针对车道线的模型训练方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了针对车道线的模型训练方法、装置、电子设备以及存储介质，方法包括：建立至少包括损失函数的网络模型，所述损失函数至少包括第一函数；获取样本集，所述样本集包括包含有车道线的训练图像和与所述训练图像对应的，具有车道线标签的验证图像；利用所述样本集对所述网络模型进行训练直到所述损失函数的计算结果在目标阈值内；其中，所述第一函数用于分离不同车道线和/或聚集同一车道线，通过本申请提高了车道线的分组精度。过本申请提高了车道线的分组精度。过本申请提高了车道线的分组精度。

【技术实现步骤摘要】
针对车道线的模型训练方法、装置、电子设备及存储介质


[0001]本申请涉及车道线识别
，尤其涉及车道线的模型训练方法、装置、电子设备及存储介质。

技术介绍

[0002]在自动驾驶领域中，通常会涉及到对车道线的识别。
[0003]相关技术中，通过训练好的神经网络模型对车道线进行识别。其中，神经网络模型中需要使用损失函数，损失函数一般通过误差函数实现，那么在利用包含该损失函数的神经网络模型对车道线进行识别时，很容易将同一条车道线上的数据与不同车道线上的数据识别在一起，或者没有将同一车道线上的数据识别在一起，降低了车道线的分组精度。

