本发明专利技术公开了一种基于深度学习的车道线检测方法、装置、设备及存储介质，该方法包括获取车道线的原始图像数据集，并对所述原始图像数据集中的车道线进行标记，获得训练图像数据集；其中，所述训练图像数据集中的图像包含有对应的车道线真实框；将所述训练图像数据集输入车道线检测模型，获得车道线检测框，并根据所述车道线检测框与所述车道线真实框的损失值，完成对车道线检测模型的训练；在接收到待检测图像数据时，将所述待检测图像数据输入车道线检测模型，获得待检测图像中的目标车道线。本发明专利技术通过对图像的车道线真实框和车道线检测框进行损失值的计算，以训练车道线检测模型，提升了车道线采样点之间的关联性，提升了检测的准确性。检测的准确性。检测的准确性。
【技术实现步骤摘要】
基于深度学习的车道线检测方法、装置、设备及存储介质
[0001]本专利技术涉及图像识别
，尤其涉及到一种基于深度学习的车道线检测方法、装置、设备及存储介质。
技术介绍
[0002]车道线检测是自动驾驶的一个重要领域。它是指对图像中各种车道线的检测以及识别。车道线检测的应用非常广泛，比较典型的应用例如是自动驾驶和辅助驾驶。
[0003]现有车道线检测技术通常有以下几种：1.首先使用图像分割技术得到分割结果，然后对于分割后的结果再做直线拟合。2.图像检测，对于图像按固定间隔进行采样得到很多线的候选anchor点，同时判断车道线的有无和具体位置。但是线的回归经常使用L1损失函数，降低了点与点之间的关联导致整体效果降低。因此，如何提高车道线检测的准确性，是一个亟需解决的技术问题。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0005]本专利技术的主要目的在于提供一种基于深度学习的车道线检测方法、装置、设备及存储介质，旨在解决目前车道线检测的准确性不高的技术问题。
[0006]为实现上述目的，本专利技术提供一种基于深度学习的车道线检测方法，所述方法包括以下步骤：
[0007]获取车道线的原始图像数据集，并对所述原始图像数据集中的车道线进行标记，获得训练图像数据集；其中，所述训练图像数据集中的图像包含有对应的车道线真实框；
[0008]将所述训练图像数据集输入车道线检测模型，获得车道线检测框，并根据所述车道线检测框与所述车道线真实框的损失值，完成对车道线检测模型的训练；
[0009]在接收到待检测图像数据时，将所述待检测图像数据输入车道线检测模型，获得待检测图像中的目标车道线。
[0010]可选的，所述对所述原始图像数据集中的车道线进行标记，获得训练图像数据集步骤，具体包括：
[0011]为原始图像数据集中的车道线生成外接矩形框；
[0012]根据所述外接矩形框，为所述原始图像数据集中的车道线生成车道线真实框。
[0013]可选的，所述车道线真实框的尺寸表达式为：
[0014]h＝max(h0,w0/2)；
[0015]w＝max(w0,h0/2)；
[0016]其中，h0为外接矩形框的高，h0为外接矩形框的宽，h为车道线真实框的高，w为车道线真实框的宽。
[0017]可选的，所述将所述训练图像数据集输入车道线检测模型，获得车道线检测框步
骤，具体包括：
[0018]将所述训练图像数据集输入车道线检测模型；
[0019]调整训练图像数据集中每张训练图像对应锚框的位置，以输出该训练图像的车道线预测框。
[0020]可选的，所述调整训练图像数据集中每张训练图像对应锚框的位置步骤，具体包括：
[0021]获取车道线检测模型预先确定的锚框的预测类别和偏移量；
[0022]在接收到训练图像时，基于所述车道线检测模型，调整所述训练图像对应锚框的位置。
[0023]可选的，所述将所述训练图像数据集输入车道线检测模型步骤之前，所述方法还包括：
[0024]对训练图像数据集中的车道线真实框中的车道线进行采样，生成车道线采样点；
[0025]为所述车道线采样点生成扩展框；其中，所述扩展框中所述车道线左侧与所述车道线右侧的面积相等；
[0026]根据所述扩展框，将所述车道线真实框的形状调整为多边形。
[0027]可选的，所述将所述车道线真实框的形状调整为多边形步骤，具体包括：
[0028]判断扩展框右下角的点是否在车道线采样点之后，若是，利用该点与车道线采样点调整所述车道线真实框的形状。
[0029]此外，为了实现上述目的，本专利技术还提供了一种基于深度学习的车道线检测装置，所述基于深度学习的车道线检测装置包括：
[0030]获取模块，用于获取车道线的原始图像数据集，并对所述原始图像数据集中的车道线进行标记，获得训练图像数据集；其中，所述训练图像数据集中的图像包含有对应的车道线真实框；
[0031]训练模块，用于将所述训练图像数据集输入车道线检测模型，获得车道线检测框，并根据所述车道线检测框与所述车道线真实框的损失值，完成对车道线检测模型的训练；
