技术特征：
1.一种辅助驾驶中基于深度学习的车道线检测方法，其特征在于，包括以下步骤：1)建立训练集和测试集，对输入图像数据进行归一化操作；2)搭建生成网络，所述生成网络具有若干潜变量层，潜变量是二值的，顶部两层之间的连接是无向的，而所有其他层之间的连接是有向的，所述生成网络具有l个隐藏层包含l个权重矩阵，同时也包含l+1个偏置向量；3)利用所述生成网络训练后获得的权重和偏置初始化多层感知器网络(mlp)，然后训练所述多层感知器网络执行分类判别任务；4)将实际道路图像输入经过训练的生成网络，得到道路图像的车道线，将所述车道线叠加到实际道路图像，完成车道线检测。2.根据权利要求1所述的车道线检测方法，其特征在于，使用visualdl可视化工具对数据进行展示。3.根据权利要求1所述的车道线检测方法，其特征在于，所述生成网络的概率分布由下式给出：式给出：式给出：在实值可见单元的情况下，替换β为对角形式，w
(1)
,...,w
(l)
表示l个权重矩阵，b
(0)
，...，b
(l)
表示l+1个偏置向量，其中b
(0)
是可见层的偏置，h
(l)
是第l个隐藏层。4.根据权利要求1所述的车道线检测方法，其特征在于，使用对比散度或随机最大似然方法训练受限波尔兹曼机(rbm)，rbm的参数定义了所述生成网络第一层的参数，然后，第二个rbm训练为近似最大化其中p
(1)
是第一个rbm表示的概率分布，p
(2)
是第二个rbm表示的概率分布，h
(1)
是第一个隐藏层。5.一种辅助驾驶中基于深度学习的车道线检测装置，其特征在于，所述装置包括：预处理单元，建立训练集和测试集，对输入图像数据进行归一化操作；生成网络搭建单元，所述生成网络具有若干潜变量层，潜变量是二值的，顶部两层之间的连接是无向的，而所有其他层之间的连接是有向的，所述生成网络具有l个隐藏层包含l个权重矩阵，同时也包含l+1个偏置向量；分类单元：利用所述生成网络训练后获得的权重和偏置初始化多层感知器网络(mlp)，然后训练所述多层感知器网络执行分类判别任务；车道线生成单元：将实际道路图像输入经过训练的生成网络，得到道路图像的车道线，将所述车道线叠加到实际道路图像，完成车道线检测。6.根据权利要求5所述的车道线检测装置，其特征在于，使用visualdl可视化工具对数据进行展示。7.根据权利要求5所述的车道线检测装置，其特征在于，所述生成网络的概率分布由下式给出：
在实值可见单元的情况下，替换β为对角形式，w
(1)
,...,w
(l)
表示l个权重矩阵，b
(0)
，
…
，b
(l)
表示l+1个偏置向量，其中b
(0)
是可见层的偏置，h
(l)
是第l个隐藏层。8.根据权利要求5所述的车道线检测方法，其特征在于，使用对比散度或随机最大似然方法训练受限波尔兹曼机(rbm)，rbm的参数定义了所述生成网络第一层的参数，然后，第二个rbm训练为近似最大化其中p
(1)
是第一个rbm表示的概率分布，p
(2)
是第二个rbm表示的概率分布，h
(1)
是第一个隐藏层。9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征自安于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
技术总结
本发明公开了一种辅助驾驶中基于深度学习的车道线检测方法及装置，涉及图像处理相关领域，所述方法包括：建立训练数据集和测试数据集，搭建生成网络，利用所述生成网络训练后获得的权重和偏置初始化多层感知器网络，然后训练所述多层感知器网络执行分类判别任务，通过训练后的网络完成车道线检测。达到了提高车道线检测准确性的技术效果。道线检测准确性的技术效果。道线检测准确性的技术效果。
技术研发人员：王晓辉 丁佳
受保护的技术使用者：江苏八麦尔智能科技有限公司
技术研发日：2022.07.20
技术公布日：2022/10/4