基于深度学习的车道线检测方法以及装置制造方法及图纸

本发明专利技术实施例提供了一种基于深度学习的车道线检测方法、装置、存储介质以及电子装置，该方法包括：获取待检测的第一图片；将第一图片输入目标神经网络模型，得到目标特征图，其中，目标神经网络模型包括基于多尺度注意力机制生成的神经网络模型以及深度可分离卷积模型，目标特征图用于表示第一图片中每个像素为车道线像素的概率；对目标特征图执行图像后处理，以得到目标检测结果，其中，目标检测结果用于表示第一图片中已检测出的车道线，因此，可以解决相关技术中存在的车道线的检测效率过低的技术问题，达到提高车道线的检测效率、增加车道线的检测准确率、降低检测成本的技术效果。果。果。

【技术实现步骤摘要】
基于深度学习的车道线检测方法以及装置


[0001]本专利技术实施例涉及通信领域，具体而言，涉及一种基于深度学习的车道线检测方法、装置、存储介质以及电子装置。

技术介绍

[0002]随着科技和经济的快速发展，路上的汽车越来越多，在方便人们出行的同时，也带来了越来越多的交通事故和交通拥堵问题。自动驾驶和智能辅助驾驶系统可以帮助驾驶员处理大部分道路信息，为驾驶员提供精准的指导，降低交通事故发生的概率。智能交通系统能识别车道上车辆的数量，判断道路是否拥堵，为驾驶员规划更合理的出行路线，缓解交通拥堵。在自动驾驶，智能辅助驾驶系统和智能交通系统中，基于视觉的车道线检测是非常关键的技术，他是实现车道偏离预警，车道拥堵预警的基础和核心技术。
[0003]目前的相关技术中，进行车道线检测的方法存在需要大量的训练样本和复杂的神经网络模型，导致检测车道线的效率非常低的技术问题。
[0004]针对相关技术中存在的车道线的检测效率过低的技术问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种基于深度学习的车道线检测方法、装置、存储介质以及电子装置，以至少解决相关技术中存在的车道线的检测效率过低的技术问题。
[0006]根据本专利技术的一个实施例，提供了一种基于深度学习的车道线检测方法，包括：获取待检测的第一图片；将所述第一图片输入目标神经网络模型，得到目标特征图，其中，所述目标神经网络模型包括基于多尺度注意力机制生成的神经网络模型以及深度可分离卷积模型，所述目标特征图用于表示所述第一图片中每个像素为车道线像素的概率；对所述目标特征图执行图像后处理，以得到目标检测结果，其中，所述目标检测结果用于表示所述第一图片中已检测出的车道线。
[0007]根据本专利技术的另一个实施例，提供了一种基于深度学习的车道线检测装置，包括： 获取模块，用于获取待检测的第一图片；第一处理模块，用于将所述第一图片输入目标神经网络模型，得到目标特征图，其中，所述目标神经网络模型包括基于多尺度注意力机制生成的神经网络模型以及深度可分离卷积模型，所述目标特征图用于表示所述第一图片中每个像素为车道线像素的概率；第二处理模块，用于对所述目标特征图执行图像后处理，以得到目标检测结果，其中，所述目标检测结果用于表示所述第一图片中已检测出的车道线。
[0008]根据本专利技术的又一个实施例，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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。
[0009]根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程
序时实现上述任一项方法实施例中的步骤。
[0010]通过本专利技术，采用获取待检测的第一图片，将第一图片输入目标神经网络模型，得到目标特征图，其中，目标神经网络模型包括基于多尺度注意力机制生成的神经网络模型以及深度可分离卷积模型，目标特征图用于表示第一图片中每个像素为车道线像素的概率，再对目标特征图执行图像后处理，以得到目标检测结果，其中，目标检测结果用于表示第一图片中已检测出的车道线，因此，可以解决相关技术中存在的车道线的检测效率过低的技术问题，达到提高车道线的检测效率、增加车道线的检测准确率、降低检测成本的技术效果。
附图说明
[0011]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的一种可选的基于深度学习的车道线检测方法的移动终端的硬件结构框图；图2是根据本专利技术实施例的一种可选的基于深度学习的车道线检测方法的流程示意图；图3是根据本专利技术实施例的一种可选的基于深度学习的车道线检测方法的示意图；图4a是根据本专利技术实施例的另一种可选的基于深度学习的车道线检测方法的示意图；图4b是根据本专利技术实施例的又一种可选的基于深度学习的车道线检测方法的示意图；图4c是根据本专利技术实施例的又一种可选的基于深度学习的车道线检测方法的示意图；图5是根据本专利技术实施例的又一种可选的基于深度学习的车道线检测方法的示意图；图6是根据本专利技术实施例的又一种可选的基于深度学习的车道线检测方法的示意图；图7是根据本专利技术实施例的又一种可选的基于深度学习的车道线检测方法的示意图；图8是根据本专利技术实施例的又一种可选的基于深度学习的车道线检测方法的示意图；图9是根据本专利技术实施例的又一种可选的基于深度学习的车道线检测方法的示意图；图10是根据本专利技术实施例的一种可选的基于深度学习的车道线检测装置的结构框图。
具体实施方式
[0012]下文中将参考附图并结合实施例来详细说明本专利技术的实施例。
[0013]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0014]本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本专利技术实施例的一种基于深度学习的车道线检测方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
[0015]存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本专利技术实施例中的基于深度学习的车道线检测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0016]传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
[0017]在本实施例中提供了一种运行于移动终端、计算机终端或者类似的本文档来自技高网...

