基于神经网络的车道线检测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种基于神经网络的车道线检测方法、装置、设备及介质，其中方法包括：获取预设周期内自动驾驶车辆采集的车道线数据，生成车道线数据集合；将车道线数据集合输入至预设神经网络中进行车道线识别，得到预估车道线集合；根据目标聚类算法对所述预估车道线集合进行聚类融合处理，得到各组校准后的当前车道线，生成当前车道线集合；根据当前车道线集合与预设地图进行匹配，得到目标地图集合；根据当前车道线集合和目标地图集合，检测当前车道线是否为自动驾驶车辆的实际车道线。本发明专利技术实施例通过构建神经网络对采集的车道线数据进行预估，在进行车道线校准后进行地图匹配和检测，极大提高了车道线检测的准确性和可靠性，降低检测误差。降低检测误差。降低检测误差。

Lane line detection method, device, equipment and medium based on Neural Network

【技术实现步骤摘要】
基于神经网络的车道线检测方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其是涉及一种基于神经网络的车道线检测方法、装置、设备及可读存储介质。

技术介绍

[0002]目前，高级辅助驾驶系统(Advanced Driver Assistance Systems，ADAS)的一个主要研究点在于提高车辆自身或者车辆行驶的安全性并减少道路事故。智能车辆和无人驾驶车辆有望解决道路安全、交通问题和乘客的舒适性问题。在针对智能车辆或无人车辆的研究任务中，车道线检测是一个复杂且具有挑战性的任务。车道线作为道路的一个主要部分，起到为无人驾驶车辆提供参考、指导安全驾驶的作用。车道线检测包括道路定位、车辆和道路之间的相对位置关系、以及车辆的行车方向。
[0003]在构思及实现本申请过程中，本申请的专利技术人发现，在目前的技术方案中，车道线检测通常是根据摄像头获取的图像和GPS装置提供的定位信号来实现的。但是，通过这种方案确定的车道线以及车道线的位置信息、车道线与车辆之间的相对位置信息的准确度低，无法满足自动驾驶车辆的行驶需求。也即，在现有车道线检测的技术方案中存在准确率低和误差大的问题。
[0004]前面的叙述在于提供一般的背景信息，并不一定构成现有技术。

