[发明专利]一种基于深度学习和跟踪技术的车道线实时检测方法

权利要求书

1.基于深度学习和跟踪技术的车道线实时检测方法，其特征在于，包括如下步骤：

步骤1，预先基于海量数据训练用于目标分割的SegNet模型；

步骤2，图像预处理，包括图像的去噪、划分兴趣区域等；

步骤3，对首帧(关键帧)图像采用SegNet模型检测车道线；

步骤4，对首帧后的3帧图像中车道线的位置采用Kalman跟踪算法预测；

步骤5，末帧(关键帧)图像重复步骤3检测车道线，循环步骤3-5，直至结束。

2.根据权利要求1所述基于深度学习和跟踪技术的车道线实时检测方法，其特征在于，所述步骤1的具体步骤为：

(1)构建训练数据集；

(2)确定卷积神经网络相关参数

(3)模型训练

基于深度学习和跟踪技术的车道线实时检测方法采用了基于全卷积神经网络(FullConvolutional Network，FCN)的SegNet模型，分类正确率高，共享卷积核的结构有利于处理高维度图像，并且输入灵活、效率高。

3.根据权利要求1所述基于深度学习和跟踪技术的车道线实时检测方法，其特征在于，所述步骤2的具体步骤为：

(1)图像模糊，降低噪声；

(2)根据实际情况确定需要检测的车道线范围，划分兴趣区域。

4.根据权利要求1所述基于深度学习和跟踪技术的车道线实时检测方法，其特征在于，所述步骤3的具体步骤为：

利用预先训练好的SegNet模型对首帧图像进行车道线的检测。SegNet模型的输入为RGB图像，输出为图像分割后的车道线。

5.根据权利要求1所述基于深度学习和跟踪技术的车道线实时检测方法，其特征在于，所述步骤4的具体步骤为：

基于深度学习和跟踪技术的车道线实时检测方法的重要前提是车道线位置在3帧以内变化很小，因此首帧后的连续3帧采用Kalman跟踪算法进行预测，每预测10次将结果输出，直至预测完末帧(首帧后第4帧)，末帧预测结果和步骤5的车道线检测结果进行比较。

6.根据权利要求1所述基于深度学习和跟踪技术的车道线实时检测方法，其特征在于，所述步骤5的具体步骤为：

利用预先训练好的SegNet模型对末帧(首帧后第4帧)图像进行车道线检测，其结果不仅作为下一次Kalman跟踪的初始状态，也和步骤4中末帧的Kalman跟踪结果进行比较，并反馈调节Kalman滤波器的参数，以使Kalman跟踪精度逐渐提高。