【技术实现步骤摘要】
本专利技术属于机器视觉，尤其涉及一种基于学习的破损车道线检测方法及检测模型。
技术介绍
1、随着自动驾驶技术的发展，自动驾驶车辆将在不久的将来出现在道路上，这必将对道路交通安全带来新的冲击，成熟而稳定的自动驾驶技术是道路交通安全的基础保障。作为自动驾驶领域的关键技术，高精度的车道线检测技术必然会提高自动驾驶决策的准确性以及驾驶安全性，是自动驾驶技术落地应用的必要条件之一。但车道线检测在实际应用中面临诸多困难：(1)光线变化对图像采集的影响；(2)复杂交通环境的影响(3)天气的影响(4)车道线破损的影响。
2、随着深度学习技术在目标检测方向的快速发展，利用视觉图像传感器来感知道路环境也变得越来越受欢迎。然而，由于车道线破损，眩光以及道路环境的遮挡等因素的影响，相机并不能采集到完整的车道线的视觉特征，这给神经网络模型准确识别车道线的位置带来了极大的挑战。此外，传感器本身便具有局限性，在利用传感器获取数据时若能结合各传感器的优缺点，这无疑会增加所提供信息的准确性，让智能驾驶系统的决策更具有保障。
3、为了弥补这些不足之处，人们将视角转向了多传感器的融合上。多传感器的融合不仅可以增强数据的可靠性，还可以得到更多种数据特征。因此，多传感器的融合也能提供更为精准可靠的输入数据。但多传感器数据融合必定会增加数据量、数据处理和分析时的计算量，并需要更加复杂和高效的数据处理算法。此外，多传感器数据的采集也会带来成本的增加、系统的复杂性和故障率。
技术实现思路
1、本专利技术提
2、为实现上述目的，本专利技术提供了一种基于学习的破损车道线检测方法，包括：
3、获取自动驾驶场景的视觉图像；
4、对自动驾驶场景的视觉图像进行混合锚划分，得到若干张车道线视觉图像；
5、采用inception-v3作为特征提取网络，基于所述特征提取网络对所述车道线视觉图像进行全局特征提取，得到车道线预测结果。
6、优选地，对自动驾驶场景的视觉图像进行混合锚划分的过程包括：
7、获取自动驾驶场景的前视图像，对所述前视图像进行降噪、二值化预处理，得到二值化图像，基于混合锚对所述二值化图像进行划分，得到若干张车道线视觉图像。
8、优选地，还包括：基于交叉熵，消除所述车道线视觉图像的类别不平衡。
9、优选地，所述特征提取网络采用rmsprop优化器，将标签平滑正则化加入所述特征提取网络，所述特征提取网络的卷积核分解为3×3。
10、优选地，还包括：构建损失函数，所述损失函数包括：分类损失函数和期望损失函数。
11、优选地，所述分类损失函数为：
12、
13、其中lce(·)为交叉熵损失，onehot(·)为one-hot编码函数，为分配给行锚j的第i条车道的预测，为分配给行锚n的第m条车道的预测，为对应的分类标签，为对应的分类标签。
14、优选地，所述期望损失函数为：
15、
16、
17、其中[·]为索引操作符，且
18、优选地，还包括：采用最小二乘法和ransac相结合的方法对所述车道线视觉图像进行车道线拟合。
19、优选地，对所述车道线视觉图像进行车道线拟合之前还包括：
20、对所述车道线视觉图像进行数据增强处理，其中所述数据增强方法包括：旋转、垂直和水平移动。
21、本专利技术还提供了一种基于学习的破损车道线检测模型，包括任一项所述的基于学习的破损车道线检测方法构建的检测模型。
22、与现有技术相比，本专利技术具有如下优点和技术效果：
23、本专利技术提供了一种基于学习的破损车道线检测方法，获取自动驾驶场景的视觉图像；对自动驾驶场景的视觉图像进行混合锚划分，得到若干张车道线视觉图像；采用inception-v3作为特征提取网络，基于所述特征提取网络对所述车道线视觉图像进行全局特征提取，得到车道线预测结果。
24、本专利技术还提供了一种基于学习的破损车道线检测模型，本专利技术有效提高了破损车道线检测的准确率，提高了破损车道线检测的速度，节约了算力；本破损车道线检测模型具有多场景的适用性，算法成熟，具有较强的推广适用性，市场前景广阔。
本文档来自技高网...【技术保护点】
1.一种基于学习的破损车道线检测方法，其特征在于，包括：
2.根据权利要求1所述的基于学习的破损车道线检测方法，其特征在于，对自动驾驶场景的视觉图像进行混合锚划分的过程包括：
3.根据权利要求1所述的基于学习的破损车道线检测方法，其特征在于，还包括：基于交叉熵，消除所述车道线视觉图像的类别不平衡。
4.根据权利要求1所述的基于学习的破损车道线检测方法，其特征在于，所述特征提取网络采用RMSprop优化器，将标签平滑正则化加入所述特征提取网络，所述特征提取网络的卷积核分解为3×3。
5.根据权利要求1所述的基于学习的破损车道线检测方法，其特征在于，车道线检测模型，其特征还包括：构建损失函数，所述损失函数包括：分类损失函数和期望损失函数。
6.根据权利要求5所述的基于学习的破损车道线检测方法，其特征在于，所述分类损失函数为：
7.根据权利要求5所述的基于学习的破损车道线检测方法，其特征在于，所述期望损失函数为：
8.根据权利要求1所述的基于学习的破损车道线检测方法，其特征在于，还包括：采用最小二乘法和
9.根据权利要求8所述的基于学习的破损车道线检测方法，其特征在于，对所述车道线视觉图像进行车道线拟合之前还包括：
10.一种基于学习的破损车道线检测模型，其特征在于，由权利要求1-9任一项所述的基于学习的破损车道线检测方法构建的检测模型。
...【技术特征摘要】
1.一种基于学习的破损车道线检测方法，其特征在于，包括：
2.根据权利要求1所述的基于学习的破损车道线检测方法，其特征在于，对自动驾驶场景的视觉图像进行混合锚划分的过程包括：
3.根据权利要求1所述的基于学习的破损车道线检测方法，其特征在于，还包括：基于交叉熵，消除所述车道线视觉图像的类别不平衡。
4.根据权利要求1所述的基于学习的破损车道线检测方法，其特征在于，所述特征提取网络采用rmsprop优化器，将标签平滑正则化加入所述特征提取网络，所述特征提取网络的卷积核分解为3×3。
5.根据权利要求1所述的基于学习的破损车道线检测方法，其特征在于，车道线检测模型，其特征还包括：构建损失函数，所述损失函数包括...
【专利技术属性】
技术研发人员：慈玉生，张恒毅，陈丹丹，马志远，
申请(专利权)人：哈尔滨工业大学，
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。