一种车道线识别方法、装置和计算机可读存储介质制造方法及图纸

本申请公开了一种车道线识别方法、装置和计算机可读存储介质，该方法包括：基于车道线识别模型，对待检测道路图像进行检测，得到检测数据；对检测数据进行处理，得到待检测道路图像中每条车道线的位置信息以及每条车道线对应的第一多元属性信息，第一多元属性信息包括多种子属性信息；车道线识别模型是基于多标签数据集训练的，多标签数据集包括样本图像、与样本图像中车道线对应的多元属性标签，多元属性标签为通过对样本图像中车道线对应的全内容类别标签进行解耦重构处理得到，多元属性标签的类别小于全内容类别标签的类别。通过上述方式，本申请能够提升识别车道线的准确度，同时能提升识别出的车道线的类型的丰富度。同时能提升识别出的车道线的类型的丰富度。同时能提升识别出的车道线的类型的丰富度。

【技术实现步骤摘要】
一种车道线识别方法、装置和计算机可读存储介质


[0001]本申请涉及图像处理
，具体涉及一种车道线识别方法、装置和计算机可读存储介质。

技术介绍

[0002]目前辅助驾驶和自动驾驶逐渐走入大众视野，车道线识别技术作为辅助驾驶和自动驾驶领域的基础技术，其通过预测道路面上不同车道线的位置信息和类别信息为后续自主导航、偏离预警或规划或控制等自动驾驶领域的上游设计提供保障，而现有的车道线识别方法在车道线的类别识别方面，在对易耦合的相似类别进行预测时往往容易混淆，进而导致对车道线进行识别的准确度低。

技术实现思路

[0003]本申请提供一种车道线识别方法、装置和计算机可读存储介质，能够提升识别车道线的准确度，同时能提升识别出的车道线的类型的丰富度。
[0004]为解决上述技术问题，本申请采用的技术方案是：提供一种车道线识别方法，该方法包括：基于车道线识别模型，对待检测道路图像进行检测，得到检测数据；对检测数据进行处理，得到待检测道路图像中每条车道线的位置信息以及每条车道线对应的第一多元属性信息，第一多元属性信息包括多种子属性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线识别方法，其特征在于，包括：基于车道线识别模型，对待检测道路图像进行检测，得到检测数据；对所述检测数据进行处理，得到所述待检测道路图像中每条车道线的位置信息以及每条所述车道线对应的第一多元属性信息，所述第一多元属性信息包括多种子属性信息；其中，所述车道线识别模型是基于多标签数据集训练的，所述多标签数据集包括样本图像、与所述样本图像中车道线对应的多元属性标签，所述多元属性标签为通过对所述样本图像中车道线对应的全内容类别标签进行解耦重构处理得到，所述多元属性标签的类别小于所述全内容类别标签的类别。2.根据权利要求1所述的车道线识别方法，其特征在于，所述车道线识别模型的训练方法包括：获取训练数据，所述训练数据包括多张所述样本图像、与所述样本图像中车道线对应的车道位置标签以及全内容类别标签；对所述全内容类别标签进行解耦重构处理，得到所述多元属性标签；采用所述多标签数据集对所述车道线识别模型进行训练，得到训练完的车道线识别模型。3.根据权利要求2所述的车道线识别方法，其特征在于，所述采用所述多标签数据集对所述车道线识别模型进行训练的步骤，包括：从所述多标签数据集中选取一个所述样本图像输入所述车道线识别模型，得到训练输出数据；基于所述训练输出数据、所述车道线位置标签以及所述多元属性标签，计算当前损失值；判断所述车道线识别模型是否满足训练终止条件；若否，则基于所述当前损失值，对所述车道线识别模型的模型参数进行调整，并返回所述从所述多标签数据集中选取一个所述样本图像输入所述车道线识别模型的步骤，直至所述车道线识别模型满足所述训练终止条件。4.根据权利要求2所述的车道线识别方法，其特征在于，所述对所述全内容类别标签进行解耦重构处理，得到所述多元属性标签的步骤，包括：获取全类别标签集，所述全类别标签集包括所有类别的所述全内容类别标签；从所述全类别标签集中选取一个全内容类别标签，对所述全内容类别标签进行提取处理，得到当前解耦标签；判断所述当前解耦标签是否满足第一预设条件；若否，则将所述全内容类别标签更新为所述当前解耦标签，并返回所述对所述全内容类别标签进行提取处理的步骤，直至所述当前解耦标签满足所述第一预设条件；若是，则基于所述当前解耦标签，构建第一子结构属性标签集；对所述第一子结构属性标签集进行匹配处理，得到第二子结构属性标签集；基于所述第二子结构属性标签集对所述全内容类别标签进行重构处理，得到所述多元属性标签。5.根据权利要求4所述的车道线识别方法，其特征在于，所述方法还包括：将所述当前解耦标签加入所述第一子结构属性标签集中，并将所述当前解耦标签从所
述全类别标签集中移除；判断所述全类别标签集是否满足第二预设条件；若是，则对所述第一子结构属性标签集进行匹配处理，得到所述第二子结构属性标签集；若否，则返回所述从所述全类别标签集中选取一个全内容类别标签的步骤，直至所述全类别标签集满足所述第二预设条件。6.根据权利要求5所述的车道线识别方法，其特征在于，所述方法包括：判断所述当前解耦标签的长度是否为预设长度，若是，则确定所述当前解耦标签满足所述第一预设条件；判断所述全类别标签集是否为空，若是，则确定所述全类别标签集满足所述第二预设条件。7.根据权利要求4所述的车道线识别方法，其特征在于，所述第二子结构属性标签集包括多个子属性标签，所述基于所述第二子结构属性标签集对所述全内容类别标签进行重构处理，得到所述多元属性标签的步骤，包括：将所述全内容类别标签与所述第二子结构属性标签集中的子属性标签进行对比，得到与所述全内容类别标签匹配的子属性标签；将所有与所述全内容类别标签匹配的子属性标签组成所述多元属性标签。8.根据权利要求5所述的车道线识别方法，其特征在于，所述第一子结构属性标签集包括多个子属性标签，所述对所述第一子结构属性标签集进行匹配处理，得到所述第二子结构属性标签集的步骤，包括：将所述第一子结构属性标签集中的子属性标签与预设映射表进行匹配，判断所述预设映射表中是否存在与所述子属性标签对应的其他子属性标签；若是，则将所述子属性标签与所述其他子属性标签组成所述第二子结构属性标签集。9.根据权利要求3所述的车道线识别方法，其特征在于，所述训练输出数据包括第一车道线置信度图与第一属性预测概率图，所述第一车道线置信度图包括所述样本图像中每个像素点的车道线概率值，所述车道线概率值为所述样本图像中的像素点为所述车道线上的像素点的概率值，所述第一属性预测概率图包括所述样本图像中的像素点的属性概率值，所述属性概率值为所述样本图像中的像素点的属性属于每种子属性标签的概率值，所述基于所述训练输出数据、所述车道线位置标签以及所述多元属性标签，计算当前损失值的步骤，包括：采用激活函数分别对所述第一车道线置信度图与...

【专利技术属性】
技术研发人员：闫朝阳，
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：