申请/专利权人：华南理工大学

申请日：2024-01-30

公开（公告）日：2024-04-26

公开（公告）号：CN117935202A

主分类号：G06V20/56

分类号：G06V20/56;G06V10/82;G06V10/774;G06V10/776;G06N3/0464;G06N3/08;G06N3/045;G06V10/46;G06V10/764;G06V10/74

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开了一种基于深度学习的低光照环境车道线检测方法，包括：获取车道线数据集TuSimple并进行预处理，划分训练集与验证集；用训练集训练构建的车道线检测网络，并用验证集筛选得到最优的车道线检测网络模型；获取多曝光图像数据集SCIE并用该数据集对构建的低光照增强网络进行训练，筛选得到最优的低光照增强网络模型；将车道线检测网络模型和低光照增强网络模型进行量化与部署；用部署好的低光照增强网络模型对车载前置摄像头的输入图像进行光照增强得到增强图像，用车道线检测网络模型检测增强图像中的车道线，输出检测结果。本发明可更准确更快速地检测低光照环境下的车道线，进一步提高自动驾驶的安全性与可靠性。

主权项：1.基于深度学习的低光照环境车道线检测方法，其特征在于，包括以下步骤：1获取车道线数据集TuSimple；2对TuSimple进行预处理，并按比例划分为训练集与验证集；3把训练集送入构建的基于深度学习的车道线检测网络进行训练，并用验证集验证训练效果，以车道线检测网络在验证集上的表现确定最佳车道线检测网络模型权重参数，用其构建最优的车道线检测网络模型；其中，基于深度学习的车道线检测网络由ResNet50主干网络、CoT注意力模块和两个MLP模块构成，ResNet50主干网络用于提取输入车道线图像的特征，CoT注意力模块用于筛选ResNet50主干网络提取的特征中的关键特征，并输入到两个MLP模块中，一个MLP模块用于进行车道线的分类，另一个MLP模块用于进行车道线的定位；4获取多曝光图像数据集SICE，用于训练构建的低光照增强网络，得到最优的低光照增强网络模型；其中，低光照增强网络共有6层，前3层各由1个32通道的3*3卷积层构成，后3层各由2个32通道的3*3卷积层融合构成，并设计损失函数对其进行优化；5对步骤3得到的最优的车道线检测网络模型与步骤4得到的最优的的低光照增强网络模型进行量化与部署；6将车辆前置摄像头采集的道路图像逐帧输入部署好的低光照增强网络模型中，得到增强图像，再将增强图像输入到部署好的车道线检测网络模型中，得到车道线检测结果，并将结果绘制在输入图像上，实现检测结果的可视化。

全文数据：

权利要求：

百度查询： 华南理工大学 基于深度学习的低光照环境车道线检测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD