一种基于深度学习的实时车道线检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的实时车道线检测方法及系统，该方法包括：S1.实时采集待检测车道线图像，S2.通过检测模型的骨干网络提取待检测车道线图像的特征；S3.将所述特征输入双注意力网络获取位置和通道两个方面的特征依赖关系并进行相加融合；S4.将相加融合后的特征依赖关系输入全连接层进行分类操作并得到检测结果。本发明专利技术是基于深度学习的实时性车道线方法，方法的重点是通过引入注意力机制提高检测精度，增加曲线损失函数增强弯道的检测精度，改善骨干网络提高模型的推理速度，对于车道线检测、车道线偏离预警等场景具有较高的实用价值。本发明专利技术可以更快更准的实时检测车道线，并且对于不同的车载数据具有通用型。型。型。

【技术实现步骤摘要】
一种基于深度学习的实时车道线检测方法及系统


[0001]本专利技术属于智能驾驶
，具体涉及一种基于深度学习的实时车道线检测方法及系统。

技术介绍

[0002]车道线检测是辅助驾驶和自动驾驶中的基础任务，是实现其功能的必不可少的环节，其检测效果会直接影响后续车道线偏离预警等决策任务。因此，车道线检测是非常关键的课题。目前，车道线检测方法基本可以分为两大类：1、传统方法；2、基于深度学习方法。其中，传统方法主要是基于车道线的物理特征信息来检测，这种方法速度较慢且精度低，鲁棒性差。因此，基于深度学习的车道线检测方法开始涌现。
[0003]常见的基于深度学习的车道线检测方法分为三类：1、基于分割的方法；2、基于行分类的方法；3、基于关键点检测的方法。基于分割的方法将车道线检测理解为像素级别的分类，利用分割的方式检测车道线。基于行分类的方法将图像划分为许多的网格，通过选择网格来推断车道线的位置。基于关键点检测的方法主要是将通过确定车道线的有序关键点，以此确定车道线的位置。其中，基于分割的方法需要捕获图像上像素点的位置关系，网络设计需要更多的信息传递，从而导致检测速度慢，发展受到了极大的限制。基于关键点检测的方法需要估计每个关键点之间的位置偏移量与其邻居相关联，这种做法虽然在车道线形状上很灵活，但低效且耗时，而且如果错误地关联了一个特征点，就会造成车道线起于部分估计失败。基于行分类的方法速度最快，主要因为行分类的方法将车道线任务分解成数量较少的分类问题，计算复杂度最低，而且如果车道线被遮挡，可以通过全局信息去预测，解决了无视觉线索的问题。
[0004]目前，基于深度学习的车道线检测方法主要分为三类：基于分割的方法、基于关键点检测的方法和基于行分类的方法。由于基于分割的方法和基于关键点检测的方法低效且耗时，这类方法不太适合于工程部署。基于行分类的方法将车道线检测任务定义为行选择的问题，大大提高了检测的速度，并且有效利用了图像的全局信息，可以通过道路的形状，车头的方向，其他没有被遮挡的车道线的位置来预测被遮挡的车道线，解决了无线索的问题，在挑战性的场景具有优势。但是，基于行分类的方法对于边界的信息敏感性弱，在提取特征时，网络卷积和池化会丢失重要的信息，导致精度比较低；并且，基于行分类的方法采用的骨干网络(Backbone)通常为残差网络(ResNet)，不够轻量化，速度比较慢；此外，基于行分类的方法将车道线大多判断为直线，在损失函数上设计不够合理，导致弯道检测效果较差。

