[发明专利]融合边缘相减与权重均值标准化策略的快速车道线检测方法

权利要求书

1.一种融合边缘相减与权重均值标准化策略的快速车道线检测方法，其特征在于，包括以下步骤：

(1)对预先获取的车道线数据进行预处理，完成数据集的制作；

(2)在UFLD模型特征提取网络Resnet18中的BasicBlock模块引入SE注意力机制和空洞卷积；

(3)引入相加融合与边缘相减策略，提取更加详细的物体轮廓信息，避免无视觉线索问题的产生；

(4)引入权重均值标准化策略，构建出车道线检测模型ES-UFLD-WMN；

(5)对ES-UFLD-WMN的参数配置进行调整并进行训练，获取最优结果，实现车道线检测。

2.根据权利要求1所述的融合边缘相减与权重均值标准化策略的快速车道线检测方法，其特征在于，所述步骤(1)实现过程如下：

对车道线数据进行扩增和车道线的线性拟合，并将预处理后的数据按照8:2的比例划分为训练集和测试集。

3.根据权利要求1所述的融合边缘相减与权重均值标准化策略的快速车道线检测方法，其特征在于，步骤(2)所述在BasicBlock模块中引入SE注意力机制实现过程如下：

从空间维度对输入的特征图进行全局平均池化操作，实现特征压缩：

式中：z_c、F_sq(u_c)表示从通道维度进行对特征图进行压缩，u_c表示原特征图每个像素的值，H表示特征图的高，W表示特征图的宽，表示对特征图的每个像素值进行求和操作；

通过全连接操作学习各通道间的关系，得到对应的权重参数；

s＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂ReLU(W₁z))

式中：s表示不同通道的权重信息，W₁、W₂分别表示两个不同的全连接层，ReLU、σ分别表示激活函数的类型；

将习得的权重参数与输入特征图所对应的各通道执行点乘运算，进而强化模型对车道线特征的关注，公式如下：

其中，s_c·u_c表示生成的权重向量s对特征图u进行权重赋值。

4.根据权利要求1所述的融合边缘相减与权重均值标准化策略的快速车道线检测方法，其特征在于，所述(2)步骤在BasicBlock模块中引入空洞卷积实现过程如下：

在BasicBlock模块中，分别将两个卷积核大小为3×3的普通卷积的空洞系数dilation设置为锯齿状，使其在增大网络感受野的同时，提高像素利用率；

在Resnet18网络起初的特征提取阶段，通过三个3×3的空洞卷积将7×7的普通卷积进行替换，感受野大小的计算公式如下：

K＝k+(k-1)(r-1)

其中，F_n表示本层感受野大小，F_n-1表示上一层感受野的大小，K表示等价的卷积核大小，k表示原始卷积核大小，S_i表示第i层卷积或池化层的步长，r表示空洞系数。

5.根据权利要求1所述的融合边缘相减与权重均值标准化策略的快速车道线检测方法，其特征在于，所述步骤(3)实现过程如下：

利用卷积、上采样对特征图尺寸进行调整；相同尺寸特征图相减，提取物体轮廓信息，公式如下；

E_n＝up_n-X_n

式中，E_n表示提取到的边缘轮廓信息；up_n表示执行步骤S1后输出的特征图，其尺寸和通道数与X_n相同；X_n表示执行步骤S1之前，与up_n尺寸相同的特征图；

在不同层级边缘相减的基础上，通过特征相加融合，使多尺度下的物体轮廓更加明晰，公式如下：

X_nn＝E_n+up_n

式中，X_nn表示边缘轮廓信息与特征图up_n相加融合之后的输出。