一种基于卷积神经网络的车道线检测方法技术

本发明专利技术公开了一种基于卷积神经网络的车道线检测方法，步骤如下：获取待识别图像，并对获取的图像进行预处理；确定ROI区域；建立车道线坐标回归网络；对车道线特征进行提取，以获取车道线的位置信息；在预处理后得到的图像中的ROI区域以每个定位点为中心按照64

【技术实现步骤摘要】
一种基于卷积神经网络的车道线检测方法


[0001]本专利技术属于车道线检测
，具体涉及一种基于卷积神经网络的车道线检测方法。

技术介绍

[0002]当今，随着汽车工业技术和经济的飞速发展，世界汽车保有量迅速增长。汽车的普及虽然给人们的生活带来了便利，但也给人们的生活安全带来了许多问题，如交通拥堵、交通事故、环境污染等，随着交通事故的增多，交通安全变得越来越重要。自动驾驶和高级助力驾驶的功能越来越受到人们的重视，在自动驾驶和高级助力驾驶系统中，车道线的视觉检测是车道偏离警告系统(LDW)和车道保持系统(LKA)的核心，其主要功能是安全地引导车辆行驶在指定的正线上正确的位置，确保车辆安全、规范地行驶。
[0003]现有的车道线检测方法主要分为传统图像处理方法和基于深度学习的方法：
[0004](1)传统图像处理方法：通过图像预处理和特征提取来提取车道线，提取的特征主要是颜色和纹理特征；这些特性由霍夫变换或卡尔曼滤波器组合而成。识别车道线后，通过后处理形成最后一条车道线。所述传统方法具有计算成本低的优点，但只能在有限的场景中执行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的车道线检测方法，其特征在于，步骤如下：1)获取待识别图像，并对获取的图像进行预处理；2)确定ROI区域；3)建立车道线坐标回归网络；4)将分辨率大小为224
×
224的图像输入车道线坐标回归网络，对车道线特征进行提取，以获取车道线的位置信息；5)根据获取的车道线定位信息，在步骤1)中预处理后得到的图像中的ROI区域以每个定位点为中心按照64
×
64的尺寸将含有车道线的部分进行裁剪；6)建立车道线检测网络；7)将步骤5)中裁剪得到的图像依次输入步骤6)中建立的车道线检测网络，以得到车道线的最终位置信息；8)将步骤7)中得到的车道线的最终位置信息映射到步骤1)中预处理后得到的图像中，在步骤1)中预处理后得到的图像中运用最小二乘法拟合出整条车道线。2.根据权利要求1所述的基于卷积神经网络的车道线检测方法，其特征在于，所述步骤1)具体包括：对待识别图像进行RGB转灰度处理，采用的方法为然后使用直方图均衡化进行图像增强。3.根据权利要求1所述的基于卷积神经网络的车道线检测方法，其特征在于，所述步骤2)中ROI区域为消失点下方的大小为1792
×
448的部分。4.根据权利要求3所述的基于卷积神经网络的车道线检测方法，其特征在于，所述步骤4)中分辨率大小为224
×
224的图像是由步骤2)中分辨率大小为1792
×
448的ROI区域变换得到的。5.根据权利要求4所述的基于卷积神经网络的车道线检测方法，其特征在于，所述步骤3)具体包括：设置第一至第四层的卷积核大小为6
×
6，步幅为2，填充为2；设置第五层卷积核大小为1
×
1，步幅是1，填充为0；第六层为减半层，卷积核大小为6
×
6，步幅是2，填充为2；车道线坐标回归网络对特征图进行五次减半，使得最终特征图由224
×
224变为7
×
7，确定标注方式为点坐标标记，确定训练采用平方损失函数，公式表示为：L[Y,f(x)]＝(Y
‑
f(x))2其中，f(x)表示深度学习网络的预测值，Y表示真实值，L表示预测值与单个样本的差异的损失函数。6.根据权利要求4所述的基于卷积神经...

【专利技术属性】
技术研发人员：李泽智，贾晨，宋廷伦，张武，张恒于，赵嘉乐，顾亚美，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：