【技术实现步骤摘要】
基于改进U
‑
Net网络的车道线检测方法及装置
[0001]本专利技术涉及智能驾驶控制
，具体为基于改进U
‑
Net网络的车道线检测方法及装置。
技术介绍
[0002]人工智能技术的不断进步，促使人们对自动驾驶技术有了更高的要求。自动驾驶技术根据数据的流动，涉及环境感知、高精地图定位、预测决策、规划控制等多个领域。在自动驾驶的环境感知领域发展中，对车道线的精确感知和识别尤为重要，是自动驾驶能否成功实施的一个不可或缺的部分。
[0003]车道线检测方法分为两类，一类是传统的车道线检测方法，其通过对车载摄像头实时拍摄的图像，进行灰度转换、边缘提取、感兴趣区域ROI提取、霍夫变换和车道线拟合等操作来检测图像中的车道线，但这类方法对驾驶场景有较高的要求，在光照过强或过暗、道路情况复杂等场景中，车道线识别效果欠佳；另一类是基于深度学习的车道线检测方法，其通过获取大量的行车图像，构建合适的深度神经网络，训练得到一个具有较高泛化性的车道线检测模型，实现实时的车道线识别。但深度学习方法也存在...
【技术保护点】
【技术特征摘要】
1.基于改进U
‑
Net网络的车道线检测方法，其特征在于包括如下步骤：1)数据预处理：通过在车辆上配置的信号采集装置，采集行车图像，对图像中的交通场景进行预处理，对图像进行编号，形成最终的数据集；使用图像分割标注软件对数据集进行标注，获取数据集中每张行车图像的车道线标签，作为数据集的标签；2)建立基于U
‑
Net的车道线检测网络：由四个编码器和解码器组成，编码器用于提取数据集中行车图像的特征，由编码块一、编码块二、编码块三和编码块四串联而成,各编码块由卷积层、ReLU激活层、批归一化层、最大池化层4个编码单元构成，编码块一接收原始图像；解码器用于恢复车道线特征，包括解码块一、解码块二、解码块三和解码块四，各解码块由反卷积层、ReLU激活层、卷积层、批归一化层构成，在卷积层前设置特征拼接操作；3)将注意力机制模块嵌入U
‑
Net车道线检测网络：在编码块一与对应的解码块四之间，在编码块二与对应的解码块三之间，在编码块三与对应的解码块二之间，在编码块四与对应的解码块一之间，分别嵌入注意力机制模块；4)使用改进的U
‑
Net的车道线检测模型对行车图像进行检测，得到网络预测的车道线。2.根据权利要求1所述的基于改进U
‑
Net网络的车道线检测方法，其特征在于：行车图像，因车载摄像头镜头沾染异物导致的模糊、遮挡图像，进行剔除，将筛选后的图像制作成为原始数据集。3.根据权利要求3所述的基于改进U
‑
Net网络的车道线检测方法，其特征在于：对原始数据集，使用水平翻转、垂直翻转、缩放和增加高斯噪声的图像处理操作扩增数据集，生成更多的图像。4.根据权利要求1—3任一所述的基于改进U
‑
Net网络的车道线检测方法，其特征在于：对图像进行编号，并将图像设置为512*512大小。5.根据权利要求4所述的基于改进U
‑
Net网络的车道线检测方法，其特征在于：所述的编码块一接收原始图像，进行编码处理后的图像，分别输入编码块二和注意力机制模块，注意力机制模块处理后，再输入解码块四，再与解码块四接收到的解码块三输出的特征进行拼接，后续经过2次3x3x64的卷积层Conv处理和1次1x1的卷积层Conv处理，得到最终分割图像；编码块二接收编码块一输出的图像，进行编码处理后的图像，分别输入编码块三和注意力机制模块，注意力机制模块处理后，再输入解码块三，再与解码块三接收到的解码块二输出的特征进行拼接；编码块三接收编码块二输出的图像，进行编码处理后的图像，分别输入编码块四和注意力机制模块，...
【专利技术属性】
技术研发人员：郑文，徐光宇，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：
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。