买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:浙江理工大学
摘要:本发明公开了一种基于改进SCNN的混合空间‑时间的车道线检测方法,该方法在每个方向上的逐块流动策略代替原先SCNN的逐层流动,有效地缩短了SCNN处理时间,使得在空间位置上连续的车道线可以在不同方向上进行轻量级的信息传递。使用替代策略代替SCNN在信息流动过程中采用的叠加策略,从而避免了叠加值在二值化过程中大于1导致的信息丢失问题,从而有利于特征流动。基于上述两点提高了车道线检测的实时性。本发明还公开了一种基于改进SCNN的混合空间‑时间的车道线检测装置。
主权项:1.一种基于改进SCNN的混合空间-时间的车道线检测方法,其特征在于,包括:获得车道数据集,从车道数据集中筛选多个连续帧车道图片作为训练样本,多个训练样本构建训练样本集;构建训练模型,所述训练模型包括编码层和解码层,所述编码层包括改进SCNN模块、Resnet34网络和Conv-LSTM模块,对训练样本进行卷积和最大池化处理得到车道线融合特征图,所述改进SCNN模块用于获得车道线形状特征编码信息,包括:1将车道线融合特征图进行横向和纵向逐块划分,将每一块特征图分为第一部分和第二部分,所述第二部分为与下一块特征图连接的部分;2对车道线融合特征图的当前块特征图进行卷积操作,将卷积操作的结果替换当前块特征图的第二部分,然后滑动至下一块特征图的第一部分,对替换后的当前块特征图的第二部分和下一块特征图的第一部分进行卷积操作,将卷积操作结果替换下一块特征图的第一部分;3重复步骤2直至最后一块特征图替换完成以实现信息流动得到车道线形状特征编码信息;将车道线形状特征编码信息依次通过Resnet34网络和Conv-LSTM模块以补偿车道线细节编码信息和训练样本中各帧车道线图片的时间关联信息从而得到车道线图片融合编码信息,将车道线图片融合编码信息输入解码层得到预测车道线图片;基于预测车道线图片和实际车道线标签构建损失函数,基于损失函数通过训练样本集训练训练模型得到车道线预测模型,将道路图像输入车道线预测模型得到预测车道线图片。
全文数据:
权利要求:
百度查询: 浙江理工大学 一种基于改进SCNN的混合空间-时间的车道线检测方法和装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。