一种提升轻量级网络检测精度的车道线检测方法技术

本发明专利技术公开了自动驾驶领域的一种提升轻量级网络检测精度的车道线检测方法，所述方法包括：步骤1：先对训练数据进行预处理；步骤2：制作训练集；步骤3：将步骤2得到的训练集的图像输入两个卷积神经网络进行训练；步骤4：步骤3训练完成后，将用于测试的真实车道线图片经过尺寸裁剪后输入到学生骨干网络，得到模型预测结果。本发明专利技术车道线检测方法提高了轻量级网络在车道检测领域的检测效果，提出了混合融合模块来构建具有自上而下架构的多个分层学生子网；提出了进化蒸馏算法，通过使用进化教师并动态的关注教学过程的中间知识来提高学生网络学习的性能。网络学习的性能。网络学习的性能。

【技术实现步骤摘要】
一种提升轻量级网络检测精度的车道线检测方法


[0001]本专利技术属于自动驾驶领域，具体涉及一种提升轻量级网络检测精度的车道线检测方法。

技术介绍

[0002]车道检测在计算机视觉领域有着悠久的研究历史，具有广泛的应用。对于车道检测，有两种主流方法，分别是传统的图像处理方法和深度分割方法。最近，深度分割方法在该领域取得了巨大的成功，因为它具有很强的表示和学习能力。还有一些重要且具有挑战性的问题需要解决。作为自动驾驶的基本组成部分，车道检测算法被大量执行。这需要极低的车道检测计算成本。此外，目前的自动驾驶解决方案通常配备多个摄像头输入，这通常要求每个摄像头输入的计算成本较低。这样，更快的网络对于车道检测至关重要。由于基于分割的密集预测特性，该方法的计算量很大。车道检测的另一个问题称为无视觉线索，具有严重遮挡和极端光照条件的具有挑战性的场景对应于车道检测的另一个关键问题。在这种情况下，车道检测迫切需要对车道进行更高级别的语义分析。深度分割方法自然比传统的图像处理方法具有更强的语义表示能力，成为主流。由于密集的像素级通信，这种消息传递需要更多的计算成本。此外，还存在车道被表示为分割的二元特征而不是直线或曲线的现象。尽管深度分割方法在车道检测领域占主导地位，但这种表示方式使得难以明确地利用车道的刚性和平滑度等先验信息。因此需要设计一种提升轻量级网络检测精度的车道线检测方法。为此我们提出一种提升轻量级网络检测精度的车道线检测方法用于解决上述问题。

