一种车道线检测模型训练、车道线检测方法和装置制造方法及图纸

本申请公开了一种车道线检测模型训练、车道线检测方法和装置，方法包括：将车道线样本图像按照车辆是否处于压线场景区分为第一车道线样本图像和第二车道线样本图像；第一车道线样本图像具有普通场景标签和不包括压线类别的第一标注车道线类别，第二车道线样本图像具有压线场景标签和包括压线类别的第二标注车道线类别。通过第一车道线样本图像和第二车道线样本图像，训练包括分类子模型、第一分割子模型和第二分割子模型的预设检测模型获得车道线检测模型；分类子模型预测第一车道线样本图像的场景标签和第二车道线样本图像的场景标签，第一分割子模型预测第一车道线样本图像的车道线类别，第二分割子模型预测第二车道线样本图像的车道线类别。线样本图像的车道线类别。线样本图像的车道线类别。

【技术实现步骤摘要】
一种车道线检测模型训练、车道线检测方法和装置


[0001]本申请涉及数据处理
，尤其涉及一种车道线检测模型训练、车道线检测方法和装置。

技术介绍

[0002]自动驾驶场景中，车道线检测技术是提供车辆定位、车道保持和车道偏离预警等功能服务的核心技术；因此，车道线检测技术对于准确性的要求较高。
[0003]目前，车道线检测的方法是指根据车道线和车辆的相对位置，对每条车道线标注车道线类别，以区分各条车道线之间的差异，基于此对分割模型进行训练；利用训练好的分割模型处理未标注车道线类别的车道线图像，得到其中每条线车道线的车道线类别。
[0004]然而，对于车辆处于压线场景的车道线图像而言，车辆碾压车道线使得车辆与车道线的相对位置不够明确，则无法准确对每条车道线标注车道线类别，存在车道线类别标注不一致的情况；该情况导致分割模型的训练结果不好，从而导致处理未标注车道线类别的车道线图像时，容易出现车道线检测不准确的现象，进而对自动驾驶的后续功能服务产生严重影响。

