[发明专利]一种基于Unet+ConvGRU混合模型的车道线检测方法

权利要求书

1.一种基于Unet+ConvGRU混合模型的车道线检测方法，其特征在于，该方法包括如下步骤：

步骤一：将自动驾驶车道线数据集中的每五个连续采集的车道线图片以及标注好的第五张图片划分一组，并将每张图片尺寸调整为固定大小为128×256，按照6∶2∶2比例划分训练集、验证集和测试集；其中，所述自动驾驶车道线数据集为Tusimple车道线数据集或CULane车道线数据集；

步骤二：构建Unet+ConvGRU混合模型，所构建的混合模型被用来训练车道线检测；

步骤三：获取深度学习中vgg16网络模型在图像分类上已经训练好的参数，作为Unet+ConvGRU混合模型中的参数初始值，并将多余参数丢弃；

步骤四：设置Unet+ConvGRU混合模型训练的超参数：总轮数及学习率；在训练集上训练混合模型，不断优化带权重的交叉熵损失函数；每两轮训练，在验证集上采用准确率、精确率、召回率及F1得分评估Unet+ConvGRU混合模型的效果；若准确率或者F1得分下降则停止训练，重新设置超参数后重新训练；

步骤五：达到训练总轮数后，在测试集上分别采用准确率、精确率、召回率及F1得分评估Unet+ConvGRU混合模型的泛化效果，当F1得分达到≥0.97则停止训练，得到训练后的Unet+ConvGRU混合模型，否则重复步骤四和步骤五；

步骤六：基于所述训练后的Unet+ConvGRU混合模型，完成车道线检测。

2.如权利要求1所述的基于Unet+ConvGRU混合模型的车道线检测方法，其特征在于，步骤二所述构建Unet+ConvGRU混合模型，其中ConvGRU模型中的公式满足下列式子：

r^t＝σ(ω^T*[x^t,h^t-1])

z^t＝σ(ω^z*[x^t，h^t-1])

在ConvGRU模型中包含两个控制门：重置门和更新门；ConvGRU模型用卷积运算得到两个控制门的信息；上式中*表示卷积，表示哈达玛积；σ表示sigmod函数，tanh表示双曲正切函数；r^t表示第t时刻的重置门，z^t表示第t时刻的更新门，ω^r、ω^z、ω^h均表示卷积核；x^t为t时刻的特征图数据，h^t-1为t-1时刻的隐藏状态，h′表示t-1时刻的中间隐藏状态，h^t表示为当前t时刻更新后的隐藏状态；其中表示对包含当前节点信息的h进行选择性记忆，表示对原本隐藏状态的选择性“遗忘”。

3.如权利要求1所述的基于Unet+ConvGRU的车道线检测方法，其特征在于，步骤四中带权重的交叉熵损失函数，其定义为：

其中是混合模型预测像素分类的概率，y是像素的真实标签，如果像素属于车道线，取值为1，否则取值为0；λ₁和λ₂为超参数，称之为错误率惩罚项。