一种车道线检测方法技术

本发明专利技术公开了一种车道线检测方法，包括以下步骤：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

【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、能适用于各种复杂背景的手工特征。在提取到特征之后，分类通常会确定区域内是否含有目标。常用的分类算法有SVM、Adaboost等。此类技术在特定的环境中运作良好。但是，在驾驶和周围环境变化的情况下，其性能还是很差，所以不适合实际的道路场景应用。传感器技术的发展，能够进行大容量和高速处理的硬件技术的发展，以及各种深度学习算法的发展，如基于卷积神经网络(CNN)的计算机视觉方法和YOLO算法，已经显著改善了车道检测和识别性能。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有存在的问题，提出了本专利技术。
[0007]因此，本专利技术提供了一种车道线检测方法解决了现有技术检测速度慢，识别精度低的问题。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：
[0009]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；
[0010]通过改进的Swin
‑
Transformer算法得到特征图；
[0011]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；
[0012]将融合后的特征图输入检测头进行检测；
[0013]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。
[0014]作为本专利技术所述的车道线检测方法的一种优选方案，其中：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。
[0015]作为本专利技术所述的车道线检测方法的一种优选方案，其中：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：
[0016][0017]其中，d
k
为全局注意力头的长度，Softmax为归一化指数函数。
[0018]作为本专利技术所述的车道线检测方法的一种优选方案，其中：所述改进的Swin
‑
Transformer算法得到特征图，包括以下步骤：
[0019]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；
[0020]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；
[0021]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；
[0022]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；
[0023]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；
[0024]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，特征图out2，特征图out3，其中特征图out1的大小为[H/8,W/8,2C]，特征图out2的大小为[H/16,W/16,4C]，特征图out3的大小为[H/32,W/32,8C]，进而提取到多尺度的特征图。
[0025]作为本专利技术所述的车道线检测方法的一种优选方案，其中：所述特征图基于特征融合网络处理得到融合的特征图，基于特征融合网络指的是YOLOv5的颈部网络，得到的特征图out3，经过CBS模块进行卷积操作得到了高层特征图f3；
[0026]所述高层特征图f3经过上采样和所述特征图out2进行拼接操作得到的特征图，经过C3Ⅱ_1模块处理和CBS模块的卷积操作后得到中层特征图f2；
[0027]所述中层特征图f2经过上采样和所述特征图out1进行拼接操作，经过C3Ⅱ_1模块处理之后得到底层特征图f1，输出到检测头；
[0028]对底层特征图f1采用CBS模块进行处理与中层特征图f2进行拼接，拼接后的特征图用C3Ⅱ_1模块进行处理，得到新的中层特征图f2
′
再输出到检测头；
[0029]将新的中层特征图f2
′
采用CBS模块进行卷积操作本文档来自技高网...

【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：