技术实现思路

[0005]有鉴于此，本申请实施例提供一种车道线检测模型训练、车道线检测方法和装置，使得车道线检测模型不仅适用于车辆处于非压线场景的车道线图像，而且同样适用于检测车辆处于压线场景的车道线图像，从而提高车道线检测模型的检测准确率。
[0006]第一方面，本申请实施例提供了一种车道线检测模型训练的方法，所述方法包括：
[0007]获取车辆处于非压线场景的第一车道线样本图像和车辆处于压线场景的第二车道线样本图像；所述第一车道线样本图像包括普通场景标签和第一标注车道线类别，所述第二车道线样本图像包括压线场景标签和第二标注车道线类别，所述第一标注车道线类别不包括压线类别，所述第二标注车道线类别包括所述压线类别；
[0008]根据所述第一车道线样本图像和所述第二车道线样本图像，训练预设检测模型获得车道线检测模型；所述预设检测模型包括分类子模型、第一分割子模型和第二分割子模型，所述分类子模型用于预测所述第一车道线样本图像的场景标签和所述第二车道线样本图像的场景标签，所述第一分割子模型用于预测所述第一车道线样本图像的车道线类别，所述第二分割子模型用于预测所述第二车道线样本图像的车道线类别。
[0009]可选的，所述根据所述第一车道线样本图像和所述第二车道线样本图像，训练预设检测模型获得车道线检测模型，包括：
[0010]通过所述分类子模型对所述第一车道线样本图像进行场景分类，获得所述第一车道线样本图像的第一预测场景标签；
[0011]通过所述分类子模型对所述第二车道线样本图像进行场景分类，获得所述第二车道线样本图像的第二预测场景标签；
[0012]通过所述第一分割子模型对第一车道线样本图像进行车道线分割，获得所述第一车道线样本图像的第一预测车道线类别；
[0013]通过所述第二分割子模型对第二车道线样本图像进行车道线分割，获得所述第二车道线样本图像的第二预测车道线类别；
[0014]根据所述第一预测场景标签、所述第一预测车道线类别、所述普通场景标签、所述第一标注车道线类别、第一损失函数和第二损失函数，调整所述分类子模型的模型参数和所述第一分割子模型的模型参数，直至所述预设检测模型训练完成；所述第一损失函数对应所述分类子模型，所述第二损失函数对应所述第一分割子模型和所述第二分割子模型；
[0015]根据所述第二预测场景标签、所述第二预测车道线类别、所述压线场景标签、所述第二标注车道线类别、所述第一损失函数和所述第二损失函数，调整所述分类子模型的模型参数和所述第二分割子模型的模型参数，直至所述预设检测模型训练完成；
[0016]将训练完成的所述预设检测模型确定为所述车道线检测模型。
[0017]可选的，所述分类子模型包括特征提取层和分类器；所述通过所述分类子模型对所述第一车道线样本图像进行场景分类，获得所述第一车道线样本图像的第一预测场景标签，包括：
[0018]通过所述特征提取层对所述第一车道线样本图像进行特征提取，获得所述第一车道线样本图像的第一特征图像；
[0019]通过所述分类器对所述第一特征图像进行场景分类，获得所述第一预测场景标签；
[0020]所述通过所述分类子模型对所述第二车道线样本图像进行场景分类，获得所述第二车道线样本图像的第二预测场景标签，包括：
[0021]通过所述特征提取层对所述第二车道线样本图像进行特征提取，获得所述第二车道线样本图像的第二特征图像；
[0022]通过所述分类器对所述第二特征图像进行场景分类，获得所述第二预测场景标签。
[0023]可选的，所述第一分割子模型包括第一解码层和第一分割层；所述通过所述第一分割子模型对第一车道线样本图像进行车道线分割，获得所述第一车道线样本图像的第一预测车道线类别，包括：
[0024]通过所述第一解码层对所述第一特征图像进行特征解码，获得所述第一车道线样本图像的第三特征图像；所述第三特征图像与所述第一车道线样本图像的图像尺寸相同；
[0025]通过所述第一分割层对所述第三特征图像进行车道线分割，获得所述第一预测车道线类别。
[0026]可选的，所述第二分割子模型包括第二解码层和第二分割层；所述通过所述第二分割子模型对第二车道线样本图像进行车道线分割，获得所述第二车道线样本图像的第二预测车道线类别，包括：
[0027]通过所述第二解码层对所述第二特征图像进行特征解码，获得所述第二车道线样本图像的第四特征图像；所述第四特征图像与所述第二车道线样本图像的图像尺寸相同；
[0028]通过所述第二分割层对所述第四特征图像进行车道线分割，获得所述第二预测车道线类别。
[0029]第二方面，本申请实施例提供了一种车道线检测方法，所述方法包括：
[0030]获取待检测车道线图像；
[0031]通过车道线检测模型对所述待检测车道线图像进行车道线检测，获得所述待检测车道线图像的第三预测车道线类别；