技术实现思路

[0005]本专利技术实施例所要解决的技术问题在于，提供一种基于神经网络的车道线检测方法、装置、设备及可读存储介质，能够解决现有车道线检测技术由于硬件精度、环境因素或传感器抖动导致数据产生较大误差，导致车道线检测的精准性低下的问题。
[0006]为解决上述问题，本申请实施例的第一方面提供了一种基于神经网络的车道线检测方法，至少包括如下步骤：
[0007]获取预设周期内自动驾驶车辆采集的车道线数据，生成车道线数据集合，所述车道线数据集合包括至少一组车道线数据；
[0008]将所述车道线数据集合输入至预设神经网络中进行车道线识别，得到预估车道线集合，所述预估车道线集合包括至少一组车道线；
[0009]根据目标聚类算法对所述预估车道线集合中的各组预估车道线进行聚类融合处理，得到各组校准后的当前车道线，生成当前车道线集合；
[0010]根据所述当前车道线集合与预设地图进行匹配，得到目标地图集合，所述目标地图集合包括至少一组预估车道线对应的目标地图；
[0011]根据所述当前车道线集合和目标地图集合，检测所述当前车道线是否为自动驾驶车辆的实际车道线。
[0012]在第一方面的一种可能的实现方式中，所述基于神经网络的车道线检测方法，还包括：
[0013]构建三个层数不同的自编码卷积神经网络，三个卷积神经网络组成并联卷积神经网络，其中，每个卷积神经网络分别用来检测不同的对象，所述对象包括，背景点、实线车道线或虚线车道线。
[0014]在第一方面的一种可能的实现方式中，所述基于神经网络的车道线检测方法，还包括：
[0015]使用训练数据集训练构建的并联卷积神经网络，根据训练过程中损失函数的变化和卷积神经网络的收敛情况来调整卷积神经网络的参数；
[0016]使用验证集图片来检验所训练的并联卷积神经网络的检测效果，根据卷积神经网络的实际检测效果，调整卷积神经网络的参数。
[0017]在第一方面的一种可能的实现方式中，所述根据目标聚类算法对所述预估车道线集合中的各组预估车道线进行融合处理，得到各组校准后的当前车道线，生成当前车道线集合，包括：
[0018]获取所述预估车道线集合中的多组预估车道线，分别对每组预估车道线进行车道线识别检测处理，检测得到每组预估车道线对应的第一车道线；
[0019]根据目标聚类算法，对各组预估车道线对应的第一车道线先后进行聚类和融合处理，得到各组校准后的当前车道线，生成当前车道线集合。
[0020]在第一方面的一种可能的实现方式中，在所述根据所述当前车道线集合与预设地图进行匹配，得到目标地图集合之后，还包括：
[0021]获取车辆视觉里程计信息，根据所述车辆视觉里程计信息检测所述当前车道线是否准确。
[0022]在第一方面的一种可能的实现方式中，所述根据所述当前车道线集合和目标地图集合，检测所述当前车道线是否为自动驾驶车辆的实际车道线，包括：
[0023]获取所述当前车道线对应的局部地图；
[0024]提取所述当前车道对应的局部地图中标志性物体的位置信息；
[0025]根据标志性物体的位置信息，对所述当前车道线进行匹配识别，检测当前所述车道线是否准确。
[0026]在第一方面的一种可能的实现方式中，在获取预设周期内自动驾驶车辆采集的车道线数据，生成车道线数据集合之后，还包括：
[0027]根据预先建立的语义分割模型，提取所述车道线数据对应的车道线语义信息以及对应车道线的像素点；
[0028]将所述车道线的像素点转换至车体坐标系；
[0029]将车体坐标系下车道线的像素点与惯性导航获取的数据进行联合定位，得到各组车道线数据的定位信息。
[0030]相应地，本申请实施例的第二方面提供了一种基于神经网络的车道线检测装置，包括：
[0031]数据采集模块，用于获取预设周期内自动驾驶车辆采集的车道线数据，生成车道线数据集合，所述车道线数据集合包括至少一组车道线数据；
[0032]预估模块，用于将所述车道线数据集合输入至预设神经网络中进行车道线识别，得到预估车道线集合，所述预估车道线集合包括至少一组车道线；
[0033]校准模块，用于根据目标聚类算法对所述预估车道线集合中的各组预估车道线进行聚类融合处理，得到各组校准后的当前车道线，生成当前车道线集合；
[0034]匹配模块，用于根据所述当前车道线集合与预设地图进行匹配，得到目标地图集合，所述目标地图集合包括至少一组预估车道线对应的目标地图；
[0035]检测模块，用于根据所述当前车道线集合和目标地图集合，检测所述当前车道线是否为自动驾驶车辆的实际车道线。
[0036]本申请实施例的第三方面还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的基于神经网络的车道线检测方法的步骤。
[0037]本申请实施例的第四方面还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的基于神经网络的车道线检测方法的步骤。
[0038]实施本专利技术实施例，具有如下有益效果：
[0039]本专利技术实施例提供的一种基于神经网络的车道线检测方法、装置、设备及可读存储介质，所述方法包括：获取预设周期内自动驾驶车辆采集的车道线数据，生成车道线数据集合，所述车道线数据集合包括至少一组车道线数据；将所述车道线数据集合输入至预设神经网络中进行车道线识别，得到预估车道线集合，所述预估车道线集合包括至少一组车道线；根据目标聚类算法对所述预估车道线集合中的各组预估车道线进行聚类融合处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的车道线检测方法，其特征在于，至少包括如下步骤：获取预设周期内自动驾驶车辆采集的车道线数据，生成车道线数据集合，所述车道线数据集合包括至少一组车道线数据；将所述车道线数据集合输入至预设神经网络中进行车道线识别，得到预估车道线集合，所述预估车道线集合包括至少一组车道线；根据目标聚类算法对所述预估车道线集合中的各组预估车道线进行聚类融合处理，得到各组校准后的当前车道线，生成当前车道线集合；根据所述当前车道线集合与预设地图进行匹配，得到目标地图集合，所述目标地图集合包括至少一组预估车道线对应的目标地图；根据所述当前车道线集合和目标地图集合，检测所述当前车道线是否为自动驾驶车辆的实际车道线。2.根据权利要求1所述的基于神经网络的车道线检测方法，其特征在于，还包括：构建三个层数不同的自编码卷积神经网络，三个卷积神经网络组成并联卷积神经网络，其中，每个卷积神经网络分别用来检测不同的对象，所述对象包括，背景点、实线车道线或虚线车道线。3.根据权利要求1所述的基于神经网络的车道线检测方法，其特征在于，还包括：使用训练数据集训练构建的并联卷积神经网络，根据训练过程中损失函数的变化和卷积神经网络的收敛情况来调整卷积神经网络的参数；使用验证集图片来检验所训练的并联卷积神经网络的检测效果，根据卷积神经网络的实际检测效果，调整卷积神经网络的参数。4.根据权利要求1所述的基于神经网络的车道线检测方法，其特征在于，所述根据目标聚类算法对所述预估车道线集合中的各组预估车道线进行融合处理，得到各组校准后的当前车道线，生成当前车道线集合，包括：获取所述预估车道线集合中的多组预估车道线，分别对每组预估车道线进行车道线识别检测处理，检测得到每组预估车道线对应的第一车道线；根据目标聚类算法，对各组预估车道线对应的第一车道线先后进行聚类和融合处理，得到各组校准后的当前车道线，生成当前车道线集合。5.根据权利要求1所述的基于神经网络的车道线检测方法，其特征在于，在所述根据所述当前车道线集合与预设地图进行匹配，得到目标地图集合之后，还包括：获取车辆视觉里程计信息，根据所述车辆...

【专利技术属性】
技术研发人员：史帅，管越，
申请(专利权)人：国汽智控北京科技有限公司，
类型：发明
国别省市：