[发明专利]一种基于深度学习方法的遮挡车道线检测方法

说明书

本发明公开了一种基于深度学习方法的遮挡车道线检测方法，其方法包括：对车道线数据进行增强及尺寸统一操作；利用多通道特征空间金字塔为特征提取网络，进行对预处理完毕的车道线信息进行语义分割及多尺度特征融合；引入双注意力机制的循环特征丰富模块，将遮挡前后的车道线空间信息丰富到原始特征中，增加了车道线细粒度特征细节；通过二分类损失计算将车道线与背景信息分离，以完成对遮挡前后的车道线检测实验，最终对结果进行分析评价。本发明的方法可实现对遮挡条件下的车道线检测，为自动驾驶和高级驾驶辅助系统(ADAS)提供重要参考。

技术领域

本发明涉及智能驾驶辅助决策技术，具体涉及一种基于深度学习方法的遮挡车道线检测方法。

背景技术

目前，神经网络已广泛应用于车道线检测，其常作为自动驾驶和高级驾驶辅助系统 (ADAS)的重要参考。车道线检测存在由其他车辆造成的遮挡的现象、天气多变造成的弱光环境、车道线固有的稀疏特性等情况，这些情况对神经网络的提取特征提取能力产生挑战，同时给车道检测带来问题。

传统方法使用普通卷积神经网络（CNN），一方面易将遮挡前后的车道线误分类为道路背景，另一方面无法将图像里的空间信息及细微特征之间的相关性联系起来。

发明内容

本发明的主要目的在于提供一种基于深度学习方法的遮挡车道线检测方法。

本发明采用的技术方案是：一种基于深度学习方法的遮挡车道线检测方法，包括：

步骤1，对车道线数据进行增强及尺寸统一操作；

步骤2，利用多通道特征空间金字塔为特征提取网络，进行对预处理完毕的车道线信息进行语义分割及多尺度特征融合；

步骤3，引入双注意力机制的循环特征丰富模块，将遮挡前后的车道线空间信息丰富到原始特征中，增加了车道线细粒度特征细节；

步骤4，通过二分类损失计算将车道线与背景信息分离。

进一步地，所述步骤1包括：

步骤101，将CULane数据集的原始图像尺寸进行裁剪以去除非车道线的特征部分；

步骤102，将CULane数据集的原始图像及对应标签尺寸调整为288 * 800；

步骤103，对尺寸统一后的CULane数据进行随机旋转，平移，模糊等操作将数据进行增强以在训练时提升网络的鲁棒性。

更进一步地，所述步骤2包括：

步骤201，在CuLane数据集上预训练ResNet卷积神经网络；

步骤202，在ResNet50-FPN主干网络中导入预训练模型的权值参数从而初始化网络；

步骤203，不断优化分割BCE损失函数，提升网络对车道线特征的提取能力。

更进一步地，所述步骤2还包括：

利用RestNet50-FPN对浅层特征图的局部语义信息和深层特征图的全局语义信息进行信息特征融合；在ResNet50网络的基础上，额外增加了一条由上至下的侧路用于将全局语义和局部语义相融合；对ResNet50的四个阶段中，从最深层特征图开始，经过 1*1 卷积与上采样操作之后，分别产生4个阶段对应的金字塔特征图，然后通过特征图相加的方式将四个阶段分别得到的特征元素进行融合；最后经过1*1的卷积，对融合的特征图进行下采样，降低特征图尺寸至128*36 * 100。

更进一步地，所述步骤3包括：

循环特征丰富模块在特征图的上下左右四个方向把特征切片信息聚合起来；在信息聚合过程，在网络加入Polarized Self-Attention模块，让网络能够好的拟合出细粒度车道线特征；经过4次迭代使用循环特征丰富模块，最后将所有信息融合在一张特征图的过程，融合后的特征尺寸为128*1 * 1。

更进一步地，所述步骤4包括：

二分类损失计算检测出车道线具体为：