基于深度学习的车道线检测方法、装置、终端及存储介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，提供一种基于深度学习的车道线检测方法、装置、终端及存储介质，包括：基于构建的训练数据集训练参数共享的车道线检测模型；获取车道线图像并将车道线图像输入至所述车道线检测模型中进行特征提取；获取所述车道线检测模型的最后一层下采样层输出的特征图；对所述特征图进行局部非极大抑制计算得到第一目标特征图；根据所述第一目标特征图生成第二目标特征图；通过所述车道线检测模型的上采样层对所述第二目标特征图进行分割得到掩码图；根据所述掩码图分割出车道线。本发明专利技术能够应用于智慧交通领域，提高车道线图像中车道线的分割准确率。此外，本发明专利技术还涉及区块链技术，车道线检测模型可存储于区块链节点中。

【技术实现步骤摘要】
基于深度学习的车道线检测方法、装置、终端及存储介质
本专利技术涉及人工智能中的深度学习
，具体涉及一种基于深度学习的车道线检测方法、装置、终端及存储介质。
技术介绍
实例分割是人工智能领域中和计算机视觉任务中非常重要的一种。在交通领域中，车道线由于其特征不明显，位置精度需求较高，其检测更加依赖于实例分割技术来完成。现有的基于实例分割技术的车道线检测技术在公开数据集上的测试精度可高达96%以上，然而在真实的数据上的表现一般，车道线检测结果准确率较低，鲁棒性差。原因在于，现有实例分割忽视了检测过程与分割过程的内在关联，使用卷积下采样技术提取了图像特征后，又使用了一组参数来训练用于对特征的分割，最终将在特征图上的分割映射回到原图像。因此造成了参数冗余，导致实例分割在空间上的不必要扩张，成为模型鲁棒性低的一大原因。
技术实现思路
鉴于以上内容，有必要提出一种基于深度学习的车道线检测方法、装置、终端及存储介质，能够提高分割车道线图像中的车道线的准确率。本专利技术的第一方面提供一种基于深度学习的车道线检测方法，所述本文档来自技高网...

【技术保护点】
1.一种基于深度学习的车道线检测方法，其特征在于，所述基于深度学习的车道线检测方法包括：/n基于构建的训练数据集训练参数共享的车道线检测模型；/n获取车道线图像并将所述车道线图像输入至所述车道线检测模型中进行特征提取；/n获取所述车道线检测模型的最后一层下采样层输出的特征图；/n对所述特征图进行局部非极大抑制计算得到第一目标特征图；/n根据所述第一目标特征图生成第二目标特征图；/n通过所述车道线检测模型的上采样层对所述第二目标特征图进行分割得到掩码图；/n根据所述掩码图分割出车道线。/n

【技术特征摘要】
1.一种基于深度学习的车道线检测方法，其特征在于，所述基于深度学习的车道线检测方法包括：
基于构建的训练数据集训练参数共享的车道线检测模型；
获取车道线图像并将所述车道线图像输入至所述车道线检测模型中进行特征提取；
获取所述车道线检测模型的最后一层下采样层输出的特征图；
对所述特征图进行局部非极大抑制计算得到第一目标特征图；
根据所述第一目标特征图生成第二目标特征图；
通过所述车道线检测模型的上采样层对所述第二目标特征图进行分割得到掩码图；
根据所述掩码图分割出车道线。


2.如权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述基于构建的训练数据集训练参数共享的车道线检测模型包括：
基于开源的目标检测图像数据集构建训练数据集；
通过卷积神经网络训练所述训练数据集得到车道线检测模型；
提取所述车道线检测模型的多层下采样层的参数值；
将所述多层下采样层的参数值共享给多层上采样层得到参数共享的车道线检测模型，所述参数共享的车道线检测模型存储于区块链节点中。


3.如权利要求2所述的基于深度学习的车道线检测方法，其特征在于，所述将所述多层下采样层的参数值共享给多层上采样层包括：
确定与每一层下采样层对应的上采样层；
采用预先设置的算子对每一层下采样层的参数值进行运算得到新的参数值；
将每一个新的参数值赋值给与所述下采样层对应的上采样层。


4.如权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述对所述特征图进行局部非极大抑制计算得到第一目标特征图包括：
创建滑动窗口；
采用所述滑动窗口在所述特征图上进行无重叠滑动；
将每一个滑动窗口中的最大像素值保留，其余像素值更新为零，得到第一目标特征图。


5.如权利要求4所述的基于深度学习的车道线检测方法，其特征在于，所述根据所述第一目标特征图生成第二目标特征图包括：
获取所述第一目标特征图中所有的非零像素点；
针对每一个非零像素点，生成一个与所述第一目标特征图大小相同的第二目标特征图，其中，所述第二目标特征图的通道数为1，所...

【专利技术属性】
技术研发人员：韩浩瀚，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
类型：发明
国别省市：广东;44