一种结合SegNet和U-Net的车道线检测方法和装置制造方法及图纸

本发明专利技术提供一种结合SegNet和U‑Net网络的车道线检测方法，包括以下步骤：制作数据集和标签；构建基于SegNet的车道线检测网络；将U‑Net网络的跳跃连接结构加入所述的基于SegNet的车道线检测网络，得到一种结合SegNet和U‑Net的车道线检测网络；使用所述结合SegNet和U‑Net网络的车道线检测网络对待识别的行车场景图像进行检测，得到检测结果。本发明专利技术提出车道线检测方法，克服原有SegNet模型提取的特征过于单一的问题，提高车道线检测的精度。

【技术实现步骤摘要】
一种结合SegNet和U-Net的车道线检测方法和装置
本专利技术涉车道线检测领域，特别是涉及一种结合SegNet和U-Net模型的车道线检测方法和装置。
技术介绍
目前车道线检测技术主要分为两种：基于传统的车道线检测技术和基于深度学习的车道线检测技术。车道线检测最早是用传统方法来实现的，一般由失真校正、逆透视变换(IPMTransform)、特征提取、曲线拟合和跟踪五个步骤组成，其中第一和第五步可视为非必须步骤。但是由于传统的车道线识别模型完全基于计算机视觉，通过图像处理、阈值设置等检测出车道线。这种模型单一且具有很强的局限性。通常相同的阈值通常只能识别特定环境下的车道线，而近年发展起来的深度学习刚好可以弥补这种不足。基于深度学习的车道线检测技术是近几年学术界讨论的热门。深度学习的基础模型包括CNN卷积神经网络、RNN循环神经网络、LSTM循环神经网络等。目前车道线检测大体步骤与传统网络部分相似，局部优化处理种类繁多，其中较为热门的车道线检测大多数都包含CNN、RNN等基本框架。基于深度学习的车道线检测方法大幅提高了检测精度与本文档来自技高网...

【技术保护点】
1.一种结合SegNet和U-Net网络的车道线检测方法，其特征在于，包括以下步骤：/n制作数据集和标签；/n构建基于SegNet的车道线检测网络；/n将U-Net网络的跳跃连接结构加入所述的基于SegNet的车道线检测网络，得到一种结合SegNet和U-Net的车道线检测网络；/n使用所述结合SegNet和U-Net网络的车道线检测网络对待识别的行车场景图像进行检测，得到检测结果。/n

【技术特征摘要】
1.一种结合SegNet和U-Net网络的车道线检测方法，其特征在于，包括以下步骤：
制作数据集和标签；
构建基于SegNet的车道线检测网络；
将U-Net网络的跳跃连接结构加入所述的基于SegNet的车道线检测网络，得到一种结合SegNet和U-Net的车道线检测网络；
使用所述结合SegNet和U-Net网络的车道线检测网络对待识别的行车场景图像进行检测，得到检测结果。


2.根据权利要求1所述的一种结合SegNet和U-Net网络的车道线检测方法，其特征在于：所述制作数据集和标签，具体为：
选取行车场景图像；
对行车场景图像进行预处理；
对预处理后的行车场景图像进行旋转、水平翻转处理，得到扩展后的图像，作为数据集；
将数据集中的行车场景图像转换为二值图像，并采用最大类间方差法获取车道线在图像中所对应的像素点，进行灰度值赋值处理，得到灰度值赋值处理后的二值图像，作为数据集的标签；
选取训练样本。


3.根据权利要求1所述的一种结合SegNet和U-Net网络的车道线检测方法，其特征在于，所述构建基于SegNet的车道线检测网络，具体包括：
所述基于SegNet的车道线检测网络，包括编码模块和解码模块；
所述编码模块对输入图像进行多次卷积、ReLU激活、批量标准化、最大池化操作，得到用于提取车道线的多层特征图；
所述解码模块对输入的多层特征图进行多次反卷积、ReLU激活、批量标准化操作，用于根据编码模块提取的特征，逐层对车道线进行识别和分割，最终完成对车道线的检测。


4.根据权利要求3所述的一种结合SegNet和U-Net网络的车道线检测方法，其特征在于，所述编码模块由第一编码单元、第二编码单元、第三编码单元和第四编码单元串联组成；
所述第一编码单元、第三编码单元和第四编码单元均由卷积层、批量标准化层、卷积层、批量标准化层、池化层串联组成；所述第二编码单元由卷积层、批量标准化层、卷积层、批量标准化层、卷积层、批量标准层、池化层串联组成。


5.根据权利要求3所述的一种结合SegNet和U-Net网络的车道线检测方法，其特征在于，所述解码模块由第一解码单元、第二解码单元、第三解码单和第四解码单元串联组成；
所述第一解码单元和第二解码单...

【专利技术属性】
技术研发人员：朱显丞，黄德天，陈健，吴娇绿，于耀博，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35