一种基于UFSA算法改进的车道线智能检测方法技术

本发明专利技术公开了一种基于UFSA算法改进的车道线智能检测方法，包括获取车道线图像，并对车道线图像进行预处理，得到车道线数据集；将车道线数据集划分为独立不重复的训练集、验证集和测试集；对训练集和验证集中各车道线图像进行标注和分类；分别对训练集、验证集和测试集中各车道线图像进行特征提取；对UFSA算法所采用的Resnet18网络模型进行改进，利用训练集和验证集对改进后的Resnet18网络模型进行训练和验证，得到训练好的的车道线检测模型；利用训练好的的车道线检测模型对测试集进行检测，得到检测结果。本发明专利技术方法实现了准确的定位和车道线检测，有效缓解城市交通负担和交通事故，为自动驾驶辅助，保障驾驶的安全性。保障驾驶的安全性。保障驾驶的安全性。

【技术实现步骤摘要】
一种基于UFSA算法改进的车道线智能检测方法


[0001]本专利技术涉及一种基于UFSA算法改进的车道线智能检测方法，属于车道线检测


技术介绍

[0002]随着城镇化的加快和汽车保有量的增加，城市交通负担日益加重，交通事故频发，人们驾驶车辆的压力倍增。为了有效缓解交通的压力和避免车辆道路事故的增多，并保障驾驶的安全性，近年来在世界范围内针对为驾驶员提供帮助的车辆驾驶辅助系统的研发蓬勃展开。这些系统通过从车辆载有的传感器获取输入，利用系统输出的某种形式的反馈信号指导驾驶员安全驾驶。车道偏离预警和车道保持、车道变换和前向碰撞预警、自适应巡航控制及盲点检测系统等都属于驾驶辅助系统的范畴。车道标线检测则是组成这些系统的核心部分。所以研究车道线检测有重大理论价值和现实意义。
[0003]更为精确有效地从图像中检测出车道线是近些年来相关研究人员广泛关注的问题，人们针对车道线检测方法进行了大量研究。目前，对于车道检测有两种主流的方法，即传统的图像检测处理方法和深度分割方法。
[0004]传统的图像检测处理方式—深度分割UFSA算法存在许多问题，如：难以获取过于丰富的图像信息，难以捕获长距离的上下文信息，可能会丢失边界信息等。由于车道线检测应用场景对于车道线边界信息极为敏感，不仅需要关注对象的几何形状，更需要关注边缘信息，如颜色、纹理和照明等，因此传统的图像处理方式很难适用于车道线检测这一特殊场景。