技术实现思路

[0004]为克服相关技术中存在的问题，本申请提供针对车道线的模型训练方法、装置、电子设备及存储介质，以提高车道线的分组精度。
[0005]本申请第一方面提供针对车道线的模型训练方法，包括：
[0006]建立至少包括损失函数的网络模型，所述损失函数至少包括第一函数；
[0007]获取样本集，所述样本集包括包含有车道线的训练图像和与所述训练图像对应的，具有车道线标签的验证图像；
[0008]利用所述样本集对所述网络模型进行训练直到所述损失函数的计算结果在目标阈值内；
[0009]其中，所述第一函数用于分离不同车道线和/或聚集同一车道线。
[0010]可选地，所述损失函数还包括第二函数；
[0011]相应的，所述利用所述样本集对所述网络模型进行训练直到所述损失函数的计算结果在目标阈值内，包括：/>[0012]利用所述样本集对所述网络模型进行训练直到所述第一函数的第一计算结果在第一目标阈值内，所述第二函数的第二计算结果在第二目标阈值内；
[0013]其中，所述第二函数用于分离距离在预设距离阈值范围内的两条车道线和/或用于连通同一虚线车道线。
[0014]可选地，所述第二函数包括第一子函数和/或第二子函数；
[0015]相应的，利用所述样本集对所述网络模型进行训练直到所述第二函数的第二计算结果在第二目标阈值内，包括：
[0016]基于所述样本集中所述验证图像中的车道线标签确定，与所述验证图像对应的所述训练图像中的同一车道线位置；以及
[0017]确定所述训练图像中所述同一车道线位置预设距离范围内的目标区域，至少基于所述目标区域内的第一训练值以及所述训练图像对应的所述验证图像中与所述第一训练值位置相同的第一验证值对所述网络模型进行训练，直至所述第一子函数的计算结果在第
二目标阈值内；
[0018]和/或，基于所述样本集中所述验证图像中车道线标签确定，与所述验证图像对应的所述训练图像中的同一虚线车道线的非连接位置；以及
[0019]至少基于所述训练图像中所述非连接位置处的第二训练值以及所述训练图像对应的所述验证图像中与所述第一训练值位置相同的第二验证值对所述网络模型进行训练，直至所述第二子函数的计算结果在第二目标阈值内。
[0020]可选地，所述第一函数包括第三子函数和/或第四子函数；
[0021]相应的，利用所述样本集对所述网络模型进行训练直到所述第一函数的第一计算结果在第一目标阈值内，包括：
[0022]基于所述样本集中所述验证图像中车道线标签确定，与所述验证图像对应的所述训练图像中的同一车道线位置；以及
[0023]至少基于所述训练图像中所述同一车道位置处的第三训练值的均值和除所述车道线位置外的背景位置处的第四训练值的均值对所述网络模型进行训练，直至所述第三子函数的计算结果在第三目标阈值内，和/或，至少基于所述训练图像中所述同一车道线位置处的第三训练值的均值和所述同一车道线位置处的每一所述第三训练值对所述网络模型进行训练，直至所述第四子函数的计算结果在第四目标阈值内。
[0024]本申请第二方面提供了针对车道线的模型训练装置，包括：
[0025]第一建立单元，用于建立至少包括损失函数的网络模型，所述损失函数至少包括第一函数；
[0026]第一获取单元，用于获取样本集，所述样本集包括包含有车道线的训练图像和与所述训练图像对应的，具有车道线标签的验证图像；
[0027]第一训练单元，用于利用所述样本集对所述网络模型进行训练直到所述损失函数的计算结果在目标阈值内；
[0028]其中，所述第一函数用于分离不同车道线和/或聚集同一车道线。
[0029]可选地，所述损失函数还包括第二函数；
[0030]相应的，所述第一训练单元，包括：
[0031]第一训练模块，用于利用所述样本集对所述网络模型进行训练直到所述第一函数的第一计算结果在第一目标阈值内；
[0032]第二训练模块，用于利用所述样本集对所述网络模型进行训练直到所述第二函数的第二计算结果在第二目标阈值内；
[0033]其中，所述第二函数用于分离距离在预设距离阈值范围内的两条车道线和/或用于连通同一虚线车道线。
[0034]可选地，所述第二函数包括第一子函数和/或第二子函数；
[0035]相应的，所述第二训练模块具体用于：
[0036]基于所述样本集中所述验证图像中的车道线标签确定，与所述验证图像对应的所述训练图像中的同一车道线位置；以及
[0037]确定所述训练图像中所述同一车道线位置预设距离范围内的目标区域，至少基于所述目标区域内的第一训练值以及所述训练图像对应的所述验证图像中与所述第一训练值位置相同的第一验证值对所述网络模型进行训练，直至所述第一子函数的计算结果在第
二目标阈值内；
[0038]和/或，基于所述样本集中所述验证图像中车道线标签确定，与所述验证图像对应的所述训练图像中的同一虚线车道线的非连接位置；以及
[0039]至少基于所述训练图像中所述非连接位置处的第二训练值以及所述训练图像对应的所述验证图像中与所述第一训练值位置相同的第二验证值对所述网络模型进行训练，直至所述第二子函数的计算结果在第二目标阈值内。
[0040]可选地，所述第一函数包括第三子函数和/或第四子函数；
[0041]相应的，所述第一训练模块，具体用于
[0042]基于所述样本集中所述验证图像中车道线标签确定，与所述验证图像对应的所述训练图像中的同一车道线位置；以及
[0043]至少基于所述训练图像中所述同一车道位置处的第三训练值的均值和除所述车道线位置外的背景位置处的第四训练值的均值对所述网络模型进行训练，直至所述第三子函数的计算结果在第三目标阈值内，和/或，至少基于所述训练图像中所述同一车道线位置处的第三训练值的均值和所述同一车道线位置处的每一所述第三训练值对所述网络模型进行训练，直至所述第四子函数的计算结果在第四目标阈值内。
[0044]本申请第三方面提供一种电子设备，包括：
[0045]处理器；以及
[0046]存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.针对车道线的模型训练方法，其特征在于，包括：建立至少包括损失函数的网络模型，所述损失函数至少包括第一函数；获取样本集，所述样本集包括包含有车道线的训练图像和与所述训练图像对应的，具有车道线标签的验证图像；利用所述样本集对所述网络模型进行训练直到所述损失函数的计算结果在目标阈值内；其中，所述第一函数用于分离不同车道线和/或聚集同一车道线。2.根据权利要求1所述的方法，其特征在于，所述损失函数还包括第二函数；相应的，所述利用所述样本集对所述网络模型进行训练直到所述损失函数的计算结果在目标阈值内，包括：利用所述样本集对所述网络模型进行训练直到所述第一函数的第一计算结果在第一目标阈值内，所述第二函数的第二计算结果在第二目标阈值内；其中，所述第二函数用于分离距离在预设距离阈值范围内的两条车道线和/或用于连通同一虚线车道线。3.根据权利要求2所述的方法，其特征在于，所述第二函数包括第一子函数和/或第二子函数；相应的，利用所述样本集对所述网络模型进行训练直到所述第二函数的第二计算结果在第二目标阈值内，包括：基于所述样本集中所述验证图像中的车道线标签确定，与所述验证图像对应的所述训练图像中的同一车道线位置；以及确定所述训练图像中所述同一车道线位置预设距离范围内的目标区域，至少基于所述目标区域内的第一训练值以及所述训练图像对应的所述验证图像中与所述第一训练值位置相同的第一验证值对所述网络模型进行训练，直至所述第一子函数的计算结果在第二目标阈值内；和/或，基于所述样本集中所述验证图像中车道线标签确定，与所述验证图像对应的所述训练图像中的同一虚线车道线的非连接位置；以及至少基于所述训练图像中所述非连接位置处的第二训练值以及所述训练图像对应的所述验证图像中与所述第一训练值位置相同的第二验证值对所述网络模型进行训练，直至所述第二子函数的计算结果在第二目标阈值内。4.根据权利要求2所述的方法，其特征在于，所述第一函数包括第三子函数和/或第四子函数；相应的，利用所述样本集对所述网络模型进行训练直到所述第一函数的第一计算结果在第一目标阈值内，包括：基于所述样本集中所述验证图像中车道线标签确定，与所述验证图像对应的所述训练图像中的同一车道线位置；以及至少基于所述训练图像中所述同一车道位置处的第三训练值的均值和除所述车道线位置外的背景位置处的第四训练值的均值对所述网络模型进行训练，直至所述第三子函数的计算结果在第三目标阈值内，和/或，至少基于所述训练图像中所述同一车道线位置处的第三训练值的均值和所述同一车道线位置处的每一所述第三训练值对所述网络模型进行
训练，直至所述第四子函数的计算结果在第四目标阈值内。5.针对车道线的模型训练装置，其特征在于，包括：第一建立单元，用于建立至少包括损失函数的网络模型，所述损失函数至少包括第一函数；第一获取单元，用于获取样本集，所述样...

【专利技术属性】
技术研发人员：周鹏，李正旭，贾双成，朱磊，
申请(专利权)人：智道网联科技北京有限公司，
类型：发明
国别省市：