一种车道线检测方法技术

本发明专利技术提供一种车道线检测方法，包括以下步骤：S1：获取道路图像，对道路图像进行预处理，得到输入图像；S2：利用车道线识别模型识别输入图像中是否存在车道线，若存在车道线，则执行步骤S3，若不存在车道线，执行步骤S5；S3：利用车道线检测模型对输入图像进行检测，将检测结果映射为车道线在输入图像中的坐标，得到车道线坐标点；S4：选取车道线中间部分的车道线坐标点进行拟合处理，得到最优拟合车道线作为输出结果；S5：执行结束。本发明专利技术提供一种车道线检测方法，解决了目前的车道线检测技术还不够完善的问题。够完善的问题。够完善的问题。

【技术实现步骤摘要】
一种车道线检测方法


[0001]本专利技术涉及车道线检测
，更具体的，涉及一种车道线检测方法。

技术介绍

[0002]车道线检测通常被定义为：在车辆行进视频或图像中检测出车道线的位置。车道线检测是辅助驾驶和自动驾驶的重要组成部分，车道线偏离报警及车道线保持可以及时纠正驾驶员的不慎操作，减少因错误操作和疲劳驾驶而造成的交通事故，从而有效保障驾驶安全、降低行车事故率。
[0003]近年来自动驾驶基础逐渐成熟被应用，车道线检测任务被视为自动驾驶领域的关键性问题。该任务主要有三个关键点：第一是在车道线被大部分遮挡或完全遮挡的条件下，在更高的语义层面检测出车道线的具体位置；第二是根据当前路况信息将车道线的走向进行检测，如：在红绿灯或人行道等路况中，需要进行识别及判断前方是否存在车道线。第三点在于速度上的需求，自动驾驶中对车道线检测算法是达到事实的需求下，保证其检测的准确性。
[0004]得益于深度学习模型强大的特征提取能力，现有的车道线检测技术主要依赖于深度学习方法实现。基于深度学习方法的车道线检测技术一般可分为两大类：一类是基于语本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线检测方法，其特征在于，包括以下步骤：S1：获取道路图像，对道路图像进行预处理，得到输入图像；S2：利用车道线识别模型识别输入图像中是否存在车道线，若存在车道线，则执行步骤S3，若不存在车道线，则输出结果为无车道线，执行步骤S5；所述车道线识别模型基于卷积神经网络Vgg16构建；S3：利用车道线检测模型对输入图像进行检测，将检测结果映射为车道线在输入图像中的坐标，得到车道线坐标点；所述车道线检测模型基于改进分割注意力模型的ResNeSt18特征提取网络构建；S4：选取车道线中间部分的车道线坐标点进行拟合处理，得到最优拟合车道线作为输出结果；S5：执行结束。2.根据权利要求1所述的一种车道线检测方法，其特征在于，步骤S1中预处理包括图像灰度化处理和图像滤波处理。3.根据权利要求1所述的一种车道线检测方法，其特征在于，所述ResNeSt18特征提取网络的分割注意力模型的改进具体为：将输入分割注意力模型的特征图先进行卷积、激活和池化操作，再将特征图分割为多个子特征图，然后让各个子特征图分别进入不同的子通道中，经过1*1卷积层学习得到各个子通道的特征，形成注意力机制，最后将各个子通道的特征融合，输出融合后的特征图。4.根据权利要求3所述的一种车道线检测方法，其特征在于，所述车道线检测模型在训练时结合语义分割网络U
‑
Net进行多任务学习，并通过反向传播的方式进行权重更新；其中，所述车道线检测模型包括四个Layer层，前三个Layer层输出的特征图作为语义分割网络U
‑
Net的输入。5.根据权利要求4所述的一种车道线检测方法，其特征在于，在将输入图像输入车道线检测模型进行检测之前还包括以下步骤：A1：将输入图像压缩为预设的尺寸；A2：对输入图像做数据增强处理，包括图像旋转随机角度和图像左右偏移；A3：将输入图像并行地做两部分处理，分别作为车道线检测模型的输入和语义分割网络U
‑
Net的标签，具体处理步骤如下：A3.1：将输入图像划分为w*h个网格，并(结合车道线识别模型的识别结果)标注每个网格是否存在车道线，其中，w表示输入图像被划分的列数，h表示输入图像被划分的行数；A3.2：将输入图像压缩为适合语义分割网络U
‑
Net网络结构的标签数据。6.根据权利要求5所述的一种车道线检测方法，其特征在于，定义所述车道线检测模型和语义分割网络U
‑
Net结合后的整体损失函数为：loss＝α*L
cls
+β*L
sim
+γ*L
shp
+μ*L
seg
其中，L
cls
为车道线检测模型的分类损失函数、L
sim
为约束车道线结构的相似性损失函数、L
shap
为约束车道线结构的形状损失函数、L
seg
为语义分割网络U
‑
Net的交叉熵损失函数，α为L
cls
的权重值、β为L
sim

【专利技术属性】
技术研发人员：付本刚，吴秋硕，
申请(专利权)人：江苏航天大为科技股份有限公司，
类型：发明
国别省市：