一种基于线段交并比损失函数的车道线检测方法技术

本发明专利技术公开了一种基于线段交并比损失函数的车道线检测方法。获取真实道路场景图片，标注车道线实际位置，构成训练数据集；输入检测模型，获得车道线预测位置；构建线段交并比损失函数，计算车道线的分类损失和车道线的回归损失；优化损失函数进行训练；选择实时待检测的道路场景图片输入到训练后的检测模型中，处理得到车道线预测位置。本发明专利技术将车道线视为一个整体进行回归预测，损失函数简单有效，提升整体检测精度，具有很高的优越性。具有很高的优越性。具有很高的优越性。

【技术实现步骤摘要】
一种基于线段交并比损失函数的车道线检测方法


[0001]本专利技术属于计算机视觉车道线检测领域的一种车道线图像处理方法，尤其是涉及一种基于线段交并比损失函数的车道线检测方法。

技术介绍

[0002]车道线检测是计算机视觉领域的重要任务。它是与深度学习相互促进和发展的领域，可以应用到自动驾驶或者辅助驾驶中，为其提供道路车道线的信息，进而帮助智能车辆更好的定位车辆位置。
[0003]在车道线检测检测中，需要输出图片中车道线的位置信息。在通常情况下，度量两个车道线之间的相似性会采用l
n
的损失函数。但是这种损失函数将车道线视为多个独立的点集，每个点单独进行回归。这种假设过于简单，没有将车道线视为一个整体。因此检测结果也不够精准。在国际顶级会议上提出《UnitBox:An Advanced Object Detection Network》，表明了交并比(Intersection over Union,IoU)损失函数可以将目标矩形框作为一个整体进行回归。在计算机视觉国际定义会议CVPR2019上提出的《Generalized Intersection over Union:A Metric and A Loss for Bounding Box Regression》将交并比损失扩展到了矩形框无重合的情况。但是这类损失函数是基于矩形框的，对于车道线并不适用。

