【技术实现步骤摘要】
模型的训练方法、车道线检测方法、设备及装置
本申请涉及图像处理
，特别是涉及模型的训练方法、车道线检测方法、设备及装置。
技术介绍
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。
技术实现思路
本申请主要解决的技术问题是提供一种车道线检测模型的训练方法、车道线检测方法、设备及装置，能够提高车道线检测模型在复杂道路场景下的检测性能。为解决上述技术问题，本申请采用的第一个技术方案是：提供一种深度神经网络车道线检测模型的训练方法，包括：获取样本图像，样本图像中包含车道线及车道线的真实标签，真实标签用...
【技术保护点】
1.一种深度神经网络车道线检测模型的训练方法，其特征在于，包括：/n获取样本图像，所述样本图像中包含车道线及车道线的真实标签，所述真实标签用于标识所述车道线是否存在以及车道线像素所在位置的信息；/n利用深度神经网络车道线检测模型对所述样本图像进行预测，获得样本图像中每个像素位置对应车道线的预测概率值和每条车道线存在的概率值，其中，所述深度神经网络车道线检测模型包括编码网络和解码网络，所述解码网络包含软标签注意力模块；/n基于所述车道线的预测概率值和所述车道线存在的概率值与所述真实标签真实概率，计算损失，使得损失达到最小以对所述深度神经网络车道线检测模型训练。/n
【技术特征摘要】
1.一种深度神经网络车道线检测模型的训练方法，其特征在于，包括：
获取样本图像，所述样本图像中包含车道线及车道线的真实标签，所述真实标签用于标识所述车道线是否存在以及车道线像素所在位置的信息；
利用深度神经网络车道线检测模型对所述样本图像进行预测，获得样本图像中每个像素位置对应车道线的预测概率值和每条车道线存在的概率值，其中，所述深度神经网络车道线检测模型包括编码网络和解码网络，所述解码网络包含软标签注意力模块；
基于所述车道线的预测概率值和所述车道线存在的概率值与所述真实标签真实概率，计算损失，使得损失达到最小以对所述深度神经网络车道线检测模型训练。
2.根据权利要求1所述的深度神经网络车道线检测模型的训练方法，其特征在于：所述软标签注意力模块包括通道校正模块、分辨率校正模块和softmax操作模块。
3.根据权利要求2所述的深度神经网络车道线检测模型的训练方法，其特征在于：所述方法还包括：
对所述解码网络输出两层特征图分别进行通道校正、分辨率校正和softmax操作，获得两个软标签特征图，计算所述两个软标签特征图之间的距离，获得软标签距离损失；
所述基于所述车道线的预测概率值和每条车道线存在的概率值与所述真实标签真实概率，计算损失，包括：
基于所述车道线的预测概率值和每条车道线存在的概率值与所述真实标签真实概率，计算得到预测损失；
基于所述预测损失和所述软标签距离损失，计算得到所述损失。
4.根据权利要求3所述的深度神经网络车道线检测模型的训练方法，其特征在于：所述软标签特征图是概率值。
5.根据权利要求1所述的深度神经网络车道线检测模型的训练方法，其特征在于：所述深度神经网络车道线检测模型包括车道线存在预测模块，
利用深度神经网络车道线检测模型对所述样本图像进行预测，获得样本图像中每个像素位置对应车道线的预测概率值和每条车道线存在的概率值，包括：
利用所述所述编码网络对所述样本图像进行处理，以得到第一特征图；
利用所述车道线存在预测模块对所述第一特征图进行计算处理，以得到样本图像中每条车道线存在的预测概率值。
6.根据权利要求1所述的深度神经网络车道线检测模型的训练方法，其特征在于：所述利用深度神经网络车道线检测模型对所述样本图像进行预测，获得样本图像中每个像素位置对应车道线的预测概率值和每条车道线存在的概率值；基于所述车道线的预测概率值与所述真实标签真实概率，计算损失，包括：
所述编码网络获取所述样本图像，采用下采样层获得缩减特征映射图，通过第一卷积层提取第...
【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：浙江;33
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。