龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：济南大学
申请日：2024-04-28
公开（公告）日：2024-06-21
公开（公告）号：CN118230273A
主分类号：G06V20/56
分类号：G06V20/56;G06V10/20;G06V10/40;G06V10/82;G06V10/80;G06V10/766;G06N3/044;G06N3/0464;G06N3/08
优先权：
专利状态码：在审-公开
法律状态：2024.06.21#公开
摘要：本发明提供一种融合深度学习与几何建模的鲁棒性车道线检测方法，首先利用基于空间变换的卷积神经网络网络对预处理后的车载图像进行关键特征提取，将生成后的特征图进行水平翻转处理，再将原始特征图和翻转后的特征图进行有效融合得到聚合特征图，采用数据驱动的策略拟合并重建三次样条曲线，形成一种可自适应学习的车道线几何模型，最后，通过分类分支和回归分支输出预测结果，精确估计出三次样条曲线的控制点和车道线存在的概率。本发明在确保曲线检测所特有的低计算复杂度优势前提下，实现了鲁棒性和准确性的统一，为自动驾驶及其他相关应用领域提供了坚实可靠的技术。
主权项：1.一种融合深度学习与几何建模的鲁棒性车道线检测方法，其特征在于，包括如下步骤：步骤一、车道线原始图像预处理，构建适用于广泛车道线结构分析的交通场景数据集；步骤二、利用带有空间变换模块STN的卷积神经网络提取输入图像的空间不变特征，输出多尺度的全局特征图；步骤三、将全局特征图进行水平翻转处理，并利用可变形卷积矫正对齐得到翻转特征图；步骤四、将全局特征图与翻转特征图进行深度融合处理，得到具有空间和时间连续性的深度特征序列；步骤五、以步骤四获取的深度特征序列作为循环神经网络模块RNN的输入，通过回归学习分支最小化预测控制点与真实控制点之间的欧氏距离，预测出样条曲线控制点的序列；步骤六、以步骤四获取的深度特征序列作为输入，利用线性分类器预测样条曲线是否存在的概率分布；步骤七、将步骤五、步骤六计算得到的回归损失与分类损失进行加权求和，设计损失函数组合策略，并采用Adam优化器对其进行最小化，完成模型参数的迭代更新过程；步骤八、基于步骤五预测出的控制点序列，利用Bezier曲线算法对车道线形态进行重构，生产三次样条曲线，以精确模拟和重构实际道路场景中的车道线。
全文数据：
权利要求：
百度查询： 济南大学 一种融合深度学习与几何建模的鲁棒性车道线检测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号