[0032]检测模块，用于在接收到待检测图像数据时，将所述待检测图像数据输入车道线检测模型，获得待检测图像中的目标车道线。
[0033]此外，为了实现上述目的，本专利技术还提供了一种基于深度学习的车道线检测设备，所述基于深度学习的车道线检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的车道线检测程序，所述基于深度学习的车道线检测程序被所述处理器执行时实现如上所述的基于深度学习的车道线检测方法的步骤。
[0034]此外，为了实现上述目的，本专利技术还提供了一种存储介质，所述存储介质上存储有基于深度学习的车道线检测程序，所述基于深度学习的车道线检测程序被处理器执行时实现如上所述的基于深度学习的车道线检测方法的步骤。
[0035]本专利技术实施例提出的一种基于深度学习的车道线检测方法、装置、设备及存储介质，该方法包括获取车道线的原始图像数据集，并对所述原始图像数据集中的车道线进行标记，获得训练图像数据集；其中，所述训练图像数据集中的图像包含有对应的车道线真实框；将所述训练图像数据集输入车道线检测模型，获得车道线检测框，并根据所述车道线检测框与所述车道线真实框的损失值，完成对车道线检测模型的训练；在接收到待检测图像
数据时，将所述待检测图像数据输入车道线检测模型，获得待检测图像中的目标车道线。本专利技术通过对图像的车道线真实框和车道线检测框进行损失值的计算，以训练车道线检测模型，提升了车道线采样点之间的关联性，提升了检测的准确性。
附图说明
[0036]图1为本专利技术实施例中基于深度学习的车道线检测设备的结构示意图；
[0037]图2为本专利技术基于深度学习的车道线检测方法的实施例的流程示意图；
[0038]图3为本专利技术实施例中基于深度学习的车道线检测装置的结构框图。
[0039]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0040]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0041]车道线检测是自动驾驶的一个重要领域。它是指对图像中各种车道线的检测以及识别。车道线检测的应用非常广泛，比较典型的应用例如是自动驾驶和辅助驾驶。
[0042]现有车道线检测技术通常有以下几种：1.首先使用图像分割技术得到分割结果，然后对于分割后的结果再做直线拟合。2.图像检测，对于图像按固定间隔进行采样得到很多线的候选anchor点，同时判断车道线的有无和具体位置。但是线的回归经常使用L1损失函数，降低了点与点之间的关联导致整体效果降低。因此，如何提高车道线检测的准确性，是一个亟本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的车道线检测方法，其特征在于，所述方法包括以下步骤：获取车道线的原始图像数据集，并对所述原始图像数据集中的车道线进行标记，获得训练图像数据集；其中，所述训练图像数据集中的图像包含有对应的车道线真实框；将所述训练图像数据集输入车道线检测模型，获得车道线检测框，并根据所述车道线检测框与所述车道线真实框的损失值，完成对车道线检测模型的训练；在接收到待检测图像数据时，将所述待检测图像数据输入车道线检测模型，获得待检测图像中的目标车道线。2.如权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述对所述原始图像数据集中的车道线进行标记，获得训练图像数据集步骤，具体包括：为原始图像数据集中的车道线生成外接矩形框；根据所述外接矩形框，为所述原始图像数据集中的车道线生成车道线真实框。3.如权利要求2所述的基于深度学习的车道线检测方法，其特征在于，所述车道线真实框的尺寸表达式为：h＝max(h0,w0/2)；w＝max(w0,h0/2)；其中，h0为外接矩形框的高，h0为外接矩形框的宽，h为车道线真实框的高，w为车道线真实框的宽。4.如权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述将所述训练图像数据集输入车道线检测模型，获得车道线检测框步骤，具体包括：将所述训练图像数据集输入车道线检测模型；调整训练图像数据集中每张训练图像对应锚框的位置，以输出该训练图像的车道线预测框。5.如权利要求4所述的基于深度学习的车道线检测方法，其特征在于，所述调整训练图像数据集中每张训练图像对应锚框的位置步骤，具体包括：获取车道线检测模型预先确定的锚框的预测类别和偏移量；在接收到训练图像时，基于所述车道线检测模型，调整所述训练图像对应锚框的位置。6.如权利要求1所述的基于深度学习的车道线检测方法，其特征在于...
【专利技术属性】
技术研发人员：周卓立，任鹏，
申请(专利权)人：成都臻识科技发展有限公司，
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。