技术实现思路

[0005]本专利技术所要解决的技术问题是：提供一种基于UFSA算法改进的车道线智能检测方法，对UFSA算法进行改进，使得改进后的算法定位和分类更准确，在一定程度上缓解了交通负担和交通事故，保障驾驶的安全性。
[0006]本专利技术为解决上述技术问题采用以下技术方案：
[0007]一种基于UFSA算法改进的车道线智能检测方法，所述车道线智能检测方法包括如下步骤：
[0008]步骤1，从基准数据集CULane中获取车道线图像，并对车道线图像进行预处理，得到车道线数据集；
[0009]步骤2，将车道线数据集划分为独立不重复的训练集、验证集和测试集；
[0010]步骤3，对训练集和验证集中各车道线图像进行标注和分类；
[0011]步骤4，分别对训练集、验证集和测试集中各车道线图像进行特征提取，获得训练集、验证集和测试集中各车道线图像的特征；
[0012]步骤5，对UFSA算法所采用的Resnet18网络模型进行改进，即用L
‑
Dice损失函数替换Softmax损失函数，利用训练集和验证集对改进后的Resnet18网络模型进行训练和验证，
得到训练好的的车道线检测模型；
[0013]步骤6，利用训练好的的车道线检测模型对测试集进行检测，得到检测结果。
[0014]作为本专利技术的一种优选方案，步骤1所述基准数据集CULane，共包含133235张图像，其中，训练图像88880张，验证图像9675张，测试图像34680张。
[0015]作为本专利技术的一种优选方案，步骤1所述对车道线图像进行预处理，得到车道线数据集，具体为：将车道线图像格式化为设定大小，从而得到车道线数据集。
[0016]作为本专利技术的一种优选方案，所述步骤2中，采用随机抽样法对车道线数据集进行划分。
[0017]作为本专利技术的一种优选方案，所述步骤3中，利用目标检测标注工具对车道线图像进行标注和分类。
[0018]作为本专利技术的一种优选方案，步骤5所述改进后的Resnet18网络模型，其损失函数定义为：
[0019]L
total
＝L
cls
+αL
str
+β(μL
seg
+γL
L
‑
Dice
)
[0020]其中，L
total
表示总体的损失函数，L
cls
表示分类损失，L
str
表示结构损失，L
seg
和L
L
‑
Dice
均表示分割损失，α、β、μ和γ均表示损失系数，μ设置为0.7，γ设置为0.3。
[0021]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0022]1、本专利技术利用基准数据集对改进的Resnet18网络模型进行训练，得到车道线智能检测模型，由此可以对车道线快速定位，比起以往的方法更高效，节省了大量的时间和人工成本。
[0023]2、本专利技术改进的Resnet18网络模型中加入L
‑
Dice损失函数，模型更关注边缘信息，如颜色、纹理和照明等，使得检测和分类更准确。
[0024]3、本专利技术改进的Resnet18网络模型中加入L
‑
Dice损失函数，使得输出不同层的特征图更精确，优化了输出数据，提高定位准确性。
[0025]4、本专利技术方法可以有效地缓解日益加重的城市交通负担和频繁的交通事故，有效地减少了人们驾驶车辆的压力。同时，也保障了驾驶的安全性。
附图说明
[0026]图1是本专利技术一种基于UFSA算法改进的车道线智能检测方法的架构图；
[0027]图2是本专利技术提出的Dice Loss示意图；
[0028]图3是UFSA网络结构的简易图；
[0029]图4是改进后UFSA网络结构的简易图；
[0030]图5是本专利技术实施例改进前后检测车道线的效果图，其中，(a)为改进前，(b)为改进后。
具体实施方式
[0031]下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0032]本专利技术公开了一种基于UFSA(Ultra Fast Structure
‑
aware)算法改进的车道线智能检测方法，鉴于原算法在车道线检测时会有丢失边界信息的缺点，该进点主要包括将
原始辅助分割分支的Softmax损失函数，改进融合为L
‑
Dice(Lane Dice Loss)损失函数，该函数使得算法更加关注车道边界的信息。通过消融实验验证了上述改进的有效性，且改进无需添加任何计算量。
[0033]如图1所示，本专利技术提出的一种基于UFSA算法改进的车道线智能检测方法，具体包括以下步骤：
[0034]步骤1，从基准数据集CULane中获取车道线图像，并对车道线图像进行预处理，得到车道线数据集；
[0035]车道线图像提取来源于CULane基准数据集，数据集标注采用中心打点式以json文件储存，一张道路图片的标注为一个元组。CULane数据集用于行车道检测学术研究的大规模挑战性数据集，一共包含133235张图像，分为88880张训练图像，9675张验证图像和34680张测试图像。预处理指的是将车道线图像格式化为设定大小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于UFSA算法改进的车道线智能检测方法，其特征在于，所述车道线智能检测方法包括如下步骤：步骤1，从基准数据集CULane中获取车道线图像，并对车道线图像进行预处理，得到车道线数据集；步骤2，将车道线数据集划分为独立不重复的训练集、验证集和测试集；步骤3，对训练集和验证集中各车道线图像进行标注和分类；步骤4，分别对训练集、验证集和测试集中各车道线图像进行特征提取，获得训练集、验证集和测试集中各车道线图像的特征；步骤5，对UFSA算法所采用的Resnet18网络模型进行改进，即用L
‑
Dice损失函数替换Softmax损失函数，利用训练集和验证集对改进后的Resnet18网络模型进行训练和验证，得到训练好的的车道线检测模型；步骤6，利用训练好的的车道线检测模型对测试集进行检测，得到检测结果。2.根据权利要求1所述的基于UFSA算法改进的车道线智能检测方法，其特征在于，步骤1所述基准数据集CULane，共包含133235张图像，其中，训练图像88880张，验证图像9675张，测试图像34680张。3.根据权利要求1所述的基于UFSA算法改进的车道线智能检测方法，其特征在于，步骤1所述对车道线图像进行预处理，得到车道线数据集，具...

【专利技术属性】
技术研发人员：张茜茜，李君，于心远，沈国丽，朱明浩，仲星，刘子怡，刘兴鑫，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：