【技术保护点】

【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，包括：获取待检测的第一图片；将所述第一图片输入目标神经网络模型，得到目标特征图，其中，所述目标神经网络模型包括基于多尺度注意力机制生成的神经网络模型以及深度可分离卷积模型，所述目标特征图用于表示所述第一图片中每个像素为车道线像素的概率；对所述目标特征图执行图像后处理，以得到目标检测结果，其中，所述目标检测结果用于表示所述第一图片中已检测出的车道线。2.根据权利要求1所述的方法，其特征在于，将所述第一图片输入目标神经网络模型，得到目标特征图，包括：将所述第一图片输入第一卷积层，得到第一特征图；将所述第一特征图输入第二卷积层，得到第二特征图，其中，所述目标神经网络模型包括所述第二卷积层，所述第二卷积层用于基于多尺寸注意力机制增加所述第一特征图上预设区域的权重；对所述第二特征图进行第一预设处理，以得到所述目标特征图，其中，所述第一预设处理包括上采样操作。3.根据权利要求2所述的方法，其特征在于，将所述第一图片输入第一卷积层，得到第一特征图，包括：将分辨率小于等于第一预设分辨率的所述待检测的第一图片输入所述第一卷积层，得到所述第一特征图。4.根据权利要求2所述的方法，其特征在于，将所述第一图片输入第一卷积层，得到第一特征图，包括：将所述第一图片输入第一子卷积层，得到第一子特征图，其中，所述第一子卷积层用于执行卷积操作，所述第一卷积层包括第一子卷积层；将所述第一子特征图输入第二子卷积层，得到第二子特征图，其中，所述第二子卷积层用于执行深度可分离卷积操作以提取所述第一子特征图中的特征信息，所述第一卷积层包括第二子卷积层；在所述第二子特征图中的分辨率未达到第二预设分辨率的情况下，将所述第二子特征图重新输入所述第一子卷积层，以降低所述第一子特征图的分辨率；在所述第二子特征图中的分辨率达到所述第二预设分辨率的情况下，将所述第二子特征图确定为所述第一特征图。5.根据权利要求4所述的方法，其特征在于，将所述第一子特征图输入第二子卷积层，得到第二子特征图，包括：分别使用1
×
n的卷积核和n
×
1的卷积核提取所述第一子特征图的特征信息，以得到所述第二子特征图，其中，所述n为大于1的正奇数。6.根据权利要求2所述的方法，其特征在于，将所述第一特征图输入第二卷积层，得到第二特征图，包括：将所述第一特征图输入所述第二卷积层，以使用所述第二卷积层中包括的多个不同尺寸的卷积核对所述第一特征图进行卷积操作，以得到第一类特征图和多个第二类特征图；使用预设统计方式从所述多个第二类特征图中确定出多个第三类特征图，其中，所述
多个第三类特征图为允许通过第二预设处理使得所述多个第三类特征图之间的大小匹配，且能够执行第三预设处理以得到注意力特征图，所述注意力特征图与所述第一类特征图的大小匹配；将所述注意力特征与所述第一类特...

【专利技术属性】
技术研发人员：杨雪峰，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：