【技术实现步骤摘要】
车道线检测方法、装置、计算机设备和存储介质
本申请涉及智能汽车自动驾驶和辅助驾驶
，尤其涉及一种车道线检测方法、装置、计算机设备和存储介质。
技术介绍
随着智能驾驶技术的发展，车道线检测是智能驾驶的关键技术之一。目前，出现了多种车道线检测方法，例如，基于parsing模型车道线检测方法、利用二值图像和边缘检测的方法等等。但是，这些车道线检测方法后处理复杂，场景适应性差，并且会引入大量的规则判断，导致扩展性和鲁棒性较差。
技术实现思路
本申请提出一种车道线检测方法、装置、计算机设备和存储介质，用于解决相关技术中车道线检测方法，存在场景适应性差以及扩展性和鲁棒性差的问题。本申请一方面实施例提出了一种车道线检测方法，包括：利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取所述道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量，所述第一偏移量用来表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离；根据每个像素点所属的类型标签，确定所述道路图像中包含的各车道参考区域，其中，每个车道参考...
【技术保护点】
1.一种车道线检测方法，其特征在于，包括：利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取所述道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量，所述第一偏移量用来表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离；根据每个像素点所属的类型标签，确定所述道路图像中包含的各车道参考区域，其中，每个车道参考区域内各像素点的类型标签相同；根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置。
【技术特征摘要】
1.一种车道线检测方法，其特征在于，包括：利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取所述道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量，所述第一偏移量用来表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离；根据每个像素点所属的类型标签，确定所述道路图像中包含的各车道参考区域，其中，每个车道参考区域内各像素点的类型标签相同；根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置。2.如权利要求1所述的方法，其特征在于，所述根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置，包括：根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于每个车道线中的各像素点的位置；根据位于每个车道线中的各像素点的位置，确定所述车道线位置。3.如权利要求2所述的方法，其特征在于，所述采集的道路图像中包括左右相邻的第一车道及第二车道，第一车道的右侧车道线与第二车道的左侧车道线重合；所述确定每个车道参考区域所属车道的车道线位置，包括：根据所述第一车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于所述第一车道右侧车道线中的各第一像素点的位置；根据所述第二车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于所述第二车道左侧车道线中的各第二像素点的位置；根据所述各第一像素点的位置及所述各第二像素点的位置，确定所述第一车道的右侧车道线位置。4.如权利要求1所述的方法，其特征在于，所述每个像素点的标注信息中还包括该像素点所属车道的线形标签；所述确定每个车道参考区域所属车道的车道线位置之后，还包括：根据所述每个像素点所属车道的线形标签及车道线位置，构建所述车道线。5.如权利要求1-4任一所述的方法，其...
【专利技术属性】
技术研发人员：翟玉强，谢术富，夏添，马彧，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。