【技术实现步骤摘要】
一种车道线检测方法
[0001]本专利技术涉及自动驾驶
,尤其涉及一种车道线检测方法。
技术介绍
[0002]随着人工智能技术的飞速发展,智能交通应运而生。智能驾驶技术作为智能交通领域的一个分支,通过融合计算机、传感器、人工智能等多种技术实现人
‑
车
‑
路的智能信息交换,使车辆具备环境感知能力,为驾驶员提供更加安全可靠的驾驶策略,进一步提高车辆驾驶的安全性与舒适性。
[0003]车道线检测是智能驾驶技术中的关键环节,快速且有效地对路况图像中的车道线进行检测,对行车路径规划、道路偏离提醒和交通事故的避免有着十分重要的作用。
[0004]传统的目标检测算法流程主要分为三步:1)区域选择;2)特征提取;3)分类。首先采用类似穷举的滑动窗口遍历整个图像,对目标可能出现的区域进行定位。这样的穷举方法时间复杂度高,会产生大量冗余的窗口,而且滑动窗口的尺度变换不灵活,对一些尺寸变化较大的目标,不能很好的检测。对于特征提取的部分,传统目标检测算法采用手工提取的特征来表达物体,例如尺度不变特征变换算法(Scale
‑
invariant feature transform,SIFT)、方向梯度直方图特征(Histogram of Oriented Gradient,HOG)、加速稳健特征(Speeded Up Robust Features,SURF)等。但是在实际场景中,目标背景复杂,姿态变换多样,还会受光照、遮挡、角度等影响,人们很难设计出具有通用性的、能适 ...
【技术保护点】
【技术特征摘要】
1.一种车道线检测方法,其特征在于,包括:对收集的车道线检测数据集使用可旋转的边界框进行标签标注;通过改进的Swin
‑
Transformer算法得到特征图;将所述的特征图基于特征融合网络处理得到融合的特征图;将融合后的特征图输入检测头进行检测;利用基于圆形平滑标签改进后的预测框输出最后的预测结果,通过贝塞尔曲线多项式拟合车道线。2.如权利要求1所述的车道线检测方法,其特征在于:所述对收集的车道线检测数据集,使用旋转标注工具中的可旋转边界框,针对图像中的目标车道线进行标签标注并生成相应文件,可旋转边界框所标注信息包含目标车道线的矩形包围盒的坐标xywh以及包围盒的边和水平线之间的夹角。3.如权利要求2所述的车道线检测方法,其特征在于:所述改进的Swin
‑
Transformer算法得到特征图,在Swin
‑
Transformer Block模块中加入全局注意力,在计算窗口注意力操作之后加入全局注意力操作,即在通过窗口注意力操作获得特征序列x,再通过三个权重矩阵W
q
、W
k
和W
v
分别转化为Query向量、Key向量和Value向量,点积Query向量和Key向量得到权重矩阵,权重矩阵乘以Value向量得到多头注意力输出向量x,多头注意力输出向量x表示为:其中,d
k
为全局注意力头的长度,Softmax为归一化指数函数。4.如权利要求3所述的车道线检测方法,其特征在于:所述改进的Swin
‑
Transformer算法得到特征图,包括以下步骤:输入的图像的车道线彩色图像X=[H,W,3],其中H为图像的高度,W为图像的宽度,3为图像的通道数,图像X通过Patch拆分模块拆分为非重叠相等尺寸的Patch,将每个Patch展平为token向量;将token向量输入线性嵌入层进行处理,将维度投影到任意维度C,其中C的典型值为96;将经过线性嵌入层处理的token向量馈入若干具有改进自注意力的Swin
‑
Transformer Block进行操作;基于移位窗口的多头自注意力模块以及全局注意力操作将线性嵌入层和改进的Swin
‑
Transformer Block模块作为第一个处理阶段;经过第一个处理阶段处理后得到了图像的特征向量,将特征向量输入Patch Merging模块进行处理得到类似下采样操作的效果,通过改进的Swin
‑
Transformer Block模块处理得到特征图out1;将Patch Merging和改进的Swin
‑
Transformer Block模块作为第二个阶段对图像特征进行处理分别得到特征图out1,特...
【专利技术属性】
技术研发人员:张锋威,尚磊,陈松乐,孙红波,黄茹玥,吴雨欣,
申请(专利权)人:南京邮电大学,
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。