车道线分割的方法、装置、电子设备和存储介质制造方法及图纸

本公开提供了一种车道线分割的方法、装置、电子设备以及存储介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于智慧城市和智能交通场景下。具体实现方案为：对待识别图像进行特征提取，得到待识别图像的至少一个特征块；确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度；根据每个特征块与每个车道线实例特征之间的相似度，确定与每个车道线实例特征分别对应的车道线分割结果。道线实例特征分别对应的车道线分割结果。道线实例特征分别对应的车道线分割结果。

【技术实现步骤摘要】
车道线分割的方法、装置、电子设备和存储介质


[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，可用于智慧城市和智能交通场景下。

技术介绍

[0002]环境感知是智能交通的基础，是进行后续决策、规划的前提。其中对道路进行感知的车道线检测是环境感知的重要组成部分。目前，车道线检测一般采用语义分割技术实现，能够区分图像中的背景信息以及车道线前景信息。

技术实现思路

[0003]本公开提供了一种车道线分割的方法、装置、电子设备以及存储介质。
[0004]根据本公开的一方面，提供了一种车道线分割方法，包括：
[0005]对待识别图像进行特征提取，得到待识别图像的至少一个特征块；
[0006]确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度；
[0007]根据每个特征块与每个车道线实例特征之间的相似度，确定与每个车道线实例特征分别对应的车道线分割结果。
[0008]根据本公开的另一方面，提供了一种车道线分割装置，包括：
[0009]特征提取模块，用于对待识别图像进行特征提取，得到待识别图像的至少一个特征块；
[0010]相似度获取模块，用于确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度；
[0011]结果获取模块，根据每个特征块与每个车道线实例特征之间的相似度，确定与每个车道线实例特征分别对应的车道线分割结果。
[0012]根据本公开的另一方面，提供了一种电子设备，包括：
[0013]至少一个处理器；以及
[0014]与该至少一个处理器通信连接的存储器；其中，
[0015]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
[0016]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
[0017]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
[0018]根据本公开的技术，可以通过计算待识别图像中每个特征块与每个车道线实例特征之间的相似度，确定每个车道线实例特征对应的车道线分割结果，得到实例级别的车道线分割结果。
[0019]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
[0020]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0021]图1是根据本公开一实施例的车道线分割方法的流程示意图一；
[0022]图2是根据本公开一实施例的车道线分割方法的流程示意图二；
[0023]图3是根据本公开一实施例的车道线分割方法的流程示意图三；
[0024]图4是根据本公开一实施例中车道线分割方法的一个应用示例的示意图；
[0025]图5是根据本公开一实施例的车道线分割装置示意图一；
[0026]图6是根据本公开一实施例的车道线分割装置示意图二；
[0027]图7是根据本公开一实施例的车道线分割装置示意图三；
[0028]图8是用来实现本公开实施例的车道线分割方法的电子设备的框图。
具体实施方式
[0029]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。
[0030]图1是根据本公开一实施例的车道线分割方法的流程示意图，包括：
[0031]S110，对待识别图像进行特征提取，得到待识别图像的至少一个特征块；
[0032]S120，确定至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度；
[0033]S130，根据每个特征块与每个车道线实例特征之间的相似度，确定与每个车道线实例特征分别对应的车道线分割结果。
