CN115690707B 基于超快速结构感知深层网络的改进的车道线检测方法 （广州大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115690707B(45)授权公告日2025.07.08

(21)申请号202211287914.1

(22)申请日2022.10.20

(65)同一申请的已公布的文献号申请公布号CN115690707A

(43)申请公布日2023.02.03

(73)专利权人广州大学

地址510006广东省广州市大学城外环西

路230号

(72)发明人曹忠施良玉尚文利张曼韦蕴珊赵文静浣沙

(74)专利代理机构广州高航知识产权代理有限公司11530

专利代理师覃钊雄

GO6V10/764(2022.01)

GO6V10/774(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

GO6N3/0464(2023.01)

GO6N3/048(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN112241728A,2021.01.19CN113902915A,2022.01.07审查员邢丽超

(51)Int.CI.

GO6V20/56(2022.01)权利要求书1页说明书5页附图2页

(54)发明名称

基于超快速结构感知深层网络的改进的车道线检测方法

(57)摘要

CN115660707B本发明涉及无人驾驶技术领域，且公开了基于超快速结构感知深层网络的改进的车道线检测方法，包括以下步骤：S1、搭建骨干网络；S2、搭建改进的辅助分割网络；S3、搭建改进的基于行的分类预测网络；S4、训练改进的超快速结构感知深层网络。该基于超快速结构感知深层网络的改进的车道线检测方法，解决现有技术方案中车道线识别实际测试中弯道情况的行锚拟合不精准的问题，在保证高速的识别效果情况下，提升网络对图片多尺度特征的训练，同时加入了SE和CBAM两种注意力机制，提高模型在训练过程中对特征图中关键特征的关注度，增强网络识别性

CN115660707B

检测图像输入

检测图像输入

↓

Resnet网络获取输入图片的多维度特征

多维度特征融合

CBAM

注意力机制

行分类预测网络

根据整体损失函数训练模型

结果输出

辅助分割网络

注意力机制

CN115690707B权利要求书1/1页

2

1.基于超快速结构感知深层网络的改进的车道线检测方法，其特征在于，包括以下步

骤：

S1、搭建骨干网络

S1.1、使用Resnet作为骨干网络获取输入图片的不同维度特征图，作为特征提取器，提升整体模型网络的深度，扩大模型的搜索空间，充分的提取全图的信息；

S1.2、将Resnet-18提取的多尺度特征图进行尺寸统一，本文选取的基特征图是第二层输出X2,将Resnet第三层输出X3进行卷积处理后进行上采样提高分辨率为原来的二倍，将Resnet第四层输出X4进行卷积处理后进行上采样提高分辨率为原来的四倍；

S2、搭建改进的辅助分割网络

S2.1、将拼接的多尺度的特征图首先进行全局信息嵌入，使用全局平均池化来生成通道统计量将融合的多尺度特征图的空间信息Squeeze到一个通道描述符，在计算上，统计结果Z是由U通过其空间维数H×W收缩产生的，U为融合的多尺度特征图；

利用Squeeze操作聚合的信息，进行Excitation操作，来捕获通道的依赖关系；

具有通道注意力机制的融合结果传入辅助分割网络模型进行处理，用于计算辅助loss值；

S2.2、使用交叉熵作为的辅助分割的损失函数，辅助网络作为整个模型的辅助分支，提升网络学习精度，不参与测试计算降低计算复杂度，提高运行速度；

S3、搭建改进的基于行的分类预测网络

S3.1、将统一通道数的多尺度的特征图通过CBAM注意力机制进行融合，结果传入基于行的分类网络；

S3.2、融合结果使用金字塔池化采用1x1、2x2和3x3三种不同尺寸的pooling操作得到多个尺寸的特征图，并对这些尺寸的特征图再次进行1x1的Conv来减少通道数，然后进行双线性插值进行上采样获得相同尺寸的特征图，在通道上进行拼接；

S3.3、将