【技术实现步骤摘要】
一种车道线检测方法和装置
[0001]本专利技术涉及数据处理
，特别涉及一种车道线检测方法和装置。
技术介绍
[0002]自动驾驶车辆在行驶过程中需要对车道线进行检测。常规的车道线检测方案多采用基于锚点的检测方案，该方案以二维感知图像中左右边界以及下边界的边缘像素点为锚点，并从锚点出发做不同方向的射线提案，并对每个锚点的每个射线提案都做车道线特征回归计算。这种方案的车道线特征回归计算量由锚点数量*射线提案数量决定，而即使最普通的感知图像的锚点数量都能上千、射线提案数量也能达到十个以上，由此可见这种方案的计算量是非常大的，会消耗大量的计算资源。
技术实现思路
[0003]本专利技术的目的，就是针对现有技术的缺陷，提供一种车道线检测方法、装置、电子设备及计算机可读存储介质，先通过一个主干网络对感知图像进行基础特征提取产生一个基础特征图；再通过三个智能网络（关键点检测网络、二值分割网络、回归投票网络）分别对该基础特征图进行车道线起始点检测、车道线前景点检测以及前景点到起始点的x、y向偏移特征学习；再根据三个智...
【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，所述方法包括：获取第一图像；按预设图像尺寸对所述第一图像进行图像缩放处理生成对应的第二图像；基于主干网络对所述第二图像进行特征提取处理生成对应的第一特征图；基于关键点检测网络对所述第一特征图进行车道线起始点检测处理生成对应的第一起始点坐标集合；所述第一起始点坐标集合包括多个第一起始点坐标；基于二值分割网络对所述第一特征图进行车道线前景点检测处理生成对应的第一前景点坐标集合；所述第一前景点坐标集合包括多个第一前景点坐标；基于回归投票网络对所述第一特征图进行像素点车道偏移投票处理得到对应的第一偏移特征图；根据所述第一起始点坐标集合、所述第一前景点坐标集合和所述第一偏移特征图对所述第一特征图的像素点进行车道线语义特征标记处理；在所述第一特征图上进行车道线绘制；并将完成车道线绘制的所述第一特征图作为车道线检测结果输出。2.根据权利要求1所述的车道线检测方法，其特征在于，所述预设图像尺寸为W0*H0，W0、H0分别为所述预设图像尺寸的宽度和高度；所述第二图像的尺寸为W0*H0；所述主干网络为以残差网络为特征提取网络的三级特征金字塔网络；所述关键点检测网络包括第一卷积网络单元和第二卷积网络单元；所述第一卷积网络单元与所述第二卷积网络单元连接；所述二值分割网络包括第三卷积网络单元、第四卷积网络单元、第一全连接网络单元和第二全连接网络单元；所述第三卷积网络单元与所述第四卷积网络单元连接，所述第四卷积网络单元与所述第一全连接网络单元连接，所述第一全连接网络单元与所述第二全连接网络单元连接；所述第一全连接网络单元由一个全连接网络层和一个归一化网络层构成；所述第二全连接网络单元由一个全连接网络层和一个softmax分类网络层构成；所述回归投票网络包括第五卷积网络单元、第六卷积网络单元和第三全连接网络单元；所述第五卷积网络单元与所述第六卷积网络单元连接，所述第六卷积网络单元与所述第三全连接网络单元连接；所述第三全连接网络单元由两层全连接网络组成。3.根据权利要求2所述的车道线检测方法，其特征在于，所述基于主干网络对所述第二图像进行特征提取处理生成对应的第一特征图，具体包括：将所述第二图像输入所述主干网络进行特征提取得到三级不同尺寸的输出特征图分别为一级、二级和三级特征图；并将所述一级特征图作为所述第一特征图；所述第一特征图的尺寸为W1*H1、特征维度为D1，W1、H1分别为所述第一特征图的宽度和高度，W1=W0/2、H1=H0/2、D1=64。4.根据权利要求3所述的车道线检测方法，其特征在于，所述基于关键点检测网络对所述第一特征图进行车道线起始点检测处理生成对应的第一起始点坐标集合，具体包括：将所述第一特征图输入所述第一卷积网络单元；并由所述第一卷积网络单元使用预设的第一卷积滤波器按步长为1、填充为1的方式对所述第一特征图进行特征提取生成对应的第二特征图；所述第一卷积滤波器由第一数量n1的3
×
3卷积核组成；所述第二特征图的尺
寸为W2*H2、特征维度为D2，W2、H2分别为所述第二特征图的宽度和高度，W2=W1、H2=H1、D2=n1；所述第一数量n1默认为64；将所述第二特征图输入所述第二卷积网络单元；并由所述第二卷积网络单元使用预设的第二卷积滤波器按步长为1、填充为1的方式对所述第二特征图进行特征提取生成对应的第三特征图；所述第二卷积滤波器由1个3
×
3的卷积核组成；所述第三特征图的尺寸为W3*H3、特征维度为D3，W3、H3分别为所述第三特征图的宽度和高度，W3=W2=W1、H3=H2=W1、D3=1；对所述第三特征图进行非最大值抑制处理，具体为：使用一个3
