一种基于轻量级神经网络的车道图像分割方法技术

本发明专利技术涉及一种基于轻量级神经网络的车道图像分割方法。该方法包括：选取CULane数据集作为车道分割训练的数据集；利用轻量级神经网络对所述数据集的图像进行特征提取，得到预处理的特征图；利用所述特征图构建金字塔解析模块，对所述车道线图像进行粗略分割；根据所述粗略分割结果，融合车道结构损失函数对所述车道线图像进行细分，确定车道区域。本发明专利技术在不丢失分割网络框架准确性的前提下，提升了网络运行速度，增强了模型视觉线索的推理能力，满足了自动驾驶中实用性与高效性。满足了自动驾驶中实用性与高效性。满足了自动驾驶中实用性与高效性。

【技术实现步骤摘要】
一种基于轻量级神经网络的车道图像分割方法


[0001]本专利技术涉及道路交通的图像分割
，尤其是涉及一种基于轻量级神经网络的车道图像分割方法。

技术介绍

[0002]在自然场景下，精确而高效的车道分割是实现自动驾驶的重要基础。
[0003]传统的车道检测方法通常是基于视觉信息来解决问题的。这些方法通过图像滤波技术提取车道线的外观特征，实现车道检测，但在一些外观特征缺失的复杂场景中(如恶劣的天气条件、昏暗或极端的光线条件、严重遮挡)定位误差较大，很难保证检测结果的准确性。
[0004]随着深度神经网络的发展，层层堆叠的卷积神经网络被很好地运用在车道检测上。基于边界框确定目标位置的深度学习方法并不合适形状特征细长的车道线，它会导致严重的可视化错误。因而，考虑采用基于卷积神经网络(CNN)的语义分割方法拟合车道线。然而，CNN的主干提取网络富含冗余的特征信息，这将导致模型参数量巨大，计算成本过高，难以保证算法的高效性。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于轻量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级神经网络的车道图像分割方法，其特征在于，该方法包括以下步骤：步骤1：选取特定数据集作为车道分割训练的数据集；步骤2：利用轻量级神经网络对数据集中的图像进行特征提取，得到预处理的特征图；步骤3：利用预处理的特征图构建金字塔解析模块，对车道线图像进行粗略分割；步骤4：根据粗略分割结果，融合车道结构损失函数对车道线图像进行细分，最终确定车道区域。2.根据权利要求1所述的一种基于轻量级神经网络的车道图像分割方法，其特征在于，所述的步骤2包括以下分步骤：步骤201：以VGG
‑
16网络结构为基础，将其中的卷积层替换为轻量级Shadow卷积层，构建轻量级神经网络Shadow
‑
VGG
‑
16；步骤202：将数据集中的图像的每个像素减去该图像的对应RGB均值，同时进行高斯降噪与平滑处理，得到预处理后的图像；步骤203：利用轻量级神经网络Shadow
‑
VGG
‑
16的对预处理后的图像进行特征提取，得到特征图。3.根据权利要求1所述的一种基于轻量级神经网络的车道图像分割方法，其特征在于，所述的步骤3包括以下分步骤：步骤301：在所得到的特征图后添加4个不同大小的池化层以构建金字塔解析模块，生成不同尺度的特征区域；步骤302：在不同尺度的特征区域后，使用卷积层进行通道数调整；步骤303：利用注意力机制将原始特征图与经通道调整后的输出特征图聚合，得到粗略分割结果。4.根据权利要求3所述的一种基于轻量级神经网络的车道图像分割方法，其特征在于，所述的步骤301中的池化层包括尺寸大小分别为1x1、2x2、4x4以及6x6的池化层。5.根据权利要求3所述的一种基于轻量级神经网络的车道图像分割方法，其特征在于，所述的步骤303中...

【专利技术属性】
技术研发人员：黄孝慈，吕泽正，曹文冠，舒方林，梁耀中，种玉祥，邢梦阳，杜嘉豪，张涛，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：