(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910232810.2
(22)申请日 2019.03.26
(71)申请人 西安交通大学
地址 710049 陕西省西安市咸宁西路28号
(72)发明人 李垚辰 祝超 刘跃虎
(74)专利代理机构 西安通大专利代理有限责任
公司 61200
代理人 安彦彦
(51)Int.Cl.
G06K 9/00(2006.01)
G06K 9/34(2006.01)
G06K 9/46(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
(57)摘要
本发明公开了一种基于深度学习的道路边
界点检测方法，首先采集和扩充交通场景图像数
理；其次对定义好网络结构的卷积神经网络进行
训练，采用反向传播算法和随机梯度下降方法，
不断更新迭代，直到前向传播的损失函数值趋于
收敛时，停止训练，得到深度学习模型；然后输入
热图；最后根据热图预测交通场景图片中的道路
边界点位置；本发明基于简单道路交通场景环境
的道路场景图片和视频，能够有效实现道路边界
点的检测，检测效果较准确，
方法简单有效。权利要求书1页 说明书5页 附图3页CN 110032952 A 2019.07.19
C N 110032952
A
1.一种基于深度学习的道路边界点检测方法，其特征在于，首先采集和扩充交通场景图像数据集，并且对数据集进行道路边界点标注和预处理；其次对卷积神经网络进行训练，不断更新迭代，直到前向传播的损失函数值趋于收敛时，停止训练，得到深度学习模型；然后将待检测交通场景图片输入到深度学习模型中，提取图像特征，得到一组热图；根据热图预测交通场景图片中的道路边界点位置，再根据道路边界点进行道路边界的定位和道路区域的分割。
2.根据权利要求1所述的一种基于深度学习的道路边界点检测方法，其特征在于，预处理的具体过程为：对标注后的数据集进行数据清洗，筛除掉标注有缺漏的数据，然后将图片尺寸resize为248×248，再进行归一化处理。
3.根据权利要求1所述的一种基于深度学习的道路边界点检测方法，其特征在于，卷积神经网络包括前馈模块和循环模块，两个模块都将热图作为输出，并且使用相同的损失函数进行训练；前馈模块只运行一次，得到粗略的热图；循环模块将前馈模块或者前一次迭代输出的热图和浅层网络提取到的特征进行特征融合，然后进行特征提取，最终得到一个更精准的热图。
4.根据权利要求1所述的一种基于深度学习的道路边界点检测方法，其特征在于，采用反向传播算法和随机梯度下降方法不断更新迭代。
5.根据权利要求1所述的一种基于深度学习的道路边界点检测方法，其特征在于，损失
函数值L定义如下：
其中，针对每一组训练样本S，h i 是由第i个训练样本的对应标签生成的热图，f(X ,t；λ)i 为在网络权重值为λ时第t次迭代时从第i个训练样本中的输入图像预测得到的热图；整个网络的优化目标为求出使得损失函数值L最小的参数值λ；其中默认前馈模块中t＝1，每调用一次循环模块t值加1。
6.根据权利要求1所述的一种基于深度学习的道路边界点检测方法，其特征在于，将待检测交通场景图片输入到深度学习模型中，提取图像特征，得到一组热图的具体过程为：将待检测的道路交通场景图片输入到深度学习模型中，通过多次卷积和池化操作提取特征，并且多次将高层语义信息和低层特征进行融合，直到得到一组热图。
权 利 要 求 书1/1页2CN 110032952 A
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议