技术实现思路

[0003]针对现有技术的不足，本专利技术的目的在于提供一种提升轻量级网络检测精度的车道线检测方法，以解决上述
技术介绍
中提出的问题。
[0004]本专利技术的目的可以通过以下技术方案实现：
[0005]一种提升轻量级网络检测精度的车道线检测方法，所述方法包括：
[0006]步骤1：先对训练数据进行预处理，输入通过摄像头获取的图像，并对图像尺寸进行裁剪；
[0007]步骤2：读取步骤1中预处理的训练数据，将其处理为输入网络的标准格式，并制作训练网络的标签，制作训练集；
[0008]步骤3：将步骤2得到的训练集的图像输入两个卷积神经网络进行训练；
[0009]步骤4：步骤3训练完成后，将用于测试的真实车道线图片经过尺寸裁剪后输入到学生骨干网络，得到模型预测结果。
[0010]优选地，所述步骤3中卷积神经网络主体使用ResNet作为主干网络，通过ResNet18学生网络、ResNet50教师网络和引导模块组成，对输入数据进行数据增强，将增强后的数据输入到教师网络中，获取教师网络的特征图，软化教师网络的概率，计算教师网络自身蒸馏损失和分类损失，计算模型参数的梯度，并使用SGD优化器进行更新，将数据输入到学生网
络，得到学生网络的特征图，软化学生网络的概率，计算学生网络的自身蒸馏损失和分类损失，计算学生和教师引导层之间的蒸馏损失，计算学生模型参数的梯度，使用SGD优化器进行更新，完成训练。
[0011]优选地，所述学生网络和教师网络均由4个Block和引导模块组成，每个Block内包括有至少一个卷积。
[0012]优选地，所述引导模块分别将学生网络和教师网络最后一个特征作为初始输入，然后通过混合融合模块将特征进行融合。
[0013]优选地，所述混合融合模块通过加法和连接算子组成，具有自上而下架构的多个分层学生子网络；
[0014]对于特征S
b
，将空间分辨率上采样2倍，使用1*1卷积操作用于对齐两个输入特征之间的通道维度，然后通过加法和连接操作将上采样的特征与相应的学生特征S
b
‑1融合，如下所示：
[0015]S
b
＝Conv(f
t
(T
b
))+f
s
(S
b+1
)‖f
s
(S
b+1
),b∈[1,B
‑
1]。
[0016]优选地，所述分类损失如下所示：
[0017][0018]KL损失如下所示：
[0019][0020]特征损失如下所示：
[0021][0022]蒸馏框架的总体损失如下所示：
[0023][0024]优选地，所述步骤4中骨干网络在蒸馏期间学习生成用于预测和蒸馏的高精度标签和提供鲁棒的中间特征。
[0025]优选地，一种提升轻量级网络检测精度的车道线检测器，储存有运行所述的提升轻量级网络检测精度的车道线检测方法程序。
[0026]本专利技术的有益效果：
[0027]1、本专利技术车道线检测方法提高了轻量级网络在车道检测领域的检测效果，提出了混合融合模块来构建具有自上而下架构的多个分层学生子网；
[0028]2、本专利技术车道线检测方法与传统的两阶段离线蒸馏方法不同，通过训练来缩小能力差距，以提高学习能力，提出了进化蒸馏算法，通过使用进化教师并动态的关注教学过程的中间知识来提高学生网络学习的性能。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]图1是本专利技术方法流程图；
[0031]图2是本专利技术中网络结构图；
[0032]图3是本专利技术中特征混合融合模块图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0034]请参阅图1至图3所示，一种提升轻量级网络检测精度的车道线检测方法，方法包括：
[0035]步骤1：对训练数据进行预处理，利用摄像头获取的图像作为输入，将图像尺寸裁剪到288X800；
[0036]步骤2：制作训练集，使用深度学习训练网络的第一步是对训练数据进行读取，将其处理为输入网络的标准格式，并制作训练网络的标签；
[0037]步骤3，将训练集的图像输入两个卷积神经网络进行训练：
[0038]对训练集图像和标签制作完成后，就可以进入网络模型的训练阶段，卷积神经网络主体使用ResNet作为主干网络，由ResNet18学生网络、ResNet50教师网络和引导模块组成，对输入数据进行数据增强，将增强后的数据输入到教师网络中，获取教师网络的特征图，软化教师网络的概率，计算教师网络自身蒸馏损失和分类损失；计算模型参数的梯度，并使用SGD优化器进行更新，将数据输入到学生网络，得到学生网络的特征图，软化学生网络的概率，计算学生网络的自身蒸馏损失和分类损失；计算学生和教师引导层之间的蒸馏损失，计算学生模型参数的梯度，使用SGD本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提升轻量级网络检测精度的车道线检测方法，其特征在于，所述方法包括：步骤1：先对训练数据进行预处理，输入通过摄像头获取的图像，并对图像尺寸进行裁剪；步骤2：读取步骤1中预处理的训练数据，将其处理为输入网络的标准格式，并制作训练网络的标签，制作训练集；步骤3：将步骤2得到的训练集的图像输入两个卷积神经网络进行训练；步骤4：步骤3训练完成后，将用于测试的真实车道线图片经过尺寸裁剪后输入到学生骨干网络，得到模型预测结果。2.根据权利要求1所述的一种提升轻量级网络检测精度的车道线检测方法，其特征在于，所述步骤3中卷积神经网络主体使用ResNet作为主干网络，通过ResNet18学生网络、ResNet50教师网络和引导模块组成，对输入数据进行数据增强，将增强后的数据输入到教师网络中，获取教师网络的特征图，软化教师网络的概率，计算教师网络自身蒸馏损失和分类损失，计算模型参数的梯度，并使用SGD优化器进行更新，将数据输入到学生网络，得到学生网络的特征图，软化学生网络的概率，计算学生网络的自身蒸馏损失和分类损失，计算学生和教师引导层之间的蒸馏损失，计算学生模型参数的梯度，使用SGD优化器进行更新，完成训练。3.根据权利要求2所述的一种提升轻量级网络检测精度的车道线检测方法，其特征在于，所述学生网络和教师网络均由4个Block和引导模块组成，每个Block内包括有至少一个卷积。4.根据权利要求2所述的一种提升轻量级网络检测精度的车道线检测方法，其特征在于，所述引导模块分别将学生网络和教师网络最后一个特征作为初始输入，然后通过混合融合模块将特征进行融合。5.根据权利要求4所述的一种提升轻量级网络检测精度的车道线检测方法，其特征在于，所述混合融合模块通过加法和连接算子组成，具有自上而下架构的多个分层学生子网络；对于特征S
b
，将空间分辨率上采样...

【专利技术属性】
技术研发人员：梁兴柱，毕飞龙，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：