技术实现思路

[0004]为了解决
技术介绍
中存在的问题，本专利技术提出一种基于线段交并比损失函数的车道线检测方法，注重于将车道线视为一个整体进行回归预测，提升整体检测精度。
[0005]本专利技术所采用的技术方案是：
[0006](1)获取真实道路场景图片，标注作为目标的车道线实际位置，构成训练数据集；
[0007](2)将训练数据集输入检测模型，获得训练数据集中各个图片的车道线预测位置；
[0008](3)构建车道线预测位置和车道线实际位置之间的基于线段交并比的损失函数，分别计算车道线的分类损失和车道线的回归损失；
[0009](4)优化上述损失函数，选择训练数据集中的图片，重复步骤(2)和(3)，达到预设训练次数后结束训练；
[0010](5)检测模型训练完毕后，选择实时待检测的道路场景图片输入到训练后的检测模型中，处理得到车道线预测位置。
[0011]如图2所示，所述步骤(1)中，车道线实际位置表示为：
[0012][0013][0014]其中，G是车道线实际位置的点集，N是点集的总个数，表示车道线实际位置第i
个点的横坐标，是车道线实际位置第i个点的纵坐标，H表示图片的高度；
[0015]所述步骤(2)中，车道线预测位置表示为：
[0016][0017]其中，P是车道线预测位置的点集，表示车道线预测位置第i个点的横坐标，是车道线预测位置第i个点的纵坐标；
[0018]在所述步骤(3)中，建立以下车道线预测位置P和车道线实际位置G之间的线段交并比损失函数：
[0019][0020][0021][0022]其中，LIoU表示车道线的交并比，e表示预设的固定长度，分别是线段的交集和并集，分别表示第i个车道线预测位置和第i个车道线实际位置和延伸固定长度e得到线段；
[0023]最后，根据车道线的交并比LIoU设置交并比的损失函数Loss
LIoU
为：
[0024]Loss
LIoU
＝1
‑
LIoU。
[0025]再根据基于线段交并比的损失函数建立以下总损失函数：
[0026]Loss
all
＝Loss
LIoU
+Loss
Focal
[0027]其中，Loss
Focal
表示为车道线分类的损失函数。
[0028]所述的车道线分类的损失函数Loss
Focal
采用FocalLoss，计算为：
[0029][0030]其中，p表示预测概率，y表示真实标签，α和γ是两个拟合参数，具体实施分别为0.5和2。
[0031]现有技术中，度量两个车道线之间的相似性会采用l
n
的损失函数。但是这种损失函数将车道线视为多个独立的点集，每个点单独进行回归。这种假设过于简单，没有将车道线视为一个整体。交并比虽然可以将车道线视为一个整体进行回归，但是现在技术中只有计算基于锚框的交并比，显然，车道线使用锚框来表示不够合理。因此通常情况下是无法使用基于锚框的交并比损失进行优化的。
[0032]但是本专利技术却将车道线对象提取线段，以线段建立交并比参数，进行损失优化，将车道线视为一个整体进行回归，大大提升回归的准确率。
[0033]与现有技术相比，本专利技术具有以下有益效果：
[0034]1、本专利技术提出基于线段交并比损失函数的车道线检测方法，注重于将车道线视为一个整体进行回归预测，提升整体检测精度。
[0035]2、本专利技术提出的损失函数简单有效，可以任意插入到各种车道线检测网络中，提
升检测精度。
[0036]3、本专利技术在主流的车道线检测数据集CULane中，通过大量实验证明，展示了高于其他算法的性能，从实验证明了方法的优越性。
附图说明
[0037]图1为本专利技术方法的整体框架和流程示意图；
[0038]图2为本专利技术中线段交并比损失函数示意图；
[0039]图3为本专利技术中可视化效果图。
具体实施方式
[0040]下面结合附图和实施例对本专利技术做进一步详细描述，
[0041]如图1所示，按照本专利技术
技术实现思路
完整方法实施的实施例及其过程包括以下步骤：
[0042](1)获取真实道路场景图片，标注作为目标的车道线实际位置，构成训练数据集；
[0043]步骤(1)中，车道线实际位置表示为：
[0044][0045][0046]其中，G是车道线实际位置的点集，N是点集的总个数，表示第i个车道线实际位置的横坐标，是第i个车道线实际位置的纵坐标，H表示图片的高度，i表示车道线实际位置的序数，g表示实际。。
[0047](2)将训练数据集输入检测模型，获得训练数据集中各个图片的车道线预测位置；
[0048]具体实施中，检测模型可以包括：
[0049]S1、输入道路图片并利用卷积神经网络提取全局图片特征，再将预定义好的车道线投影到图片特征上提取获得车道线特征。卷积神经网络具体是由多层卷积层依次连接构成。预定义好的车道线是在道路图片中按照规则均匀分布的、并且利用ROIAlign方法从图片特征中预先得到车道线图像区域。
[0050]S2、对于每个车道线特征，在车道线特征上进行信息传递得到表达能力更强的初步车道线特征；采用卷积操作和全连接操作在车道线特征上进行信息传递，即车道线特征中的每个特征点聚集到相邻特征点的特征，获得初步车道线特征。
[0051]S3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于线段交并比损失函数的车道线检测方法，其特征在于：方法包括以下步骤：(1)获取真实道路场景图片，标注作为目标的车道线实际位置，构成训练数据集；(2)将训练数据集输入检测模型，获得训练数据集中各个图片的车道线预测位置；(3)构建车道线预测位置和车道线实际位置之间的基于线段交并比的损失函数，分别计算车道线的分类损失和车道线的回归损失；(4)优化上述损失函数，选择训练数据集中的图片，重复步骤(2)和(3)，达到预设训练次数后结束训练；(5)检测模型训练完毕后，选择实时待检测的道路场景图片输入到训练后的检测模型中，处理得到车道线预测位置。2.根据权利要求1所述的一种基于线段交并比损失函数的车道线检测方法，其特征在于：所述步骤(1)中，车道线实际位置表示为：于：所述步骤(1)中，车道线实际位置表示为：其中，G是车道线实际位置的点集，N是点集的总个数，表示车道线实际位置第i个点的横坐标，是车道线实际位置第i个点的纵坐标，H表示图片的高度；所述步骤(2)中，车道线预测位置表示为：其中，P是车道线预测位置的点集，表示车道线预测位置第i个点的横坐标，是车道线预测位置第i个点的纵坐标；在所述步骤(3)中，...

【专利技术属性】
技术研发人员：郑途，黄亦非，刘洋，唐文剑，杨政，何晓飞，
申请(专利权)人：杭州飞步科技有限公司，
类型：发明
国别省市：