【技术实现步骤摘要】
本专利技术涉及车车道线检测，提供了一种基于注意力机制的红外车道线检测方法。
技术介绍
1、随着城镇化的加快和汽车的增加，城市交通负担日益加重，为了避免车辆道路事故，保障驾驶的安全性，车辆驾驶辅助系统成为了新的研究热点。车道线检测能够有效地引导车辆行驶在正确的区域，车道线检测技术作为车辆驾驶辅助系统的核心，其检测的速度和精度十分重要。
2、车道线检测的传统算法需要人工手动调节参数，工作量较大，泛化能力差，在面对复杂的交通环境时表现效果也很差。基于深度学习的车道线检测算法具有很强的代表性和学习能力，相比于传统算法而言具有较高的速度和精度。对于车道线检测而言，夜晚、大雾等场景下的车道线检测效果不佳。
3、目前基于道路结构和摄像机姿态建立车道形状模型，进而完成车道线检测，这类方法可以保证检测速度，由于所建立的模型对所选择的场景依赖性高，存在复杂场景下的漏检误检情况，并且鲁棒性不高。
技术实现思路
1、鉴于此，本申请提供一种基于注意力机制的红外车道线检测方法，旨在改善上述问题。
2、具体而言，包括以下的技术方案：
3、一方面，本申请实施例提供了一种基于注意力机制的红外车道线检测方法，所述方法包括如下步骤：
4、(1)对采集到的路面红外数据进行车道线标注，构建样本图像；
5、(2)将样本图像分成训练样本及测试样本，基于训练样本对上述红外车道线识别模型进行训练，基于测试样本对训练好的红外车道线识别模型进行测试，在红外车道线识
6、(3)将待识别的路面红外数据输入训练好的红外车道线识别模型，红外车道线识别模型输出路面红外图像中的车道线。
7、在一些实施例中，红外车道线识别模型包括：特征提取模块、特征池化模块、注意力机制模块及损失计算模块组成，
8、其中，特征提取模块用于从样本图像的标注车道线中采样采样点，形成样本图像的特征图像f；特征池化模块，将直线作为车道先验，提取车道先验中的特征点，形成车道先验的特征图p，将车道先验的特征图p及样本图像的特征图f输入注意力机制模块；注意力机制模块，输出样本图像中的预测车道先及预测概率p；损失计算模块，基于预测概率计算当前红外车道线识别模型的损失值ltotal。
9、在一些实施例中，征提取模块包括依次连接的卷积层conv、批次归一化层bn、非线性激活relu以及卷积层；池化层maxpooling；卷积层conv、批次归一化层bn、非线性激活relu；池化层maxpooling及卷积层conv组成。
10、在一些实施例中，红外车道线识别模型的损失值ltotal由两部分组成，即分类损失值lcls及车道线定位损失值lpos。
11、在一些实施例中，红外车道线识别模型的损失值ltotal计算公式具体如下：
12、ltotal＝wcls·lcls+wpos·lpos
13、其中，wcls、wpos为权重值。
14、在一些实施例中，分类损失lcls的计算公式具体如下：
15、lcls＝-αt(1-pt)γlog(pt) (1)
16、
17、其中，p为预测概率，pt为分类概率，y为真实概率值，αt、γ为常数。
18、在一些实施例中，道线定位损失lpos计算公式具体如下：
19、
20、其中，x为预测概率与真实概率的偏差值，x＝y-p。
21、在一些实施例中，对样本图形进行预处理，处理过程具体如下：
22、将图像的高宽缩放至[340,360]，对翻转完的图像以亮度缩放因子m＝[0.8,1.1]和偏移量α＝[-10,10]进行处理；随后，以不同的概率p＝[0.5,1]对图像进行模糊化处理。
23、在一些实施例中，通过车辆前端的红外相机采集前方路面的红外数据。
24、本专利技术提供一种基于注意力机制的红外车道线检测方法，外线穿透能力较强，能穿透浓烟、浓雾，提升了视线不好时成像质量，此外，通过特征图预先设置符合车道线形状的车道先验，使用注意力机制收集全局信息，将车道线整体回归，准确检测出车道线的同时保证了速度，能够进行实际应用部署。
本文档来自技高网...【技术保护点】
1.一种基于注意力机制的红外车道线检测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述基于注意力机制的红外车道线检测方法，其特征在于，红外车道线识别模型包括：特征提取模块、特征池化模块、注意力机制模块及损失计算模块组成，
3.如权利要求1所述基于注意力机制的红外车道线检测方法，其特征在于，征提取模块包括依次连接的卷积层Conv、批次归一化层BN、非线性激活Relu以及卷积层；池化层Maxpooling；卷积层Conv、批次归一化层BN、非线性激活Relu；池化层Maxpooling及卷积层Conv组成。
4.如权利要求1所述基于注意力机制的红外车道线检测方法，其特征在于，红外车道线识别模型的损失值Ltotal由两部分组成，即分类损失值Lcls及车道线定位损失值Lpos。
5.如权利要求4所述基于注意力机制的红外车道线检测方法，其特征在于，红外车道线识别模型的损失值Ltotal计算公式具体如下：
6.如权利要求4或5所述基于注意力机制的红外车道线检测方法，其特征在于，分类损失Lcls的计算公式具体如下：>
7.如权利要求4或5所述基于注意力机制的红外车道线检测方法，其特征在于，道线定位损失Lpos计算公式具体如下：
8.如权利要求1所述基于注意力机制的红外车道线检测方法，其特征在于，对样本图形进行预处理，处理过程具体如下：
9.如权利要求1所述基于注意力机制的红外车道线检测方法，其特征在于，通过车辆前端的红外相机采集前方路面的红外数据。
...【技术特征摘要】
1.一种基于注意力机制的红外车道线检测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述基于注意力机制的红外车道线检测方法，其特征在于，红外车道线识别模型包括：特征提取模块、特征池化模块、注意力机制模块及损失计算模块组成，
3.如权利要求1所述基于注意力机制的红外车道线检测方法，其特征在于，征提取模块包括依次连接的卷积层conv、批次归一化层bn、非线性激活relu以及卷积层；池化层maxpooling；卷积层conv、批次归一化层bn、非线性激活relu；池化层maxpooling及卷积层conv组成。
4.如权利要求1所述基于注意力机制的红外车道线检测方法，其特征在于，红外车道线识别模型的损失值ltotal由两部分组成，即...
【专利技术属性】
技术研发人员：黄忠波，刘庆，胡冲，刘洋，唐虎成，庄琰，
申请(专利权)人：奇瑞汽车股份有限公司，
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。