[发明专利]一种基于ENet改进的轻量实时车道线分割方法

说明书

一种基于ENet改进的轻量实时车道线分割方法，所述方法包括以下步骤：(1)将ENet卷积分解：将其每一个二维卷积拆分成两个一维卷积；(2)空间分离卷积模块的每个一维卷积核通道拆分为两组，一个256通道数核拆分成两个128通道核，最后再融合为一组；再经过一个3×3的卷积并随机打乱通道，使两组通道学习到的信息充分共享和通信；(3)在编码器和解码器增加两条跳跃连接，设置概率预测分支用于预测车道线存在的概率，根据设定的阈值判断某车道的车道线是否存在；完成车道线分割网络LRTNet的构建；(4)将车道线图片输入到所述车道线分割网络LRTNet，输出车道线分割结果。本发明精度较高，成本低，鲁棒性强。

技术领域

本发明涉及车辆自动驾驶领域，尤其涉及车道线实时语义分割方 法。

背景技术

汽车为人们交通出行带来了巨大的便利，但伴随着汽车数量的增 加，发生交通事故的次数也在与日俱增，交通事故对人生安全造成极 大的威胁，是我国人群伤害死亡首因。因此开发高级辅助驾驶系统的 是有效降低交通事故发生率的手段，而车道线分割是该系统最基础、 最核心的功能之一，且非常具有挑战性。

如何精确的识别、分割车道线是高级辅助驾驶系统的核心技术问 题，目前广泛使用的技术主要是在车辆多个部位安装传感器、摄像头 等获取车道路面信息，再结合传统图像处理方法(边缘检测、霍夫变 换、直线拟合等)或者结合激光扫描、三维点云，然而传统的处理方 法对图像质量、场景环境要求较高，对光照变化、目标遮挡、背景干 扰极为敏感，在复杂的城市道路上分割精度低，鲁棒性差，使用场景 受限。而基于激光雷达、扫描仪的方法成本昂贵，对车道线质量要求 高。

随着计算机GPU算力的不断提升，深度学习技术发展迅速，并在 多个应用领域取得突破性成功，其中就包括车道线分割领域，涌现出 众多优秀车道线检测算法，比如Xingang Pan等人提出的SCNN，利 用卷积层空间信息传递解决车道线形状细长、外观线索少带来的精度 低问题；Gansbeke等人提出带权重可微的最小二乘拟合算法，将传统 算法引入了卷积网络，使其可以自动学习车道线的拟合参数。尽管这 些算法在车道线基准数据集上取得客观分割结果，但其分割速度非常 慢，SCNN仅仅7FPS，远远无法满足实时性要求。

发明内容

为了克服车道线分割方法的不足，本发明提供一种基于ENet改进 的车道线实时分割网络，利用多种策略对ENet网络结构进行改进，满 足实时性要求的同时在车道线基准数据集CULane取得较高的精度，且 可部署在行车记录仪上，成本低，鲁棒性强。

本发明解决其技术问题所采用的技术方案是：

一种基于ENet改进的轻量实时车道线分割方法，所述方法包括 以下步骤：

(1)将ENet卷积分解：将其每个二维卷积拆分成两个一维卷积；

(2)将ENet所有卷积通道分离再融合、打乱：空间分离卷积模 块的每个一维卷积核通道拆分为两组，一个256通道数核拆分成两个 128通道核，最后再融合为一组；再经过一个3×3的卷积并随机打乱 通道，使两组通道学习到的信息充分共享和通信；

(3)在编码器和解码器增加两条跳跃连接，设置概率预测分支用 于预测车道线存在的概率，根据设定的阈值判断某车道的车道线是否 存在；

至此，完成车道线分割网络LRTNet的构建；

(4)将车道线图片输入到所述车道线分割网络LRTNet，输出车 道线分割结果。

进一步，所述步骤(2)中，引入不同尺寸的空洞卷积。空洞卷积 与普通卷积具有相同的计算量但拥有更大的感受野，这非常适合于图 像中车道线这类形状细长，外观线索少、空间跨度大的目标。

再进一步，所述方法还包括以下步骤：

(5)将设计的车道线分割网络放在CULane上训练和测试。