车道线确定方法、装置制造方法及图纸

本申请的实施例提供了一种车道线确定方法、装置。该方法包括：获取包含有车道线的目标图像；通过深度学习模型对所述目标图像进行特征提取，得到至少一个车道线特征向量；根据每一个车道线特征向量，确定与每一个车道线相关的至少两个车道线参考点在所述目标图像上的位置；根据所述至少两个车道线参考点在所述目标图像上的位置，拟合车道线在所述目标图像上的位置。本申请实施例的技术方案能够降低在车道线识别过程中的计算量。道线识别过程中的计算量。道线识别过程中的计算量。

【技术实现步骤摘要】
车道线确定方法、装置


[0001]本申请涉及计算机及智能驾驶
，具体而言，涉及一种车道线确定方法、装置。

技术介绍

[0002]在车道线识别的交通场景中，比如在智能驾驶中的车道线识别场景，通常是通过判断输入图片中的每一个像素是否是车道线像素来识别出每一个属于车道线的像素，然后再对这些像素点进行拟合，以识别出车道线。然而，这种方案需要经过编码以及解码两个步骤，计算量较大。基于此，如何能够降低车道线在识别过程中的计算量是亟待解决的技术问题。

技术实现思路

[0003]本申请的实施例提供了一种车道线确定方法、装置、计算机程序产品或计算机程序、计算机可读介质及电子设备，进而至少在一定程度上可以降低车道线在确定过程中的计算量。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0005]根据本申请实施例的一个方面，提供了一种车道线确定方法，包括：获取包含有车道线的目标图像；通过深度学习模型对所述目标图像进行特征提取，得到至少一个车道线特征向量；根据每一个车道线特征向量，确定与每一个车道线相关的至少两个车道线参考点在所述目标图像上的位置；根据所述至少两个车道线参考点在所述目标图像上的位置，拟合车道线在所述目标图像上的位置。
[0006]根据本申请实施例的一个方面，提供了一种车道线确定装置，包括：第一获取单元，被用于获取包含有车道线的目标图像；提取单元，被用于通过深度学习模型对所述目标图像进行特征提取，得到至少一个车道线特征向量；第一确定单元，被用于根据每一个车道线特征向量，确定与每一个车道线相关的至少两个车道线参考点在所述目标图像上的位置；拟合单元，被用于根据所述至少两个车道线参考点在所述目标图像上的位置，拟合车道线在所述目标图像上的位置。
[0007]在本申请的一些实施例中，基于前述方案，所述车道线特征向量包括：车道线置信度、至少两个车道线参考点坐标、以及与所述至少两个车道线参考点坐标一一对应的车道线参考点置信度；其中，所述车道线置信度用于表征所述目标图像中存在车道线的概率，所述车道线参考点置信度用于表征所述车道线上存在所述车道线参考点的概率，所述车道线参考点坐标用于表征所述车道线参考点在所述目标图像中的位置。
[0008]在本申请的一些实施例中，基于前述方案，所述第一确定单元配置为：在所述车道线特征向量中的车道线置信度大于或等于第一预定阈值时，将所述车道线参考点置信度大于或等于第二预定阈值的车道线参考点确定为目标车道线参考点；基于所述目标车道线参
考点的车道线参考点坐标，确定所述目标车道线参考点在所述目标图像上的位置。
[0009]在本申请的一些实施例中，基于前述方案，所述第一确定单元配置为：在所述车道线特征向量中的车道线置信度小于第一预定阈值时，确定所述车道线置信度对应的车道线为无效车道线；在所述车道线特征向量中的车道线置信度大于或等于第一预定阈值，且车道线参考点置信度小于第二预定阈值时，确定所述车道线参考点置信度对应的车道线参考点为无效车道线参考点。
[0010]在本申请的一些实施例中，基于前述方案，所述装置还包括：训练单元，被用于获取原始训练图像；根据所述原始训练图像中的车道线分布，在所述原始训练图像中标注车道线信息，其中，所述车道线信息包括车道线置信度、至少两个车道线参考点坐标、以及与所述至少两个车道线参考点坐标一一对应的车道线参考点置信度；通过所述原始训练图像对初始深度学习模型进行训练，得到所述深度学习模型。
[0011]在本申请的一些实施例中，基于前述方案，所述训练单元配置为：对标注有车道线信息的原始训练图像进行数据增强，得到衍生训练图像，所述衍生训练图像中标注有车道线信息；通过所述原始训练图像和所述衍生训练图像对初始深度学习模型进行训练，得到所述深度学习模型。
[0012]在本申请的一些实施例中，基于前述方案，所述提取单元配置为：确定所述目标图像中各个像素点在三个图像通道上的通道值；针对每一个图像通道，对所述目标图像中各个像素点在所述图像通道上的通道值进行归一化处理，得到预处理的目标图像；通过深度学习模型对所述预处理的目标图像进行至少两个连续的卷积操作，以及全局平均池化操作，以对所述目标图像进行特征提取。
