[发明专利]一种基于二值化网络的深度学习轨道线检测方法

权利要求书

1.一种基于二值化网络的深度学习轨道线检测方法，其特征在于：包括以下步骤：

a、样本准备阶段，首先通过摄像头采集多个道路场景视频，将视频处理成单个帧之后，再对图片标定、训练、校正、旋转变换、后期处理，得到图片数据集P，数据集A以4:1的比例分为训练集X和测试集Y；

b、网络创建一阶段，创建BiSeNet；

c、网络创建二阶段，将所述的BiSeNet创建为二值化网络；

d、网络运行阶段，通过所述的二值化条件生成对抗网络进行轨道线检测。

2.根据权利要求1所述的一种基于二值化网络的深度学习轨道线检测方法，其特征在于：所述步骤a中，样本准备阶段中视频剪裁最终得到2500张分辨率带大小为1280*720的图片，选择其中部分公路车道的图片作为训练集，训练集的数量为2000张，将另一部分不同公路车道的图片作为测试集，测试集的数量为500张。

3.根据权利要求2所述的一种基于二值化网络的深度学习轨道线检测方法，其特征在于：数据集中的图片均需要进行标注，采用AutoCAD对数据集进行统一标注，标注时人物、车辆与周围环境的标注颜色不同。

4.根据权利要求1所述的一种基于二值化网络的深度学习轨道线检测方法，其特征在于：所述步骤b中，网络创建一阶段按包括以下步骤；

b1、BiSeNet网络模型结构左侧分支是空间路径模块，空间路径模块由三层卷积层构成，每一层都包含一个步长为2的卷积层，然后进行批量标准化处理和ReLU非线性激活，经过此路径输出的图像尺寸是原始图像的1/8，右侧分支的上下文路径模块使用预训练的轻量级模型Xception模块作为主干网络，进行快速下采样操作来获得感受野，接着在Xception模块尾部追加一个全局平均池化层来提供感受野，最后借助部分“U形”结构融合最后两个阶段的特征，空间路径模块用于编码丰富的空间信息，上下文路径模块用于提供足够的感受野，两个模块共同辅助检测任务的完成；

b2、BiSeNet网络设计了注意力细化模块，注意力细化模块用于优化每一阶段的特征，网络由全局池(Globalpool)、卷积和多项式相乘层(conv(1×1))、加速神经网络训练层(Batch norm)和激活函数层(sigmoid)组成；

b3、BiSeNet网络同时使用了注意力细化模块和特征融合模块；特征融合模块融合这两条路径的输出特征来进行最终预测；网络由concatenate层、卷积和多项式相乘层(Conv)、bn层、激活函数层(relu)、全局池(Global pool)、卷积和多项式相乘层(conv(1×1))、加速神经网络训练层(Batch norm)和激活函数层(sigmoid)组成；

b4、交叉熵损失函数如公式(1)所示：

CE＝-[ylogp+(1-y)log(1-p)] 公式(1)

其中p表示样本标签为1的概率，p∈[0,1]，y代表标签的取值；

则公式(1)可以写为：

若令p_t为：

则：

loss＝-log(p_t) 公式(4)

平衡轨道与背景之间的不平衡，引入改进的交叉熵损失如公式(5)所示：

L_loss＝-α(1-p_t)²log(p_t) 公式(5)

α取值为0.35。