本公开的实施例公开了用于识别车道线的方法、装置、设备、存储介质以及无人车，涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于智能交通和智慧城市等场景下。该方法的一具体实施方式包括：获取待识别图像；将待识别图像输入至预先训练的车道线识别模型，得到车道线识别结果，其中，车道线识别模型包括通过无监督训练得到的特征提取模型和通过有监督训练得到的分割模型，特征提取模型用于提取待识别图像的特征，分割模型用于根据待识别图像的特征进行实例分割以识别车道线。该实施方式实现了基于自监督学习和实例分割的车道线识别。车道线识别。车道线识别。
【技术实现步骤摘要】
用于识别车道线的方法、装置、设备、存储介质以及无人车
[0001]本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可以应用于智能交通和智慧城市等场景下。
技术介绍
[0002]近些年随着计算机技术和互联网技术的迅速发展，无人驾驶技术应用而生以实现自动驾驶。无人驾驶技术的实现涉及各种各样的路况信息的检测和识别任务，包括但不限于障碍物检测、交通信号灯的检测和识别、可通信空间的检测和识别等等。其中，车道线的检测和识别也是无人驾驶
中主要的任务之一。
[0003]现有的车道线检测和识别方法主要包括基于深度学习的方法和基于投影或虚线拟合的方法等等。其中，基于深度学习的车道线检测识别方法通常依赖于预先针对车道线设置的Anchor和与Anchor相关的各种网络参数。
技术实现思路
[0004]本公开的实施例提出了用于识别车道线的方法、装置、设备、存储介质、程序产品以及无人车。
[0005]第一方面，本公开的实施例提供了一种用于识别车道线的方法，该方法包括：获取待识别图像；将待识别图像输入至预先训练的车道线识别模型，得到车道线识别结果，其中，车道线识别模型包括通过无监督训练得到的特征提取模型和通过有监督训练得到的分割模型，特征提取模型用于提取待识别图像的特征，分割模型用于根据待识别图像的特征进行实例分割以识别车道线。
[0006]第二方面，本公开的实施例提供了一种用于识别车道线的装置，该装置包括：图像获取模块，被配置成获取待识别图像；车道线识别模块，被配置成将待识别图像输入至预先训练的车道线识别模型，得到车道线识别结果，其中，车道线识别模型包括通过无监督训练得到的特征提取模型和通过有监督训练得到的分割模型，特征提取模型用于提取待识别图像的特征，分割模型用于根据待识别图像的特征进行实例分割以识别车道线。
[0007]第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
[0008]第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
[0009]第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
[0010]第六方面，本公开实施例提出了一种无人车，包括摄像采集模块和如第三方面描述的电子设备，其中，摄像采集模块用于在无人车的行驶过程中采集行驶环境图像作为待
识别图像，以及将待识别图像发送至电子设备。
[0011]本公开的实施例提供的用于识别车道线的方法、装置、设备、存储介质以及无人车，预先通过无监督学习训练特征提取模型，并通过有监督训练得到根据特征识别车道线的分割模型，从而利用特征提取模型和分割模型组成车道线识别模型以实现对待识别图像中的车道线的检测和识别。由此可以降低针对特征提取模型的样本标注难度，而且基于分割模型对车道线进行识别可以避免Anchor和相关参数的设计过程，有助于降低车道线识别模型的复杂度。
[0012]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0013]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0014]图1是本公开可以应用于其中的示例性系统架构图；
[0015]图2是本公开的用于识别车道线的方法的一个实施例的流程图；
[0016]图3是本公开的实施例的用于识别车道线的方法的又一个实施例的流程图；
[0017]图4是本公开的实施例的用于识别车道线的方法的一个应用场景的示意图；
[0018]图5是本公开的用于识别车道线的装置的一个实施例的结构示意图；
[0019]图6是用来实现本公开的实施例的用于识别车道线的方法的电子设备的框图。
具体实施方式
[0020]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0021]需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
[0022]图1示出了可以应用本公开的用于识别车道线的方法或用于识别车道线的装置的实施例的示例性架构100。
[0023]如图1所示，系统架构100可以包括无人车101、道路102和服务器103。无人车101，又称无人驾驶汽车，可以是各种类型的智能汽车。一般地，无人车101可以通过车载传感系统感知周围环境，自动规划行驶路线以控制自身的行驶。
[0024]无人车101可以包括摄像头等图像采集装置以在行驶过程中采集道路102的图像。无人车101可以通过各种如有线、无线通信链路或者光纤电缆等方式与服务器103通信，以接收或发送消息等。
[0025]需要说明的是，本公开的实施例所提供的用于识别车道线的方法一般由无人车101执行，相应地，用于识别车道线的装置一般设置于无人车101中。此时，无人车101可以利用预先训练的车道线识别模型对采集的道路图像进行分析，以识别其中的车道线，进而根
据识别结果辅助行驶。这种情况下，示例性系统架构100可以不存在服务器103。
[0026]还需要指出的是，无人车101在采集道路图像之后，还可以将道路图像发送至服务器103，以使服务器103利用预先训练的车道线识别模型对采集的道路图像进行分析，以识别其中的车道线，并向无人车101反馈车道线识别结果以辅助无人车的行驶。
[0027]需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0028]应该理解，图1中的无人车、道路和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的无人车、道路和服务器。
[0029]继续参考图2，其示出了本公开的用于识别车道线的方法的一个实施例的流程200。该用于识别车道线的方法包括以下步骤：
[0030]步骤201，获取待识别图像。
[0031]在本实施例中，用于识别车道线本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于识别车道线的方法，包括：获取待识别图像；将所述待识别图像输入至预先训练的车道线识别模型，得到车道线识别结果，其中，所述车道线识别模型包括通过无监督训练得到的特征提取模型和通过有监督训练得到的分割模型，所述特征提取模型用于提取待识别图像的特征，所述分割模型用于根据待识别图像的特征进行实例分割以识别车道线。2.根据权利要求1所述的方法，其中，所述车道线识别结果指示所述待识别图像包括至少两条车道线；以及所述方法还包括：从所述至少两条车道线中选取相邻的两个车道线为一组，以及生成每组车道线构成的连通区域作为车道区域。3.根据权利要求2所述的方法，还包括：获取所述车道区域对应的、针对预设目标的目标检测结果；根据所述目标检测结果，确定所述车道区域的路况信息。4.根据权利要求2所述的方法，其中，所述生成每组车道线构成的连通区域作为车道区域，包括：对于每组车道线，分别延长该组车道线中的两条车道线，以使两条车道线相交于一点且分别与所述待识别图像的边界相交；确定每组车道线和对应的各交点组成的连通区域作为车道区域。5.根据权利要求1
‑
4之一所述的方法，其中，所述特征提取模型采用以残差网络为主干网络，且采用动量对比的无监督训练方法。6.根据权利要求5所述的方法，其中，所述分割模型采用训练好的特征提取模型输出的特征提取结果作为训练数据。7.一种用于识别车道线的装置，包括：图像获取模块，被配置成获取待识别图像；车道线识别模块，被配置成将所述待识别图像输入至预先训练的车道线识别模型，得到车道线识别结果，其中，所述车道线识别模型包括通过无监督训练得到的特征提取模型和通过有监督训练得到的分割模型，所述特征提取模型用于提取待识别图像的特征，所述分割模型用于根据待识别图像的特征进行实例分割以识别车道线。8.根据权利要求7所述的装置，其中，所述车道线识别结果指示所述待识别图像包括至少两条...
【专利技术属性】
技术研发人员：何悦，张伟，谭啸，孙昊，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：
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。