技术实现思路

[0005]本专利技术的目的在于克服现有技术之缺陷，本专利技术提出了一种基于深度学习的实时车道线检测方法及系统，该方法通过利用结构重参数化技术，替换为更轻量的Backbone，提高推理速度；通过引入双注意力网络，实现更准确的车道线检测；通过设计新的损失函数，
让其更关注于曲线特征，提高弯道检测效果。
[0006]为了到达预期效果，本专利技术采用了以下技术方案：
[0007]本专利技术公开了一种基于深度学习的实时车道线检测方法，包括：
[0008]S1.实时采集待检测车道线图像；
[0009]S2.通过检测模型的骨干网络提取待检测车道线图像的特征；
[0010]S3.将所述特征输入双注意力网络获取位置和通道两个方面的特征依赖关系并进行相加融合；
[0011]S4.将相加融合后的特征依赖关系输入全连接层进行分类操作并得到检测结果。
[0012]进一步地，所述实时采集待检测车道线图像经过重新调整大小后再通过检测模型的骨干网络提取特征。
[0013]进一步地，所述检测模型的骨干网络采用RepVGG。
[0014]进一步地，在检测模型训练时加入辅助分割头，并将骨干网络提取的特征和辅助分割头的特征进行融合，得到新的特征再输入双注意力网络。
[0015]进一步地，所述双注意力网络中的位置注意力和通道注意力采用并行处理，并进行元素求和连接。
[0016]进一步地，针对直道线检测，所述直道线检测模型的损失函数包括：
[0017]L
total
＝L
cls
+α1L
str
+β1L
seg
，L
str
＝L
sim
+λ1L
shp
，
[0018]其中，α1、β1、λ1分别为直道线损失函数的系数，L
cls
为交叉熵损失，L
str
为结构损失，L
seg
为分割损失，结构损失L
str
包括相似性损失L
sim
和形状损失L
shp
。
[0019]进一步地，针对弯道线检测，所述弯道线检测模型的损失函数包括：
[0020]L
total
＝L
els
+a2L
str
+P2L
seg
+γ2L
curve
,L
str
＝L
sim
+λ2L
shp
,
[0021]其中，α2、β2、λ2、γ2分别为弯道线损失函数的系数，L
cls
为交叉熵损失，L
str
为结构损失，L
seg
为分割损失，结构损失L
str
包括相似性损失L
sim
和形状损失L
shp
，L
curve
为弯道损失。
[0022]进一步地，所述弯道损失具体包括：
[0023][0024]其中，Loc表示二阶差分函数，Loc
i,j
为第i条车道在第j行位置的期望值，Loc
i,j
和Loc
i,j+1
是同一条车道线的相邻行位置，Loc
i,j+1
和Loc
i,j+2
是同一条车道线的相邻行位置，Loc
i,j+2
和Loc
i,j+3
是同一条车道线的相邻行位置，c为车道线的条数，k为同一条车道线上点的个数。
[0025]进一步地，所述检测模型的损失函数的系数大小范围为0～1。
[0026]本专利技术还公开了一种基于深度学习的实时车道线检测系统，包括：
[0027]采集模块，用于实时采集待检测车道线图像；
[0028]检测模块，用于通过检测模型的骨干网络提取待检测车道线图像的特征；将所述
特征输入双注意力网络获取位置和通道两个方面的特征依赖关系并进行相加融合；将相加融合后的特征依赖关系输入全连接层进行分类操作并得到检测结果。
[0029]与现有技术相比，本专利技术的有益效果是：本专利技术公开了一种基于深度学习的实时车道线检测方法及系统，该方法包括：S1.实时采集待检测车道线图像，S2.通过检测模型的骨干网络提取待检测车道线图像的特征；S3.将所述特征输入双注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的实时车道线检测方法，其特征在于，包括：S1.实时采集待检测车道线图像；S2.通过检测模型的骨干网络提取待检测车道线图像的特征；S3.将所述特征输入双注意力网络获取位置和通道两个方面的特征依赖关系并进行相加融合；S4.将相加融合后的特征依赖关系输入全连接层进行分类操作并得到检测结果。2.如权利要求1所述的一种基于深度学习的实时车道线检测方法，其特征在于，所述实时采集待检测车道线图像经过重新调整大小后再通过检测模型的骨干网络提取特征。3.如权利要求1所述的一种基于深度学习的实时车道线检测方法，其特征在于，所述检测模型的骨干网络采用RepVGG。4.如权利要求1所述的一种基于深度学习的实时车道线检测方法，其特征在于，在检测模型训练时加入辅助分割头，并将骨干网络提取的特征和辅助分割头的特征进行融合，得到新的特征再输入双注意力网络。5.如权利要求1所述的一种基于深度学习的实时车道线检测方法，其特征在于，所述双注意力网络中的位置注意力和通道注意力采用并行处理，并进行元素求和连接。6.如权利要求1所述的一种基于深度学习的实时车道线检测方法，其特征在于，针对直道线检测，所述直道线检测模型的损失函数包括：L
total
＝L
cls
+α1L
str
+β1L
seg
，L
str
＝L
sim
+λ1L
shp
，其中，α1、β1、λ1分别为直道线损失函数的系数，L
cls
为交叉熵损失，L
str
为结构损失，L
seg
为分割损失，结构损失L
str
包括相似性损失L
sim
和形状损失L
shp
。7.如权利要求1所述的一种基于深度学习的实时车道线检测方法，其特征在于，针对弯道线检测，所述弯道线检测模型的损失函数包括：L<...

【专利技术属性】
技术研发人员：黄立，黄晟，杜帅，田鹏，周向，王鹏，
申请(专利权)人：武汉轩辕智驾科技有限公司，
类型：发明
国别省市：