[发明专利]一种采用级联网络的车道线分类方法及系统

权利要求书

1.一种采用级联网络的车道线分类方法，其特征在于，所述方法包括：

对ERFNet网络进行预处理得到UERFNet网络并训练UERFNet网络，将训练好的UERFNet网络作为车道线定位网络；所述对ERFNet网络进行预处理，包括：

对ERFNet网络的第16层输出结果进行上采样，上采样的结果输入ERFNet网络的第17层，并且ERFNet网络的第1层输出结果输入到其第23层，ERFNet网络的第2层输出结果输入到其第22层，ERFNet网络的第3层输出结果输入到其第21层，ERFNet网络的第4层输出结果输入到其第20层，ERFNet网络的第5层输出结果输入到其第19层，ERFNet网络的第6层输出结果输入到其第18层，ERFNet网络的第7层输出结果输入到其第17层；

所述训练UERFNet网络，将训练好的UERFNet网络作为车道线定位网络，包括：

向UERFNet网络输入大量车道的图像；

通过公式计算每个输入图像的损失值，其中，N表示图像中像素个数，y_i表示第i个像素属于某个车道或者属于背景，p_i表示第i个像素的类别预测概率值且c表示车道线的类别总数，s_i表示网络预测出第i个像素的类别的分数，j表示第j个像素，e⁽⁾表示以e为底的指数函数；

当损失值最小时，停止训练，损失值最小时获得的UERFNet网络作为训练好的UERFNet网络，将训练好的UERFNet网络作为车道线定位网络；

将待分类车道线的图像输入车道线定位网络获取每条车道线的位置点；

在原始图像中提取每条车道线的位置点所对应的像素值，形成每条车道线的特征图；

多个瓶颈层以及全连接层级联构建车道分类网络；

将每条车道线的特征图输入车道线分类网络中，输出车道的类别；

所述瓶颈层包括两个1×1的卷积层以及两个3×3的卷积核，第一个1×1的卷积层、第一个3×3的卷积核、第二个1×1的卷积层以及第二个3×3的卷积核顺次连接，第一个1×1的卷积层的结果与第一个3×3的卷积核的结果叠加后分别输入第二个1×1的卷积层的输入端、第二个3×3的卷积核的输入端以及第二个3×3的卷积核的输出端中；

所述多个瓶颈层以及全连接层级联构建车道分类网络，包括：

所述瓶颈层有四个，每个瓶颈层的结构相同，前三个瓶颈层的输出端均依次连接有一个1×1的卷积层和一个池化层，四个瓶颈层依次级联，第一个瓶颈层中第一个1×1的卷积层接收每条车道线的特征图，第四个瓶颈层的输出结果进行正则化以后输入到一个激活函数中，然后再输入到一个池化层，该池化层的结果输入到全连接层，全连接层输出车道的类别。

2.一种采用级联网络的车道线分类系统，其特征在于，所述系统包括：

车道线定位网络构建模块，用于对ERFNet网络进行预处理得到UERFNet网络并训练UERFNet网络，将训练好的UERFNet网络作为车道线定位网络；所述对ERFNet网络进行预处理，包括：

对ERFNet网络的第16层输出结果进行上采样，上采样的结果输入ERFNet网络的第17层，并且ERFNet网络的第1层输出结果输入到其第23层，ERFNet网络的第2层输出结果输入到其第22层，ERFNet网络的第3层输出结果输入到其第21层，ERFNet网络的第4层输出结果输入到其第20层，ERFNet网络的第5层输出结果输入到其第19层，ERFNet网络的第6层输出结果输入到其第18层，ERFNet网络的第7层输出结果输入到其第17层；

所述训练UERFNet网络，将训练好的UERFNet网络作为车道线定位网络，包括：

向UERFNet网络输入大量车道的图像；

通过公式计算每个输入图像的损失值，其中，N表示图像中像素个数，y_i表示第i个像素属于某个车道或者属于背景，p_i表示第i个像素的类别预测概率值且c表示车道线的类别总数，s_i表示网络预测出第i个像素的类别的分数，j表示第j个像素，e⁽⁾表示以e为底的指数函数；

当损失值最小时，停止训练，损失值最小时获得的UERFNet网络作为训练好的UERFNet网络，将训练好的UERFNet网络作为车道线定位网络；

位置点获取模块，用于将待分类车道线的图像输入车道线定位网络获取每条车道线的位置点；

特征提取模块，用于在原始图像中提取每条车道线的位置点所对应的像素值，形成每条车道线的特征图；

车道分类网络构建模块，用于多个瓶颈层以及全连接层级联构建车道分类网络；

车道类别获取模块，用于将每条车道线的特征图输入车道线分类网络中，输出车道的类别；

所述瓶颈层包括两个1×1的卷积层以及两个3×3的卷积核，第一个1×1的卷积层、第一个3×3的卷积核、第二个1×1的卷积层以及第二个3×3的卷积核顺次连接，第一个1×1的卷积层的结果与第一个3×3的卷积核的结果叠加后分别输入第二个1×1的卷积层的输入端、第二个3×3的卷积核的输入端以及第二个3×3的卷积核的输出端中；

所述车道分类网络构建模块，还用于：

所述瓶颈层有四个，每个瓶颈层的结构相同，前三个瓶颈层的输出端均依次连接有一个1×1的卷积层和一个池化层，四个瓶颈层依次级联，第一个瓶颈层中第一个1×1的卷积层接收每条车道线的特征图，第四个瓶颈层的输出结果进行正则化以后输入到一个激活函数中，然后再输入到一个池化层，该池化层的结果输入到全连接层，全连接层输出车道的类别。