[发明专利]一种基于对抗生成网络的车道线图像增强与补全方法

权利要求书

1.一种基于深度学习的车道线图像增强与补全方法，其特征在于，包括以下步骤：

(1)确定网络结构：设计一种图像生成网络模型，采用图像分格迁移效果好的Pix2Pix网络，使用以条件对抗生成网络为训练框架的生成网络，将生成网络分成用以产生图像的生成器网络和用于衡量图像真实度的判断器网络。

(2)训练网络模型：使用车道线缺失数据集，将车道线缺失图像输入对抗生成网络，用以训练得到Pix2Pix网络，将车道线缺失图像通过Pix2Pix网络得到车道线补全的车道图像。

(3)实现车道线提取：将车道线补全后图像与原图像进行差值比较，生成差值图像。对差值图像进行后处理，完成车道线提取。

2.根据权利要求1所述的车道线图像增强与补全方法，其特征在于，所述步骤1中，所述的对抗生成网络结构通过以下子步骤来实现：

(1.1)确定生成器网络结构：为了减小最底层网络结构信息传输中的损失，采用改进的编码器-解码器网络结构U-Net网络结构，网络基本单元使用常见的神经网络卷积单元，中间层基本单元采用卷积-批正则化-激活层的结构。

(1.2)确定判别器网络结构：为更好地捕捉高频信息，判别器采用马克洛夫网络判别器，网络基本单元使用神经网络卷积单元，中间层采用卷积-批正则化-激活层的结构。

3.根据权利要求1所述的车道线图像增强与补全方法，其特征在于，所述步骤2中使用的Pix2Pix网络通过以下子步骤来实现：

(2.1)确定对抗生成网络损失函数：对抗损失函数包括两个部分，分别是对抗生成网络损失函数L_cGAN、图像重建损失函数

对抗生成网络损失函数：

其中x代表输入图像，y代表输出图像，z为随机噪声，G代表生成器，D代表判别器，E(*)代表分布函数的期望值，P_data(*)代表样本的分布，P_Z(*)代表噪声的分布。式中G函数的目标为最小化损失函数，而D函数的目标为最大化损失函数。因此目标函数为一个最大最小博弈，优化公式如下：

图像重建损失函数如下：

最终生成网络的目标函数为：

其中λ为权重系数。

(2.2)训练去模糊对抗生成网络：对抗生成网络训练框架中，主要包含两个模块：用于产生图像的生成器网络和用于平衡图像真实度的判别器网络，两者基本单元均采用计算机视觉中常见的CNN卷积单元，完成训练后得到训练好的Pix2Pix网络模型。

(2.3)将车道线缺失图像输入训练完成的Pix2Pix网络，得到车道线补全完成的图像，完成车道线增强功能。

4.根据权利要求1所述的车道线图像增强与补全方法，其特征在于，所述步骤3通过以下子步骤来实现：

(3.1)对输入图像和输出图像进行灰度处理，并将两个灰度图像进行差值运算，完成车道线提取。

(3.2)将车道线灰度图像根据阈值参数进行二值化操作，对车道线进一步明确化，完成车道线提取。阈值化函数的参数有两个：低阈值点和高阈值点。