一种引入全局特征和多尺度特征的人行横道线检测方法技术

本发明专利技术公开了一种引入全局特征和多尺度特征的人行横道线检测方法，属于图像处理、计算机视觉技术领域，步骤包括路况图像采集，构建人行横道线数据集；对人行横道线数据集中的路况图像预处理；根据目标检测算法构建人行横道线检测模型；通过人行横道线检测模型对路况图像进行检测，并生成标注预测框的路况图像；采用的损失函数将目标真实框的参数与预测框解码后的参数进行对比，进行人行横道线检测模型训练；对测试集和车前摄像头实时拍摄的前方路况图像进行检测，将数据集中的人行横道线标出并输出识别准召率，以验证改进模型的效果。本发明专利技术能够现对复杂交通场景中的人行横道线准确检测，从而辅助车辆实现智能驾驶中人行横道线场景判断的任务。道线场景判断的任务。道线场景判断的任务。

【技术实现步骤摘要】
一种引入全局特征和多尺度特征的人行横道线检测方法


[0001]本专利技术涉及图像处理、计算机视觉
，尤其是一种引入全局特征和多尺度特征的人行横道线检测方法。

技术介绍

[0002]无人驾驶汽车的核心技术是车辆对于道路环境的感知能力，车辆感知道路中关键信息、做出判断并下达运动控制指令，从而保障车辆合规行驶和交通安全。如今交通路况愈加趋于严峻繁杂，人行横道线区域仍然是行人在交通场景中通行的最主要区域，因此准确识别人行横道线在路况中的位置成为规范道路交通秩序、保障行人安全的关键因素，在检测过程中要使检测的准召率尽可能保持在较高水平以应对各种复杂的路况变化。
[0003]计算机视觉中目标检测方法主要分为特征法、模型法和深度学习法。特征法主要通过对被检测物体与其它背景区域之间的色彩差异及物体间距离等某些特定特征完成检测，但容易受到光照、噪声等因素的影响造成误检。模型法主要是分析图像获得模型参数，建立模型以进行检测物体标志的提取，虽然对噪声、光照等有很好的适用性，但建立的模型往往不能适用于复杂场景，且检测时间随着模型复杂程度的增加而增加。基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种引入全局特征和多尺度特征的人行横道线检测方法，其特征在于：包括以下步骤：S1、路况图像采集，构建人行横道线数据集；S2、对人行横道线数据集中的路况图像预处理；S3、根据目标检测算法构建人行横道线检测模型；S4、通过人行横道线检测模型对路况图像进行检测，并生成标注预测框的路况图像；S5、采用的损失函数将目标真实框的参数与预测框解码后的参数进行对比，进行人行横道线检测模型训练；S6、调用训练好的人行横道线检测模型，对测试集和车前摄像头实时拍摄的前方路况图像进行检测，将数据集中的人行横道线标出并输出识别准召率，以验证改进模型的效果。2.根据权利要求1所述的一种引入全局特征和多尺度特征的人行横道线检测方法，其特征在于：S1中，将车前行车记录仪拍摄的实际路况中不同角度、不同大小、不同遮挡或缺陷面积的人行横道线图片标注为数据集，图片像素为4000*3000，共计3000张。3.根据权利要求1所述的一种引入全局特征和多尺度特征的人行横道线检测方法，其特征在于：S2中，对人行横道线数据集采用马赛克数据增强方法，在训练网络前对训练集中的每四张图片分别随机进行翻转、剪裁、缩放、色域变化等操作，并且放置为四个不同方向。4.根据权利要求1所述的一种引入全局特征和多尺度特征的人行横道线检测方法，其特征在于：S3中，所述人行横道线检测模型由主干特征提取网络、加强特征提取网络、预测网络共3个网络组成，在主干特征提取网络输出的三个不同深度的特征图后增加了自注意力模块，在加强特征提取网络输出的三个不同深度的特征图后增加了多尺度模块。5.根据权利要求1所述的一种引入全局特征和多尺度特征的人行横道线检测方法，其特征在于：S4中，具体包括以下步骤：S4.1输入待测路况图像，将图像尺寸调整为416
×
416；S4.2主干特征提取网络提取表层语义信息；主干特征提取网络通过一系列卷积操作压缩输入图片的宽高并扩张其通道数，提取出3个具有表层语义信息的有效特征图，传入自注意力模块以捕捉图像的全局信息；S4.3将具有表层语义信息的有效特征图引入自注意力模块，捕捉图像全局信息；S4.4将特征层输入引入多尺度模块的加强特征提取网络，提取高级语义特征信息；通过上下采样和特征融合获得高级语义特征信息，并将输出图像分别划分为含有13
×
13、26
×<...

【专利技术属性】
技术研发人员：程淑红，王晓晨，张仕军，张典范，徐宇泽，
申请(专利权)人：燕山大学，
类型：发明
国别省市：