车道线检测方法、装置、计算机设备及计算机可读存储介质制造方法及图纸

本申请实施例提供了一种基于先验知识的车道线检测方法、装置、计算机设备及计算机可读存储介质。本申请实施例属于图像处理技术领域，通过获取待检测的图像，对图像进行分割以得到图像的RGB三图像通道图，并将图像输入至预设图像检测模型，以得到第一图像通道图，第一图像通道图包括图像中所包含的车道线区域与背景区域，将第一图像通道图与RGB三图像通道图进行拼接，以得到第二图像通道图，将所述第二图像通道图输入至预设车道线分割模型，根据预设车道线分割模型对第二图像通道图进行检测，得到图像中所包含的车道线，由于将车道线及场景道路的先验知识融合到车道线分割模型中，提高车道线分割模型的表征能力，提升了车道线检测的准确性。

【技术实现步骤摘要】
车道线检测方法、装置、计算机设备及计算机可读存储介质
本申请涉及图像处理
，尤其涉及一种基于先验知识的车道线检测方法、装置、计算机设备及计算机可读存储介质。
技术介绍
车道线检测是无人驾驶汽车研究、行车记录仪违法抓拍等领域中重要的组成部分，这些领域十分依赖高精地图，而在高精地图的生产过程中，如何从图像中分割出不同类型的车道线是一个非常重要的环节。目前大多数车道线检测方法大致分成两类：一类是基于传统图像处理方法，这类方法鲁棒性差，难以应对复杂的现实场景。此外，这类方法也难以区分不同类型的车道线，如白实线和白虚线等。另一类是基于深度学习方法，这类方法直接利用通用的语义分割框架分割出场景图像中的车道线，但是这种方法存在分割精度不高和车道线遗漏等问题。因此，车道线检测传统技术中存在对车道线检测不准确的问题。
技术实现思路
本申请实施例提供了一种基于先验知识的车道线检测方法、装置、计算机设备及计算机可读存储介质，能够解决传统技术中对对车道线检测不准确的问题。第一方面，本申请实施例提供了一种基于先验知识的车道线检测方法，所述方法包括：获取待检测的图像；根据预设分割函数对所述图像进行分割，以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图；将所述图像输入至预设图像检测模型，以得到第一图像通道图，所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域；将所述第一图像通道图与所述图像所对应的RGB三图像通道图通过通道扩增进行拼接，以得到第二图像通道图；将所述第二图像通道图输入至预设车道线分割模型；根据所述预设车道线分割模型对所述第二图像通道图进行检测，得到所述图像中所包含的车道线。第二方面，本申请实施例还提供了一种基于先验知识的车道线检测装置，包括：第一获取单元，用于获取待检测的图像；分割单元，用于根据预设分割函数对所述图像进行分割，以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图；第一输入单元，用于将所述图像输入至预设图像检测模型，以得到第一图像通道图，所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域；拼接单元，用于将所述第一图像通道图与所述图像所对应的RGB三图像通道图通过通道扩增进行拼接，以得到第二图像通道图；第二输入单元，用于将所述第二图像通道图输入至预设车道线分割模型；检测单元，用于根据所述预设车道线分割模型对所述第二图像通道图进行检测，得到所述图像中所包含的车道线。第三方面，本申请实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于先验知识的车道线检测方法的步骤。第四方面，本申请实施例还提供了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，所述计算机程序被处理器执行时使所述处理器执行所述基于先验知识的车道线检测方法的步骤。本申请实施例提供了一种基于先验知识的车道线检测方法、装置、计算机设备及计算机可读存储介质。本申请实施例通过预先将图像输入至预设图像检测模型，以获得车道线本身所属的区域形状信息及场景道路信息，将其作为先验知识融合到通用的车道线分割模型中以对车道线进行检测，以进一步区分车道线的类型，在输出车道线类型时，由于充分结合了车道线和道路结构的先验知识，突出强化了车道线和场景道路等基于先验知识的特征，从而实现结合道路结构的先验知识，对图像中的车道线进行检测，由于这些预先得到的基于先验知识的第一图像通道图可视为一种注意力机制，能够显式地建模图像特征通道间的相关性，提高车道线分割模型的表征能力，从而提升车道线的分割精度和检出率，提高了对车道线检测的准确性。附图说明为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的基于先验知识的车道线检测方法的一个流程示意图；图2为本申请实施例提供的基于先验知识的车道线检测方法中一个子流程的示意图；图3为本申请实施例提供的基于先验知识的车道线检测方法的另一个子流程示意图；图4为本申请实施例提供的基于先验知识的车道线检测装置的一个示意性框图；以及图5为本申请实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。请参阅图1，图1为本申请实施例提供的基于先验知识的车道线检测方法的一个流程示意图。如图1所示，该方法包括以下步骤S101-S105：S101、获取待检测的图像。S102、根据预设分割函数对所述图像进行分割，以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图。其中，图像通道为在RGB色彩模式下，指单独的红色、绿色、蓝色部分，即一幅完整的图像，是由红色、绿色及蓝色三个通道组成的，它们共同作用产生了完整的图像，一幅完整的图像，红色、绿色及蓝色三个通道缺一不可。具体地，在车道线检测中获取的图像，一般是彩色图像，在处理彩色图像时，针对图像在RGB色彩模式下的三通道分离，可以通过函数Opencv或者函数Matlab进行分割。比如，在处理彩色图像时，Opencvsplit函数的主要功能是把彩色图像分割成RGB三通道，以方便进一步对图像进行处理，比如本申请实施例中的进一步对图像中的车道线进行检测。因此，获取进行车道线检测的图像后，调用预设图像分割函数，以按照预设RGB图像分割方式，对所述图像进行分割，即可得到所述图像在RGB色彩模式下所对应的RGB三图像通道图。S103、将所述图像输入至预设图像检测模型，以得到第一图像通道图，所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域。其中，图像检测模型包括车道线检测模型，也可以称为车道线检测算法，包括LanNet模型及H-Net模型等。具体地，在本申请实施例中，设置了一个预设图像检测模型，该图像检测模型为一个轻量级的车道线检测模型，之所以称为轻量级的车道线检测模型，是由于该预设图像模型仅输出图像中包含的基于先验知识的车道线区域和背景区域两类，而不进行具体车道线类型的区分，该轻量级的车道线检测模型又可以称为基于先验知识的预设图像检测模型，或者称为基于先验知识的车道线检测模型，是一个对所述图像进行预处理以得到基于先验知识的图像特征的图像处理模型。获取待进行车道线检测的图像后，将本文档来自技高网...

