车道线检测方法、检测装置、电子设备和存储介质制造方法及图纸

本公开实施例公开了一种车道线检测方法、装置、电子设备和存储介质，其中，车道线检测方法包括：获取包括有车道线的待检测图像；基于车道线检测模型对所述待检测图像进行处理，得到所述待检测图像的车道线描述参数；基于所述车道线描述参数，确定所述待检测图像中的车道线位置。本公开实施例可以对车道线进行准确检测。测。测。

【技术实现步骤摘要】
车道线检测方法、检测装置、电子设备和存储介质


[0001]本公开涉及机器视觉和深度学习
，尤其是一种车道线检测方法、检测装置、电子设备和存储介质。

技术介绍

[0002]车道线检测在自动驾驶中有重要作用。近年来，随着自动驾驶技术的不断发展，对车道线检测精度的要求也越来越高。
[0003]目前，车道线检测主要分为基于图像处理和基于卷积神经网络的两类方法。基于图像处理的方法依赖特征提取器，难以捕捉高级语义特征和复杂内容，其泛化能力及鲁棒性较差。基于卷积神经网络的方法通过数据驱动能够提高检测模型的泛化能力和鲁棒性，但是在弯道等场景下的检测准确性较低。
[0004]如何对车道线进行准确的检测，是一个亟待解决的问题。

技术实现思路

[0005]本公开实施例提供一种车道线检测方法、检测装置、电子设备和存储介质，可以对车道线进行准确检测。
[0006]本公开实施例的第一方面，提供一种车道线检测方法，包括：
[0007]获取包括有车道线的待检测图像；
[0008]基于预训练的车道线检测模型对所述待检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线检测方法，其特征在于，包括：获取包括有车道线的待检测图像；基于车道线检测模型对所述待检测图像进行处理，得到所述待检测图像的车道线描述参数，其中，所述车道线描述参数包括融合有回归式抛物线的系数和相机参数的参数；基于所述车道线描述参数，确定所述待检测图像中的车道线位置。2.根据权利要求1所述的车道线检测方法，其特征在于，所述基于车道线检测模型对所述待检测图像进行处理，得到所述待检测图像的车道线描述参数，包括：对所述待检测图像进行特征提取处理，得到第一特征序列；对所述第一特征序列进行位置编码，得到第二特征序列；利用编码器对所述第一特征序列和所述第二特征序列进行编码处理，得到编码序列；对所述编码序列进行位置解码，得到第三特征序列；利用解码器对所述编码序列和所述第三特征序列进行解码处理，得到解码序列；基于解码序列进行车道线参数预测，确定所述车道线描述参数。3.根据权利要求2所述的车道线检测方法，其特征在于，所述对所述编码序列和所述第三特征序列进行解码处理，得到解码序列，包括：对待查询序列进行位置编码得到存储位置差异信息序列；利用解码器对所述编码序列、所述第三特征序列、所述待查询序列和所述位置差异序列进行解码处理，得到所述解码序列。4.根据权利要求1
‑
3任一项所述的车道线检测方法，其特征在于，所述车道线检测模型的建模公式为：其中，a
′
，b
′
，c
′
和d
′
为基于回归式抛物线的系数和相机参数确定参数，且a
′
，b
′
，c
′
和d
′
均为实数，δ为镜头畸变参数，u和v分别为所述样本图像的像素点在像素坐标系下的横坐标和纵坐标。5.根据权利要求1所述的车道线检测方法，其特征在于，所述车道线检测模型的训练，包括：对样本图像进行特征提取处理，得到第四特征序列；对所述第四特征序列进行位置编码，得到第五特征序列；利用编码器对所述第四特征序列和所述第五特征序列进行编码处理，得到样本编码序列；对所述样本编码序列进行位置解码，得到第六特征序列；利用解码器对所述样本编码序列和所述第六特征序列进行解码处理，得到样本解码序列；基于解码序列进行车道线参数预测，得到所述样本图像的车道线描述参数；基于所述样本图像的车道线描述参数和所述样本图像的车...

【专利技术属性】
技术研发人员：杨大卫，王硕凡，李辉，
申请(专利权)人：南京后摩智能科技有限公司，
类型：发明
国别省市：