[发明专利]一种融合传统特征提取与深度神经网络的车道线检测方法

权利要求书

1.一种融合传统特征提取与深度神经网络的车道线检测方法，其特征在于，包括：

S1、基于输入道路图片，提取所述道路图片中车道线的先验特征，获得车道线先验特征图；

S2、将所述车道线先验特征图与所述道路图片进行拼接得到道路特征图；

S3、将所述道路特征图输入到深度神经网络模型中，对所述道路特征图进行特征提取与关键点预测，得到每条车道线在预先设置好的网格单元中关键点的位置坐标，其中所述关键点为在所述网格单元中属于车道线的点；

所述深度神经网络模型包括特征提取网络模块和关键点预测网络模块，所述特征提取网络模块用于对所述道路特征图中车道线不同尺寸的特征进行学习；所述关键点预测网络模块用于接收来自所述特征提取网络模块的车道线特征，输出每条车道线中各关键点的位置坐标；

对所述道路特征图进行关键点预测包括：

将所述特征提取网络模块学习到的所述车道线特征输入所述关键点预测网络模块中，利用所述关键点预测网络模块中的两个全连接层预测出在网格单元中各车道线关键点的坐标；将网格单元宽度神经网络与网格单元深度神经网络所得预测坐标相乘，计算出车道线点在所述输入道路图片中的坐标，输出车道线位置的预测图；

预测出在所述网格单元中各车道线的位置包括：

通过所有网格单元中每条车道线预测概率最大处以及所述网格单元的索引k，得到车道线的位置，基于softmax函数得到不同网格单元处的预测概率，然后求出所述的期望，即为车道线的在网格单元中的预测位置：

其中，为第i个车道线在第j行中w个单元格各位置处的预测概率分布；为的第k个值，表示第j行第k列存在第i个车道线的预测概率；为第j行第i个车道线的位置，w为预先设置好的网格单元列数。

2.根据权利要求1所述的融合传统特征提取与深度神经网络的车道线检测方法，其特征在于，S1中，获取所述输入道路图片包括：

将车载相机通过支架固定在车位置顶中央，调整所述车载相机的安装角度，对准待检测区域，利用所述车载相机采集车辆前方待检测区域的道路图像。

3.根据权利要求2所述的融合传统特征提取与深度神经网络的车道线检测方法，其特征在于，获得所述车道线先验特征图包括：

S1.1、对所述道路图片基于加权平均法进行灰度化处理，配置RGB分量所占比重，保留所述道路图片中车道线的亮度信息，得到道路的单通道灰度图；

S1.2、对所述单通道灰度图依次进行中值滤波、线性灰度拉伸以及OTSU自动阈值分割，然后根据所述车载相机的安装角度以及所检测道路环境的特点，选取感兴趣区域；

S1.3、对所述感兴趣区域图像进行Canny边缘检测操作，将边缘检测后的图像与边缘检测前的图像中各像素点灰度值进行加权平均，输出的单通道图像即为所述车道线先验特征图。

4.根据权利要求1所述的融合传统特征提取与深度神经网络的车道线检测方法，其特征在于，S2中，得到所述道路特征图包括：

将所述车道线先验特征图与所述道路图片在通道维度上进行拼接，获得通道合并后的所述道路特征图。

5.根据权利要求1所述的融合传统特征提取与深度神经网络的车道线检测方法，其特征在于，S3中，对所述道路特征图进行特征提取包括：对所述道路特征图进行图像变换，调整图像并将所述道路特征图转化为张量以及归一化处理，获取变换后的道路特征图；将所述图像变换后的道路特征图输入所述特征提取网络模块，获取不同尺度的车道线特征。