【技术实现步骤摘要】
基于双向分离注意力的车道线检测与分类方法及系统
[0001]本专利技术涉及计算机视觉领域,具体涉及基于双向分离注意力的车道线检测与分类方法及系统。
技术介绍
[0002]图像分割是对像素深层特征的多分类问题,它通过为每个像素分配相应属性的类别标签,尝试将图像中符合某些特定语义的像素组合起来,呈现出满足视觉判断的不同类别区域。因此,本专利技术将分割思想应用到车道线检测与分类任务中。采用基于视觉的分割方法可以为自动驾驶车辆的环境感知,提供道路场景中的车道线位置以及类别等信息,这对于自动驾驶汽车行驶过程中的安全性起到非常重要的作用。
[0003]在早期的图像分割任务中,大多选择颜色、梯度以及几何形状等特征对图像进行分割。基于阈值、边缘、聚类、图论以及区域的分割,都是常用的分割算法。近年来,由于较强的特征提取能力以及对语义信息理解能力,CNN被应用到多个图像分割领域中。虽然语义分割网络,如FCN、UNet、SegNet以及Deeplab系列网络等,取得了较好的分割性能,但是网络参数量较大。之后,ENet、ERFNet以及BiseNet系列网络考虑到网络参数较多的问题,通过构建轻量模块实现了分割性能和参数量之间的平衡。但是由于图像中的目标之间是存在关联性的,如果仅仅只是关注单个像素,不关注像素间的依赖关系,会降低网络的分割性能。公布号为CN110688971A的现有专利技术专利文献《一种虚线车道线的检测方法、装置和设备》包括:对待检测的道路图像进行特征提取,得到所述道路图像的特征图;根据所述特征图确定所述道路图像中的车 ...
【技术保护点】
【技术特征摘要】
1.基于双向分离注意力的车道线检测与分类方法,其特征在于,所述方法包括:S1、构建轻量化车道线检测分类网络LNet,其中,所述轻量化车道线检测分类网络LNet包括:对称单元及密集对称块,利用所述密集对称块密集连接不少于2个的所述对称单元,其中,所述步骤S1包括:S11、以所述轻量化车道线检测分类网络LNet的编码器下采样处理输入图像,以逐级降低所述输入图像的分辨率,据以获取小分辨率特征图;S12、以解码器上采用处理所述编码器中的最后一层卷积图像,以恢复所述小分辨率特征图至所述输入图像的原始大小,其中,融合处理所述解码器及所述编码器的输出特征,以得到融合特征;S13、利用加权交叉熵损失函数训练所述轻量化车道线检测分类网络LNet;S2、构建双向分离注意力机制,据以构建长距离像素之间的依赖关系,并获取全局位置信息和局部细节信息,所述步骤S2包括:S21、将双向分离注意力模块TSA添加至所述轻量化车道线检测分类网络LNet中,据以构建双向注意力轻量车道线检测分类网络TSANet;S22、利用所述双向分离注意力模块TSA分别从横向像素及纵向像素中,集成目标纹理及目标位置信息,将所述融合特征作为输入特征图,利用所述双向分离注意力模块TSA处理根据所述输入特征图,据以得到适用映射关系作为所述长距离像素之间的依赖关系。2.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法,其特征在于,所述步骤S1中,将所述双向分离注意力模块TSA放入编码器中每一个密集连接块后,供所述双向注意力轻量车道线检测分类网络TSANet提取目标特征和语义信息。3.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法,其特征在于,所述步骤S11中,所述轻量化车道线检测分类网络LNet在上采样过程中融合编码器阶段提取的多尺度特征的输出分辨率,以弥补信息损失。4.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法,其特征在于,所述步骤S12包括:S121、融合处理第一编码器DS1和第七编码器DS7输出的所述多尺度特征;S122、融合处理第二编码器DS2和第六编码器DS6输出的所述多尺度特征;S123、融合处理第三编码器DS3和第五编码器DS5输出的所述多尺度特征。5.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法,其特征在于,所述步骤S13中,以下述加权交叉熵损失函数训练所述轻量化车道线检测分类网络LNet:式中,n为像素的数目,yi为第i个像素的id,其中,id表示特征车道线或背景,pi表述第i个像素的类别预测概率。6.根据权利要求5所述的基于双向分离注意力的车道线检测与分类方法,其特征在于,利用正则化参数L2将权重参数约束至适用区域,以降低过拟合概率。7.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法,其特征在于,所述步骤S22中的所述双向分离注意力模块TSA为独立模块。8.根据权利要求1所述的基于双向分离注意力的车道线检测与分类方法,其特征在于,
所述步骤S2...
【专利技术属性】
技术研发人员:孔斌,张露,
申请(专利权)人:中国科学院合肥物质科学研究院,
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。