[0034]示例性地，在上述步骤S11中，可以将待识别图像输入卷积神经网络进行特征提取。该卷积神经网络例如是空间卷积神经网络。针对车道线这类长距离且形状连续又有着很强的空间关系，但从其外观不完整的目标，空间卷积神经网络将传统的卷积层连接层的连接形式转化为连片结构的卷积形式，使得特征信息不仅能在行之间传递，也能在列之间传递，使得空间信息能够在同层的神经元中传播，增强了对结构化信息的识别。
[0035]卷积神经网络中可以包括卷积层，还可以包括上采样层、池化层、激活层等网络层。卷积神经网络对待识别图像进行特征处理后，输出特征图。由于存在上采样层和/或池化层等网络层，因此，卷积神经网络输出的特征图与待识别图像的空间尺寸不同。示例性地，在本公开实施例中，待识别图像的一个特征块可以指特征图中的一个像素或多个相邻像素。
[0036]实际应用中，可以根据预定的车道线分割输出精度设计卷积神经网络，从而使得提取的特征块的精度符合预定要求。
[0037]示例性地，在本公开实施例中，车道线实例特征可以是预先指定的车道线实例的特征。例如，可以预先指定某交通场景中的10个车道线，作为图像识别过程中的10个车道线
实例，得到10个车道线实例的特征。再执行上述方法，在待识别图像中识别出这些车道线实例对应的或者说车道线实例特征对应的车道线分割结果。示例性地，车道线分割结果可以包括车道线的位置，例如车道线的像素坐标。
[0038]示例性地，上述步骤S120可以采用多种方式实现。例如，可以针对每个车道线实例特征，与至少一个特征块分别进行比较例如计算距离等，得到车道线实例特征与特征块之间的相似度。也可以采用深度学习网络中的自关注注意力机制、交叉关注注意力机制等方式计算车道线实例特征与特征块之间的相似度。
[0039]根据上述实施方式，通过计算待识别图像中每个特征块与每个车道线实例特征之间的相似度，可以确定每个车道线实例特征对应的车道线分割结果，得到实例级别的车道线分割结果。
[0040]示例性地，如图2所示，步骤S130可以包括：
[0041]S131，根据每个特征块与每个车道线实例特征之间的相似度，确定每个车道线实例特征对应的特征块；
[0042]S132，基于每个车道线实例特征对应的特征块，得到每个车道线实例特征对应的车道线分割结果。
[0043]示例性地，在上述S131中，可以比较每个特征块与每个车道线实例特征之间的相似度与预设阈值的大小关系，当相似度大于预设阈值时，则确定当前特征块与车道线实例特征具有对应关系。或者，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线分割方法，包括：对待识别图像进行特征提取，得到所述待识别图像的至少一个特征块；确定所述至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度；根据所述每个特征块与所述每个车道线实例特征之间的相似度，确定与所述每个车道线实例特征分别对应的车道线分割结果。2.根据权利要求1所述的方法，其中，根据所述每个特征块与所述每个车道线实例特征之间的相似度，确定与所述每个车道线实例特征对应的车道线分割结果，包括：根据所述每个特征块与所述每个车道线实例特征之间的相似度，确定所述每个车道线实例特征对应的特征块；基于所述每个车道线实例特征对应的特征块，得到所述每个车道线实例特征对应的车道线分割结果。3.根据权利要求1或2所述的方法，其中，所述确定所述至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度，包括：基于交叉关注注意力机制，计算得到所述每个特征块与所述每个车道线实例特征之间的相似度。4.根据权利要求3所述的方法，其中，所述基于交叉关注注意力机制，计算得到所述每个特征块与所述每个车道线实例特征之间的相似度，包括：基于所述至少一个特征块以及所述至少一个车道线实例特征，得到交叉相关信息；基于所述交叉相关信息以及自关注注意力机制，计算得到所述每个特征块与所述每个车道线实例特征之间的相似度。5.根据权利要求1
‑
4中任一项所述的方法，还包括：对所述待识别图像进行分类识别，确定针对预设车道线实例的前背景分类结果；在所述前背景分类结果表征所述预设车道线实例为所述待识别图像的前景的情况下，将所述预设车道线实例的特征确定为所述至少一个车道线实例特征中的一个。6.一种车道线分割装置，包括：特征提取模块，用于对待识别图像进行特征提取，得到所述待识别图像的至少一个特征块；相似度获取模块，用于确定所述至少一个特征块中的每个特征块与至少一个车道线实例特征中的每个车道线实例特征之间的相似度；结果获取模块，根据...

【专利技术属性】
技术研发人员：蒋旻悦，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：