【技术保护点】
1.一种基于先验知识的车道线检测方法，其特征在于，所述方法包括：/n获取待检测的图像；/n根据预设分割函数对所述图像进行分割，以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图；/n将所述图像输入至预设图像检测模型，以得到第一图像通道图，所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域；/n将所述第一图像通道图与所述RGB三图像通道图通过通道扩增进行拼接，以得到第二图像通道图；/n将所述第二图像通道图输入至预设车道线分割模型；/n根据所述预设车道线分割模型对所述第二图像通道图进行检测，得到所述图像中所包含的车道线。/n

【技术特征摘要】
1.一种基于先验知识的车道线检测方法，其特征在于，所述方法包括：
获取待检测的图像；
根据预设分割函数对所述图像进行分割，以得到所述图像在RGB色彩模式下所对应的RGB三图像通道图；
将所述图像输入至预设图像检测模型，以得到第一图像通道图，所述第一图像通道图包括所述图像中所包含的车道线区域与背景区域；
将所述第一图像通道图与所述RGB三图像通道图通过通道扩增进行拼接，以得到第二图像通道图；
将所述第二图像通道图输入至预设车道线分割模型；
根据所述预设车道线分割模型对所述第二图像通道图进行检测，得到所述图像中所包含的车道线。


2.根据权利要求1所述基于先验知识的车道线检测方法，其特征在于，所述第一图像通道图还包括所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息，所述将所述图像输入至预设图像检测模型，以得到所述第一图像通道图的步骤包括：
将所述图像输入至基于先验知识的预设车道线检测模型，以得到所述图像中所包含的车道线区域与背景区域，其中，所述先验知识包括车道线区域所对应的车道线先验知识，所述车道线先验知识包括所述车道线区域包括细长直线及细长曲线；
将所述图像输入至预设车辆检测模型，以得到所述图像中所包含的车辆在所述图像中的位置所对应的车辆位置信息；
将所述车道线区域、所述背景区域及所述车辆位置信息进行组合，以得到第一图像通道图。


3.根据权利要求2所述基于先验知识的车道线检测方法，其特征在于，根据所述预设车道线分割模型对所述第二图像通道图进行检测，得到所述图像中所包含的车道线的步骤之后，还包括：
判断所述图像中是否存在车道线；
若所述图像中存在车道线，获取所述车道线的位置信息；
获取所述车辆位置信息；
根据所述车道线的位置信息及所述车辆位置信息，判断所述车道线与所述车辆之间的距离是否小于或者等于预设距离阈值；
若所述车道线与所述车辆之间的距离小于或者等于所述预设距离阈值，按照预设告警方式进行告警提示。


4.根据权利要求2所述基于先验知识的车道线检测方法，其特征在于，所述将所述图像输入至基于先验知识的预设车道线检测模型步骤之前，还包括：
获取训练图像样本，所述图像训练样本包括原始训练图像及所述原始训练图像所对应的标注训练图像，所述标注训练图像中标注有车道线区域和背景区域；
将所述训练图像样本输入至预设车道线检测模型，以对所述预设车道线检测模型进行训练。


5.根据权利要求4所述基于先验知识的车道线检测方法，其特征在于，所述标注训练图像中还标注有车辆位置及车道线，所述将所述训练图像样本输入至预设车道线检测模型，以对所述预设车道线检测模型进行训练的步骤之后，还包括：
根据所述预设车道线检测模型，输出所述原始训练图像中所包含的车道线区域与背景区域；
将所述训练图像样本输入至所述预...

【专利技术属性】
技术研发人员：陈佳腾，庄伯金，王少军，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44