[0013]在本申请的一些实施例中，基于前述方案，所述装置还包括：第二获取单元，被用于在根据所述至少两个车道线参考点在所述目标图像上的位置，拟合车道线在所述目标图像上的位置之后，获取所述目标图像在被摄像机拍摄时的相机内参数和相机外参数；投影单元，被用于基于所述相机内参数和所述相机外参数，将所述目标图像投影为三维图像；第二确定单元，被用于根据所述车道线在所述目标图像上的位置，在所述三维图像中确定目标车道。
[0014]在本申请的一些实施例中，基于前述方案，所述装置还包括：第三获取单元，被用于在根据所述车道线在所述目标图像上的位置，在所述三维图像中确定目标车道之后，获取车辆在所述目标车道上的驾驶决策；渲染单元，被用于在所述三维图像中渲染与所述驾驶决策相对应的交通引导标识。
[0015]根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如上述实施例中所述的车道线确定方法。
[0016]根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的车道线确定方法。
[0017]根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的车道线确定方法。
[0018]在本申请的一些实施例所提供的技术方案中，通过对包含有车道线的目标图像进行特征提取，得到至少一个车道线特征向量，然后根据每一个车道线特征向量，确定与每一个车道线相关的至少两个车道线参考点在所述目标图像上的位置，并进一步拟合车道线在所述目标图像上的位置，由于通过在目标图像中提取的车道线特征向量确定车道线在所述目标图像上的位置，因此可以降低车道线在检测过程中的计算量，进而在车道线检测时能够稳定实时地运行在计算性能差的车载设备上，增强方案的适用性。
[0019]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0020]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅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。在附图中：
[0021]图1示出了根据本申请实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线确定方法，其特征在于，所述方法包括：获取包含有车道线的目标图像；通过深度学习模型对所述目标图像进行特征提取，得到至少一个车道线特征向量；根据每一个车道线特征向量，确定与每一个车道线相关的至少两个车道线参考点在所述目标图像上的位置；根据所述至少两个车道线参考点在所述目标图像上的位置，拟合车道线在所述目标图像上的位置。2.根据权利要求1所述的方法，其特征在于，所述车道线特征向量包括：车道线置信度、至少两个车道线参考点坐标、以及与所述至少两个车道线参考点坐标一一对应的车道线参考点置信度；其中，所述车道线置信度用于表征所述目标图像中存在车道线的概率，所述车道线参考点置信度用于表征所述车道线上存在所述车道线参考点的概率，所述车道线参考点坐标用于表征所述车道线参考点在所述目标图像中的位置。3.根据权利要求2所述的方法，其特征在于，所述根据每一个车道线特征向量，确定与每一个车道线相关的至少两个车道线参考点在所述目标图像上的位置，包括：在所述车道线特征向量中的车道线置信度大于或等于第一预定阈值时，将所述车道线参考点置信度大于或等于第二预定阈值的车道线参考点确定为目标车道线参考点；基于所述目标车道线参考点的车道线参考点坐标，确定所述目标车道线参考点在所述目标图像上的位置。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在所述车道线特征向量中的车道线置信度小于第一预定阈值时，确定所述车道线置信度对应的车道线为无效车道线；在所述车道线特征向量中的车道线置信度大于或等于第一预定阈值，且车道线参考点置信度小于第二预定阈值时，确定所述车道线参考点置信度对应的车道线参考点为无效车道线参考点。5.根据权利要求1所述的方法，其特征在于，所述深度学习模型通过如下步骤训练得到：获取原始训练图像；根据所述原始训练图像中的车道线分布，在所述原始训练图像中标注车道线信息，其中，所述车道线信息包括车道线置信度、至少两个车道线参考点坐标、以及与所述至少两个车道线参考点坐标一一对应的车道线参考点置信度；通过所述原...

【专利技术属性】
技术研发人员：陈克凡，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：