(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 202210846861.6 (22)申请日 2022.07.19 (71)申请人 华东师范大学 地址 200241 上海市闵行区东川路5 00号 (72)发明人 冯正阳　郭绍华　谭鑫　许可　 汪旻　马利庄　 (74)专利代理 机构 上海蓝迪专利商标事务所 (普通合伙) 31215 专利代理师 徐筱梅　张翔 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于贝塞尔曲线和车道对称性的车道 线检测方法 (57)摘要 本发明公开了一种基于贝塞尔曲线和车道 对称性的车道线检测方法， 其方法包括三个步 骤， 首先使用端到端的轻量级卷积主干网络， 输 入图片提取特征； 接着融合翻转前后的特征图， 增强全局特征； 最后 在增强的特征图上用池化层 和卷积层直接预测拟合车道线的贝塞尔曲线控 制点， 从而得到最后的车道线预测结果。 本发明 解决了车道线检测方法为了获得高准确率产生 的速度慢、 需要复杂后处理的问题， 从而提高了 自动驾驶中 高精度车道线检测算法的效率。 权利要求书1页 说明书3页 附图2页 CN 115393810 A 2022.11.25 CN 115393810 A 1.一种基于贝 塞尔曲线和车道对称性的车道线检测方法， 其特 征在于， 该 方法包括： 步骤1： 特 征提取 1.1） 对于输入的RGB图片， 首先调整到输入大小， 然后 使用ResNet18或ResNet34进行特 征提取， 得到相比于原图下采样16倍的基础特 征图F0； 步骤2： 全局特 征增强 2.1） 将特征图F0水平翻转得到翻转后特征图F0_T1， 将翻转前后的特征图按channel维 度连接起来， 输入到一个3x3卷积层， 给每个特征点预测出一个二 维偏移量P， 代表了翻转后 特征点与语义最相关的翻转前特征点的距离， 使用这些偏移 量P改变另一个3x3卷积的卷积 核位置， 将改变过卷积核位置的卷积层作用到翻转后的特征图， 得到对齐的翻转后特征图 F0_T2； 2.2） 将对齐 的翻转后的特征 图F0_T2和翻转前的特征 图F0各自经过一次1x1卷积映射 后， 通过叠加的方式 融合到一 起， 得到增强的特 征图F1； 步骤3： 车道线检测 3.1） 对于增强后的二维图像特征F1， 通过核高度与特征图F1高度相同的一维平均池化 层将特征图压缩为 一维特征图F2； 3.2） 将一维特征图F2上的每个点看作一个车道线的候选， 利用共享的两层1x3卷积进 行特征变换， 让候选线特征在映射到可分类特征同时， 在一维特征图F2的特征之间进行相 互作用； 3.3） 使用一层共享的1x1卷积层预测每个候选车道线 的存在概率， 再使用另一层共享 的1x1卷积层预测回归每个候选车道线的四个三阶贝塞尔曲线控制点坐标， 从而得到了用 三阶贝塞尔曲线表示的车道线预测结果。 2.根据权利要求1所述的一种基于贝塞尔曲线和车道对称性的车道线检测方法， 其特 征在于所述的车道线检测使用轻量级的ResNet全卷积神经网络 。 3.根据权利要求1所述的一种基于贝塞尔曲线和车道对称性的车道线检测方法， 其特 征在于融合翻转前后的特 征图， 并且使用可变形 卷积对它 们进行特征语义对齐。 4.根据权利要求1所述的一种基于贝塞尔曲线和车道对称性的车道线检测方法， 其特 征在于通过分类和回归子网络， 预测车道线的三次贝塞尔曲线拟合结果作为车道线的几何 表达。权　利　要　求　书 1/1 页 2 CN 115393810 A 2一种基于贝塞 尔曲线和车道对称性的车道线检测方 法 [0001] 技术领域 [0002]本发明涉及车道线检测技术领域， 尤其是一种基于贝塞尔曲线和车道对称性的车 道线检测方法。 背景技术 [0003]车道线检测指的是对于自动驾驶车辆前置摄像头拍摄的图片， 检测可见或可预测 的车道线。 车道线的位置信息能帮助自动驾驶车辆进行自主保持当前车道， 自主巡航等基 础任务， 也是路线规划等高层任务的基本底层感知输入。 [0004]随着深度学习的不断发展， 基于深度学习的相关技术被应用于基于摄像头的车道 线检测。 基于深度学习的车道线检测技 术在之后的几年时间里 快速发展。 [0005]现有的基于深度学习的车道线检测方法大多采用分割或点序列检测的间接方式 建模车道线， 导致了对低效后处理的依赖， 与自动 驾驶场景实时性的要求产生了矛盾。 已有 的不需要后处理， 直接预测车道线曲线函数的方法， 使用系数抽象的三次函数， 不能达到足 够好的检测性能。 发明内容 [0006]本发明的目的是提供一种能够对自动驾驶场景的车道线进行检测的方法， 该方法 利用贝塞尔曲线建模车道线， 同时融合翻转前后的特征图， 使得在保持高精度的同时具有 高效性， 不需要后处 理就能获得 车道线的函数表达式。 [0007]实现本发明目的 的具体技 术方案是： 一种基于贝 塞尔曲线和车道对称性的车道线检测方法， 该 方法包括： 步骤1： 特 征提取 1.1） 对于输入的RGB图片， 首先调整到输入大小， 然后使用ResNet18或ResNet34进 行特征提取， 得到相比于原图下采样16倍的基础特 征图F0； 步骤2： 全局特 征增强 2.1） 将特征图F0水平翻转得到翻转后特征图F0_T1， 将翻转前后的特征图按 channel维度连接起来， 输入到一个3x3卷积层， 给每个特征点预测出一个二维偏移量P， 代 表了翻转后特征点与最相关的翻转前特征点的距离， 使用这些偏移 量P改变另一个3x3卷积 的卷积核位置， 将改变过卷积核位置的卷积层作用到翻转后的特征图 （该过程称为可变形 卷积） ， 得到对齐的翻转后特 征图F0_T2； 2.2） 将对齐的翻转后的特征图F0_T2和翻转前 的特征图F0各自经过一次1x1卷积 映射后， 通过叠加的方式 融合到一 起， 得到增强的特 征图F1； 步骤3： 车道线检测 3.1） 对于增强后的二维图像特征F1， 通过核高度与特征图F1高度相同的一维平均说　明　书 1/3 页 3 CN 115393810 A 3