车道线检测方法、模型训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种车道线检测方法、模型训练方法、装置、设备及存储介质，其中，车道线检测方法包括：获取待检测图像；将待检测图像输入至车道线检测模型，车道线检测模型包括关键点分支和偏置分支，关键点分支用于检测待检测图像中的车道线关键点，偏置分支用于检测待检测图像中各个像素点到车道线起点的方向向量；从关键点分支输出的车道线关键点中筛选出车道线点；利用车道线点和车道线点对应的方向向量，确定车道线。本发明专利技术提供的技术方案，在识别车道线时，能够避免复杂的后处理算法流程，从而降低了计算量，且鲁棒性高。且鲁棒性高。且鲁棒性高。

【技术实现步骤摘要】
车道线检测方法、模型训练方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能
，具体涉及一种车道线检测方法、模型训练方法、装置、设备及存储介质。

技术介绍

[0002]随着电动汽车发展同时发生的汽车智能化中，自动驾驶的技术和应用得到了长足的发展和进步。而车道线的检测识别是公路行车场景中一项基本但重要的任务。目前大部分新推出的车型都配置的高级驾驶辅助系统（Advanced Driver Assistance System，ADAS）设备，就都包括了车道线检测模块。目的是为了实时、精确地识别到不同种类的车道线。从而可以定位到车辆在道路中的位置，从而为行车做好规划，通过轨迹规划模块控制车辆安全自动行驶。
[0003]但是，目前的车道线识别技术需要复杂且可靠的后处理算法来得到车道线。例如，传统的车道线检测算法核心是边缘检测，然后利用反投影、霍夫变换、聚类等一系列后处理算法来识别车道线。又例如，基于语音分割的神经网络车道线识别方法，本身是没有车道线实例信息输出的，也需要复杂且可靠的后处理算法来得到车道线实例。<br/>
技术实现思路
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：获取待检测图像；将所述待检测图像输入至车道线检测模型，所述车道线检测模型包括关键点分支和偏置分支，所述关键点分支用于检测所述待检测图像中的车道线关键点，所述偏置分支用于检测所述待检测图像中各个像素点到车道线起点的方向向量；从所述关键点分支输出的车道线关键点中筛选出车道线点；利用所述车道线点和所述车道线点对应的所述方向向量，确定车道线。2.根据权利要求1所述的方法，其特征在于，所述从所述关键点分支输出的车道线关键点中筛选出车道线点，包括：筛选出置信度大于预设阈值的所述车道线关键点作为所述车道线点。3.根据权利要求1所述的方法，其特征在于，所述从所述关键点分支输出的车道线关键点中筛选出车道线点，包括：对所述关键点分支输出的热力图先做sigmoid，然后做最大值池化，得到最大值热力图；所述关键点分支输出的热力图由所述车道线关键点组成；保留所述热力图中与所述最大值热力图置信度值相同的像素点，其他像素点的置信度归零，得到处理后的热力图；从所述处理后的热力图中筛选出置信度大于预设阈值的像素点作为所述车道线点。4.根据权利要求1所述的方法，其特征在于，所述利用所述车道线点和所述车道线点对应的所述方向向量，确定车道线，包括：针对每一所述车道线点，以所述车道线点为起点，按照所述车道线点所对应的所述方向向量，进行延伸；对于第一车道线点，若延伸后到达的位置满足预设条件，则确定所述第一车道线点属于同一车道线，所述第一车道线点为所述车道线点中的两个或两个以上的车道线点；所述预设条件为所述位置之间的距离均小于或等于预设距离阈值，或所述位置的外接图形的尺寸小于预设尺寸阈值、或所述位置的外接图形的面积小于预设面积阈值；利用所述第一车道线点，确定一条车道线。5.一种车道线检测模型训练方法，其特征在于，用于得到权利要求1
‑
4中任一项所述的车道线检测方法中所使用的车道线检测模型，所述方法包括：构建待训练的车道线检测模型；获取训练数据，所述训练数据包括训练图像和训练标签，所述训练标签包括第一标签和第二标签，所述第一标签为标注的车道线点对应的高斯圆，所述第二标签为标注的车道线点到车道线起点的方向向量；利用所述训练数据对所述待训练的车道线检测模型进行训练。6.根据权利要求5所述的训练方法，其特征在于，所述获取训练数据，包括：从所述训练图像中的所有车道线中筛选出距离最远的且长度大于预设长度值的两条第一车道线；选取所述两条第一车道线的第一起点和终点作为图像坐标系...

【专利技术属性】
技术研发人员：闫硕，张如高，李发成，虞正华，
申请(专利权)人：苏州魔视智能科技有限公司，
类型：发明
国别省市：