[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

说明书

本发明公开了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，对预先获取的车道线数据进行预处理，完成数据集的制作；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；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；引入权重均值标准化策略，构建出车道线检测模型ES‑UFLD‑WMN；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。本发明强化物体轮廓信息提取和权重信息均值标准化对车道线检测效果的影响；遵循逐渐细节化的原则，进行特征层的相加融合，使ES‑UFLD‑WMN模型获得丰富的边缘信息，辅助主干网络对图像特征进行提取，进而兼具车道线检测精度与检测实时性。

技术领域

本发明属于计算机视觉目标检测技术领域，特别是涉及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。

背景技术

车道线检测技术作为自动驾驶领域的关键技术之一，在许多先进的汽车高级驾驶辅助系统中被广泛应用，如：车道保持、自适应巡航、车道偏离预警和车辆防碰撞预警等。其中，车道保持和自适应巡航功能可以使车辆在正确的车道内自动行驶，车道偏离预警和车辆防碰撞预警功能可以辅助驾驶员进行决策，能有效避免交通事故的发生。

但由于在车道线检测算法实现的过程中，传统的图像处理技术过于依赖人工提取的特征，易受到外界环境的影响，在光照变化、遮挡严重、阴影干扰等复杂场景下不能满足自动驾驶对检测精度的要求，并且曲线建模方法在弯道场景下，对车道线的拟合不能达到理性的效果。因此，目前对于车道线检测技术的研究也逐渐由基于传统的图像处理方法向基于深度学习的方法转变。

基于深度学习的方法凭借其强大的特征提取能力，在精度方面较传统方法得到了有效提升。但由于大多数采用分割的思想，需要对图像中的每一个像素进行分类，无法满足车道线检测实时性的需求，并且在实际场景中，受车道线磨损、遮挡和无视觉线索的影响，其检测效果在精度和实时性方面仍面临着诸多挑战。

发明内容

发明目的：本发明提供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，兼具车道线检测精度与检测实时性。

技术方案：本发明提出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，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。

进一步地，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。

进一步地，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；