[0032]其中，所述车道线检测模型是上述第一方面所述的车道线检测模型。
[0033]可选的，所述通过车道线检测模型对所述待检测车道线图像进行车道线检测，获得所述待检测车道线图像的第三预测车道线类别，包括：
[0034]通过所述分类子模型对所述待检测车道线图像进行场景分类，获得所述待检测车道线图像的第三预测场景标签；
[0035]若所述第三预测场景标签为所述普通场景标签，通过所述第一分割子模型对所述待检测车道线图像进行车道线分割，获得所述第三预测车道线类别；
[0036]若所述第三预测场景标签为所述压线场景标签，通过所述第二分割子模型对所述待检测车道线图像进行车道线分割，获得所述第三预测车道线类别。
[0037]可选的，所述方法还包括：
[0038]对条件卷积层、所述第一分割子模型和所述第二分割子模型进行合并，获得分割子模型；所述条件卷积层表示所述第三预测场景标签为所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线检测模型训练方法，其特征在于，包括：获取车辆处于非压线场景的第一车道线样本图像和车辆处于压线场景的第二车道线样本图像；所述第一车道线样本图像包括普通场景标签和第一标注车道线类别，所述第二车道线样本图像包括压线场景标签和第二标注车道线类别，所述第一标注车道线类别不包括压线类别，所述第二标注车道线类别包括所述压线类别；根据所述第一车道线样本图像和所述第二车道线样本图像，训练预设检测模型获得车道线检测模型；所述预设检测模型包括分类子模型、第一分割子模型和第二分割子模型，所述分类子模型用于预测所述第一车道线样本图像的场景标签和所述第二车道线样本图像的场景标签，所述第一分割子模型用于预测所述第一车道线样本图像的车道线类别，所述第二分割子模型用于预测所述第二车道线样本图像的车道线类别。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一车道线样本图像和所述第二车道线样本图像，训练预设检测模型获得车道线检测模型，包括：通过所述分类子模型对所述第一车道线样本图像进行场景分类，获得所述第一车道线样本图像的第一预测场景标签；通过所述分类子模型对所述第二车道线样本图像进行场景分类，获得所述第二车道线样本图像的第二预测场景标签；通过所述第一分割子模型对第一车道线样本图像进行车道线分割，获得所述第一车道线样本图像的第一预测车道线类别；通过所述第二分割子模型对第二车道线样本图像进行车道线分割，获得所述第二车道线样本图像的第二预测车道线类别；根据所述第一预测场景标签、所述第一预测车道线类别、所述普通场景标签、所述第一标注车道线类别、第一损失函数和第二损失函数，调整所述分类子模型的模型参数和所述第一分割子模型的模型参数，直至所述预设检测模型训练完成；所述第一损失函数对应所述分类子模型，所述第二损失函数对应所述第一分割子模型和所述第二分割子模型；根据所述第二预测场景标签、所述第二预测车道线类别、所述压线场景标签、所述第二标注车道线类别、所述第一损失函数和所述第二损失函数，调整所述分类子模型的模型参数和所述第二分割子模型的模型参数，直至所述预设检测模型训练完成；将训练完成的所述预设检测模型确定为所述车道线检测模型。3.根据权利要求2所述的方法，其特征在于，所述分类子模型包括特征提取层和分类器；所述通过所述分类子模型对所述第一车道线样本图像进行场景分类，获得所述第一车道线样本图像的第一预测场景标签，包括：通过所述特征提取层对所述第一车道线样本图像进行特征提取，获得所述第一车道线样本图像的第一特征图像；通过所述分类器对所述第一特征图像进行场景分类，获得所述第一预测场景标签；所述通过所述分类子模型对所述第二车道线样本图像进行场景分类，获得所述第二车道线样本图像的第二预测场景标签，包括：通过所述特征提取层对所述第二车道线样本图像进行特征提取，获得所述第二车道线样本图像的第二特征图像；通过所述分类器对所述第二特征图像进行场景分类，获得所述第二预测场景标签。
4.根据权利要求3所述的方法，其特征在于，所述第一分割子模型包括第一解码层和第一分割层；所述通过所述第一分割子模型对第一车道线样本图像进行车道线分割，获得所述第一车道线样本图像的第一预测车道线类别，包括：通过所述第一解码层对所述第一特征图像进行特征解码，获得所述第一车道线样本图像的第三特征图像；所述第三特征图像与所述第一车道线样本图像的图像尺寸相同；通过所述第一分割层对所述第三特征图像进行车道线分割，获得所述第一预测车道线类别。5.根据权利要求...

【专利技术属性】
技术研发人员：赵维刚，李超，
申请(专利权)人：天津天瞳威势电子科技有限公司，
类型：发明
国别省市：