(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111616034.X (22)申请日 2021.12.27 (71)申请人 江苏航天大为科技股份有限公司 地址 214000 江苏省无锡市锡山经济开发 区科技工业园1号 (72)发明人 付本刚　吴秋硕　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 胡伟 (51)Int.Cl. G06V 20/58(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06T 5/00(2006.01) G06V 10/764(2022.01)G06V 10/26(2022.01) G06V 10/82(2022.01) (54)发明名称 一种车道线检测方法 (57)摘要 本发明提供一种车道线检测方法， 包括以下 步骤： S1： 获取道路图像， 对道路图像进行预处 理， 得到输入图像； S2： 利用车道线识别模型识别 输入图像中是否存在车道线， 若存在车道线， 则 执行步骤S3， 若不存在车道线， 执行步骤S5； S3： 利用车道线检测模型对输入图像进行检测， 将检 测结果映射为车道线在输入图像中的坐标， 得到 车道线坐标点； S4： 选取车道线中间部分的车道 线坐标点进行拟合处理， 得到最优拟合车道线作 为输出结果； S5： 执行结束。 本发明提供一种车道 线检测方法， 解决了目前的车道线检测技术还不 够完善的问题。 权利要求书3页 说明书9页 附图8页 CN 114463715 A 2022.05.10 CN 114463715 A 1.一种车道线检测方法， 其特 征在于， 包括以下步骤： S1： 获取道路图像， 对道路图像进行 预处理， 得到输入图像； S2： 利用车道线识别模型识别输入图像中是否存在车道线， 若存在车道线， 则执 行步骤S3， 若不存在车道线， 则输出 结果为无车道线， 执 行步骤S5； 所述车道线识别模型基于卷积神经网络Vg g16构建； S3： 利用车道线检测模型对输入图像进行检测， 将检测结果映射为车道线在输入图像 中的坐标， 得到车道线坐标点； 所述车道线检测模型基于改进分割注意力模型的ResNeSt18特 征提取网络构建； S4： 选取车道线中间部分的车道线坐标点进行拟合处理， 得到最优拟合车道线作为输 出结果； S5： 执行结束。 2.根据权利要求1所述的一种车道线检测方法， 其特征在于， 步骤S1中预处理包括图像 灰度化处 理和图像滤波处 理。 3.根据权利要求1所述的一种车道线检测方法， 其特征在于， 所述ResNeSt18特征提取 网络的分割注意力模型 的改进具体为： 将输入分割注意力模型的特征图先进行卷积、 激活 和池化操作， 再将特征图分割为多个子特征图， 然后让各个子特征图分别进入不同的子通 道中， 经过1*1卷积层学习得到各个子通道的特征， 形成注意力机制， 最后将各个子通道的 特征融合， 输出融合后的特 征图。 4.根据权利要求3所述的一种车道线检测方法， 其特征在于， 所述车道线检测模型在训 练时结合语义分割网络U ‑Net进行多任务学习， 并通过反向传播的方式进行权 重更新； 其中， 所述车道线检测模型包括四个Layer层， 前三个Layer层输出的特征图作为语义 分割网络U ‑Net的输入。 5.根据权利要求4所述的一种车道线检测方法， 其特征在于， 在将输入图像输入车道线 检测模型进行检测之前还 包括以下步骤： A1： 将输入图像压缩为预设的尺寸； A2： 对输入图像做数据增强处 理， 包括图像旋转随机角度和图像左右偏移； A3： 将输入图像并行地做两部分处理， 分别作为车道线检测模型的输入和语义分割网 络U‑Net的标签， 具体处 理步骤如下： A3.1： 将输入图像划分为w*h个 网格， 并(结合车道线识别模型的识别结果)标注每个 网 格是否存在车道线， 其中， w表示输入图像 被划分的列数， h表示输入图像 被划分的行 数； A3.2： 将输入图像压缩为 适合语义分割网络U ‑Net网络结构的标签数据。 6.根据权利要求5所述的一种车道线检测方法， 其特征在于， 定义所述车道线检测模型 和语义分割网络U ‑Net结合后的整体损失函数为： loss＝α *Lcls+β *Lsim+γ*Lshp+ μ*Lseg 其中， Lcls为车道线检测模型的分类损失函数、 Lsim为约束车道线结构的相似性损失函 数、 Lshap为约束车道线结构的形状损失函数、 Lseg为语义分割网络U ‑Net的交叉熵损失函数， α 为Lcls的权重值、 β 为 Lsim的权重值、 γ为 Lshp的权重值、 μ为 Lseg的权重值。 7.根据权利要求6所述的一种车道线检测方法， 其特 征在于，权　利　要　求　书 1/3 页 2 CN 114463715 A 2定义所述车道线检测模型的分类损失函数为： Lcls＝NllLoss[(1‑softmax(Plogit))gamma*log(softmax(Plogit)),Label]Λ Λ   (1) 其中， NllLoss函数表示根据标签取出对应位置的损失值， Plogit表示车道线检测模型输 出的logit概率值， softmax(.)表示车道线检测模型输出概 率做softmax 归一化运算； 定义所述约束车道线结构的相似性损失函数为： 其中， Pi,j表示第i个车道， 第j行存在 车道线的概率值， C表示车道总数量， h表示输入图 像被划分的行 数； 定义所述约束车道线结构的形状损失函数为： 其中， Loci,j表示第i个车道线所在j行的位置信息， w表示输入图像被划分的列数， k表示输入图像的第k列， K表示训练时所用训练集的列 数集合； 定义所述语义分割网络U ‑Net的交叉熵损失函数为： 其中， M表示类别的数量； yic表示符号函数， 如果样本i的真实类别等于c取1， 否则取0； pic表示观测样本i属于类别c的预测概 率。 8.根据权利要求7所述的一种车道线检测方法， 其特征在于， 在步骤S3中， 通过以下公 式计算出第i个车道第j行车道线的横坐标值Xij和纵坐标值Yij， 从而将检测结果映射为车 道线在输入图像中的坐标， 横坐标值Xij的计算公式为： 纵坐标值Yij的计算公式为： Yij＝anchor[j‑1‑k] 其中， W_col， W_img， w_input分别表示图像划分网格宽度、 原始的图像宽度、 输入车道线检测 模型的图像宽度， anshor 表示划分网格的初始纵坐标集 合， k∈(0， j)。 9.根据权利要求1或8所述的一种车道线检测方法， 其特征在于， 步骤S4中， 选取车道线 中间部分的车道线坐标点进行拟合处理具体为： 在车道线两端 各去除车道线坐标点总数1/ 5的车道线坐标点， 对保留下来的车道线坐标点进行最小二乘法拟合处 理。 10.根据权利要求1所述的一种车道线检测方法， 其特征在于， 在步骤S4得到最优拟合 车道线之后， 还包括结合最优拟合车道线实现车辆变道识别， 具体为： 预设车辆变道斜率阈权　利　要　求　书 2/3 页 3 CN 114463715 A 3