×
3的滑窗按滑动步长为1在所述第三特征图上滑动；每滑动一次即对当前滑窗内的最大像素值进行提取生成对应的当前最大值，并将所述当前滑窗内像素值不为所述当前最大值的像素点的像素值进行清零；将所述第三特征图上像素值超过预设像素阈值的像素点坐标提取出来作为对应的所述第一起始点坐标；并由得到的所有所述第一起始点坐标组成对应的所述第一起始点坐标集合。5.根据权利要求3所述的车道线检测方法，其特征在于，所述基于二值分割网络对所述第一特征图进行车道线前景点检测处理生成对应的第一前景点坐标集合，具体包括：将所述第一特征图输入所述第三卷积网络单元；并由所述第三卷积网络单元使用预设的第三卷积滤波器按步长为1、填充为1的方式对所述第一特征图进行特征提取生成对应的第四特征图；所述第三卷积滤波器由第二数量n2的3
×
3卷积核组成；所述第四特征图的尺寸为W4*H4、特征维度为D4，W4、H4分别为所述第四特征图的宽度和高度，W4=W1、H4=H1、D4=n2；所述第二数量n2默认为128；将所述第四特征图输入所述第四卷积网络单元；并由所述第四卷积网络单元使用预设的第四卷积滤波器按步长为1、填充为1的方式对所述第四特征图进行特征提取生成对应的第五特征图；所述第四卷积滤波器由第三数量n3的3
×
3的卷积核组成；所述第五特征图的尺寸为W5*H5、特征维度为D5，W5、H5分别为所述第五特征图的宽度和高度，W5=W4=W1、H5=H4=H1、D5=n3；所述第三数量n3默认为64；将所述第五特征图转换为一维的长度为W5*H5*D5的第一特征向量；将所述第一特征向量输入所述第一全连接网络单元；并由所述第一全连接网络单元对所述第一特征向量进行特征回归运算生成对应的第二特征向量，并对所述第二特征向量进行归一化处理生成对应的第三特征向量；将所述第三特征向量输入所述第二全连接网络单元；并由所述第二全连接网络单元对所述第三特征向量进行特征回归运算生成对应的第四特征向量，并对所述第四特征向量进行二分类处理生成对应的第一分类张量；所述第一分类张量包括W5*H5个长度为2的第一分类向量a
x,y
,1≤x≤W5,1≤y≤H5；所述第一分类向量a
x,y
包括前景点概率和背景点概率；每个所述第一分类向量a
x,y
与所述第一特征图的一个像素点对应；对各个所述第一分类向量a
x,y
进行遍历；遍历时，将当前遍历的所述第一分类向量a
x,y
记为当前向量；并将所述当前向量中数值偏大的概率记为第一概率；若所述第一概率为所述前景点概率则将与所述当前向量对应的像素点坐标（x,y）提取出来作为对应的所述第一前景点坐标；遍历结束时，由得到的所有所述第一前景点坐标组成对应的所述第一前景点坐标集合。
6.根据权利要求3所述的车道线检测方法，其特征在于，所述基于回归投票网络对所述第一特征图进行像素点车道偏移投票处理得到对应的第一偏移特征图，具体包括：将所述第一特征图输入所述第五卷积网络单元；并由所述第五卷积网络单元使用预设的第五卷积滤波器按步长为1、填充为1的方式对所述第一特征图进行特征提取生成对应的第六特征图；所述第五卷积滤波器由第四数量n4的3
×
3卷积核组成；所述第六特征图的尺寸为W6*H6、特征维度为D6，W6、H6分别为所述第六特征图的宽度和高度，W6=W1、H6=H1、D6=n4；所述第四数量n4默认为128；将所述第六特征图输入所述第六卷积网络单元；并由所述第六卷积网络单元使用预设的第六卷积滤波器按步长为1、填充为1的方式对所述第六特征图进行特征提取生成对应的第七特征图；所述第六卷积滤波器由第五数量n5的3
×
3卷积核组成；所述第七特征图的尺寸为W7*H7、特征维度为D7，W7、H7分别为所述第七特征图的宽度和高度，W7=W6=W1、H7=H6=H1、D7=n5；所述第五数量n5默认为16；将所述第七特征图转换为一维的长度为W7*H7*D7的第一种子向量；将所述第一种子向量输入所述第三全连接网络单元；由所述第三全连接网络单元通过两层全连接网络对所述第一种子向量对应的所述第七特征图上各车道线上像素点到所在车道线起始点的x、y向像素点坐标偏移量进行学习生成对应的第一偏移张量；所述第一偏移张量包括W7*H7个长度为2的第一偏移向量b
x,y
,1≤x≤W7,1≤y≤H7；所述第一偏移向量b
x,y
包括第一偏移量
△
x和第二偏移量
△
y；每个所述第一偏移向量b
x,y
与所述第一特征图的一个像素点对应；所述第一偏移向量b
x,y
的两个偏移量若全为0则在所述第一特征图上对应的像素...
【专利技术属性】
技术研发人员：张永昌，贺翔翔，何哲琪，张雨，邱忠营，赵富旺，
申请(专利权)人：北京轻舟智航智能技术有限公司，
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。