(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 202210401810.2 (22)申请日 2022.04.18 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 李泽智　贾晨　宋廷伦　张恒于　 张武　顾亚美　 (74)专利代理 机构 江苏圣典律师事务所 32 237 专利代理师 刘辉 (51)Int.Cl. G06V 10/25(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06T 3/40(2006.01) G06T 7/11(2017.01)G06T 7/66(2017.01) G06T 7/73(2017.01) G06V 20/58(2022.01) G06V 10/774(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) (54)发明名称 一种先全局定位后局部检测的车道线检测 方法 (57)摘要 本发明公开了一种先全局定位后局部检测 的车道线检测方法， 按照先全局后部分的思想， 通过基于全局检测的车道线检测算法， 先全局定 位， 后精准检测； 先使用以ResNet为基础改进的 车道线回归坐标回归网络， 全局检测车道线的大 体位置， 后将全局检测结果输入改进的K ‑means 算法， 精确检测车道线 位置。 本发明对K ‑means算 法的主要改进为： 对于每张图像的处理， 不再初 始化质心， 而是继续使用上一帧图像的聚类结果 代替初始化质心。 这大大减少了计算量， 提高了 检测速度。 本发 明不仅减少网络模 型的参数和计 算复杂度， 节约计算资源， 还可 以避免局部检测 不准确的弊端。 权利要求书2页 说明书5页 附图3页 CN 114782678 A 2022.07.22 CN 114782678 A 1.一种先全局定位后局部检测的车道线检测方法， 其特 征在于， 包括以下步骤： 步骤1)， 获取待识别图像， 并确定ROI区域为消失点下方的大小为1792 ×448的部分， 确 定输入图像的分辨 率大小为2 24×224； 步骤2)， 建立车道线坐标回归网络ResNet ‑17， 设定从第一层到第四层的卷积层， 即为 四个减半层的卷积核大小为6 ×6， 步幅是2， 填充为2； 第五层为恒等映射层， 设置其卷积核 大小为1×1， 步幅是1， 填充为0； 第六层也为减半层， 卷积核 大小为6×6， 步幅是2， 填充为2； 车道线坐标回归网络ResNet ‑17对特征图进行五次减半层， 使得最终特征图由224 ×224变 为7×7； 确定标注方式为 点坐标标记， 确定训练采用的平方损失函数， 公式表示 为 L[Y,f(x)]＝(Y ‑f(x))2 其中， f(x)表示深度学习网络的预测值， Y表示真实值， L表示预测值与单个样本的差异 的损失函数； 步骤3)， 将分辨率大小为224 ×224的图像输入ResNet ‑17车道线坐标回归网络， 对车道 线特征进行提取， 获取其车道线的定位信息； 步骤4)， 依靠获取的车道线定位信息， 在ROI区域以每个定位点为 中心按照 50×50的尺 寸将含有车道线的部分裁 剪下来； 步骤5)， 将步骤4)中裁剪得到的图像每六张依次连接拼成一张图片， 在聚类后， 二值化 处理拼成的图像； 步骤5.1)， 将步骤4)中裁剪得到的图像每六张依次连接拼成一张图片， 然后将其像素 值展开排成一列并随机 选三个像素值当作质心； 步骤5 .2)， 展开像素值平方的矩阵x2， 展开质心平方矩阵μ2， 展开相乘项矩阵2 ×μ×x， 使用x2+ μ2‑2×μ×x即可求出每 个样本到质心之间的距离； 步骤5.3)， 根据矩阵每一行的最小值， 确定其属于的类别， 并重新计算质心； 步骤5.4)， 重复上述 步骤， 直至平方损失误差 达到0.01； 步骤5.5)， 从第二张图像开始， 在进行 聚类时， 把步骤5.1)中的随机设定质心改变为使 用上一张图像步骤5.1)计算而来的质心进行本次聚类质心初始化； 步骤5.6)， 对每一张图像重复步骤5.2)至步骤5.4)进行聚类； 步骤5.7)， 二 值化处理拼成的图像； 步骤6)， 将步骤5)得到的图像剪切分离， 还原为6 张图片， 依次计算每 张图片的重心， 获权　利　要　求　书 1/2 页 2 CN 114782678 A 2得车道线的精准 位置； 步骤7)， 通过精确的车道线位置信息使用最小二乘法拟合出 车道线。权　利　要　求　书 2/2 页 3 CN 114782678 A 3