车道线分类方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及自动驾驶技术领域，特别涉及一种车道线分类方法、装置、电子设备及存储介质，其中，方法包括：采集车辆所处道路周边的车道线图像；从车道线图像中提取至少一个车道线特征；将至少一个车道线特征输入至预先训练的车道线分类网络，输出所处道路的实际车道线类别，其中，车道线分类网络基于携带有车道线类别标签的训练样本训练得到。由此，解决了相关技术在车道线分类网络训练特征提取过程中会忽略车道线的完整形状信息，导致车道线分类准确性差，可识别车道线类别少等问题。可识别车道线类别少等问题。可识别车道线类别少等问题。

【技术实现步骤摘要】
车道线分类方法、装置、电子设备及存储介质


[0001]本申请涉及自动驾驶
，特别涉及一种车道线分类方法、装置、电子设备及存储介质。

技术介绍

[0002]关于车道线分类的方法，当前主要分为两大类方法，第一类基于传统的视觉方案，按照规则的方法确定车道线的类别。第二大类采用深度学习的方案，通过监督学习训练一个判别模型对车道线进行分类。
[0003]相关技术通过输入图像根据车道线定位网络提取到车道线的位置，对图像中的车道线进行定位，并根据每个车道线的位置提取对应的特征，每个车道线特征会输入到车道线分类网络，从而得到车道线的分类结果。
[0004]然而，相关技术通过定位网络的预测结果提取车道线分类网络的特征会影响车道线分类网络的训练输入，会导致训练收敛变慢，且忽略了的车道线的形状信息，未能保留到完整车道线原始的信息，无法直接用于自动驾驶的实际场景中。

技术实现思路

[0005]本申请提供一种车道线分类方法、装置、电子设备及存储介质，以解决相关技术在车道线分类网络训练特征提取过程中会忽略车道线的完整形状信息，导致车道本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线分类方法，其特征在于，包括以下步骤：采集车辆所处道路周边的车道线图像；从所述车道线图像中提取至少一个车道线特征；将所述至少一个车道线特征输入至入预先训练的车道线分类网络，输出所述所处道路的实际车道线类别，其中，所述车道线分类网络基于携带有车道线类别标签的训练样本训练得到。2.根据权利要求1所述的方法，其特征在于，所述车道线分类网络基于携带有车道线类别标签的训练样本训练得到，包括：获取携带有车道线类别标签的训练样本，其中，所述训练样本包括多张训练图片；将所述训练样本的边界进行填充，使得所述多张训练图像的尺寸相同；将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值；根据所述损失值修正所述待训练的车道线分类网络，直到所述损失值小于预设值或者所述车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的所述车道线分类网络。3.根据权利要求2所述的方法，其特征在于，在获取携带有车道线类别标签的训练样本之前，包括：获取携带有车道线类别标签的多张车道线图片；识别每张车道线图片中每一条车道线实例的掩膜区域，遍历每一条车道线实例的掩膜区域，提取每一个车道线的完整区域；根据所述掩膜区域中掩膜第一角点和第二角点生成车道线框区域，利用所述车道线框区域从所述多张车道线图片提取车道线感兴趣区域；利用所述车道线感兴趣区域将每张车道线图片的尺寸缩小至预设尺寸，并基于车道线图片的车道线类别标签，得到所述训练样本。4.根据权利要求2所述的方法，其特征在于，在将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值之前，还包括：读取所述训练图像和所述车道线类别标签；随机旋转所述训练图像和所述车道线类别标签至预设角度，得到旋转后的训练图像和车道线类别标签。5.根据权利要求2所述的方法，其特征在于，在将尺寸相同的训练图像输入待训练的车道线分类网络之后，还包括：在所述车道线分类网络的空间金字塔池化层前去掉所述多张训练图像的冗余部分图像特征，得到非冗余部分图像特征；基于所述非冗余部分图像特征构建空间金字塔池化层，利用所述空间金字塔池化层将所述冗余...

【专利技术属性】
技术研发人员：廖刚，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：