器网络；选取Tusimple车道线数据集中的若干数据，建立所述生成对抗网络的训练集、验证集、测试集；/nS2、通过所述训练集中的带标签数据对所述生成对抗网络进行预训练；/nS3、使用所述训练集中的带标签数据和未带标签数据对所述生成对抗网络进行真实训练，并通过所述验证集在真实训练过程中调整生成对抗网络的超参数；/nS4、真实训练结束后，通过所述测试集对生成对抗网络的泛化能力进行评估，若达到预设的标准，进入S5；/nS5、将实际街道图像输入经过真实...
【技术特征摘要】
1.一种基于半监督生成对抗网络的车道线检测方法，其特征在于，包括步骤：
S1、构建生成对抗网络，其包含生成器网络和基于全卷积的判别器网络；选取Tusimple车道线数据集中的若干数据，建立所述生成对抗网络的训练集、验证集、测试集；
S2、通过所述训练集中的带标签数据对所述生成对抗网络进行预训练；
S3、使用所述训练集中的带标签数据和未带标签数据对所述生成对抗网络进行真实训练，并通过所述验证集在真实训练过程中调整生成对抗网络的超参数；
S4、真实训练结束后，通过所述测试集对生成对抗网络的泛化能力进行评估，若达到预设的标准，进入S5；
S5、将实际街道图像输入经过真实训练的生成器网络，得到实际街道图像的实际车道线；将所述实际车道线叠加到实际街道图像上，完成车道线检测。
2.如权利要求1所述的基于半监督生成对抗网络的车道线检测方法，其特征在于，所述步骤S2具体包含：
S21、用训练集中带标签的数据对所述生成器网络进行M次训练，判别器网络保持不变；
S22、用训练集中带标签的数据对所述判别器网络进行N次训练，生成器网络保持不变。
3.如权利要求1所述的基于半监督生成对抗网络的车道线检测方法，其特征在于，所述步骤S3具体包含：
S31、通过程序处理训练集中带标签的数据，生成对应的标签图；对所述标签图中的像素进行编码，转换标签图为对应的标签概率图；
S32、将训练集中带标签的数据输入生成器网络，对生成器网络进行m此训练，通过生成器网络输出对应的预测图；通过条件随机场模型对所述预测图中的每个像素求取该像素为车道线像素的概率，生成与所述预测图对应的预测概率图；
S33、将所述预测概率图或标签概率图输入判别器网络，对判别器网络进行n次训练，判别器网络生成对应的置信图，并通过随机梯度下降优化方法，利用误差反向传播更新自身参数；
S34、判别器向生成器网络进行梯度反馈，生成器网络将所述置信图作为监督信号，判断所述预测图中的可信区域，并通过Adam优化算法，利用误差反向传播来更新自身参数；重复步骤S31至S34，当判别器网络的损失函数不再减小时，停止训练判别器网络，进入S35；
S35、将训练集中不带标签的数据输入生成器网络进行半监督训练，生成器输出对应的预测图；通过条件随机场模型生成与预测图对应的预测概率图；判别器网络保持不变，将预测概率图输入判别器网络，由判别器网络生成对应的置信图；生成器网络通过所述置信图判断预测图中...
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。