车道线检测模型的训练方法、车道线检测方法及电子设备技术

本申请公开了一种车道线检测模型的训练方法、车道线检测方法及电子设备，车道线检测模型的训练方法包括从车道线标识图片中获取车道线类别信息对应的第一掩码图和车道线所属车道信息对应的第二掩码图，第一掩码图中不同的车道线类别对应相同和/或不同的权重，第二掩码图中不同车道线所属车道对应不同的权重，利用第一掩码图和/或第二掩码图生成用于车道线检测模型训练的损失函数，基于得到的损失函数，将第一掩码图用于车道线检测模型的训练；本申请的方案，通过对不同车道线所属车道给与不同的权重，即增大重要位置的权重，使模型在训练过程中对重要位置投入更高的关注度，使得训练后的模型对重要位置的车道线进行检测时得到更好的检测效果。测时得到更好的检测效果。测时得到更好的检测效果。

【技术实现步骤摘要】
车道线检测模型的训练方法、车道线检测方法及电子设备


[0001]本申请涉及计算机视觉
，特别是涉及一种车道线检测模型的训练方法、车道线检测方法及电子设备。

技术介绍

[0002]车道线是依据交通规则画在道路面上用于引导交通的标线，在车辆的高级辅助驾驶或自动驾驶中，车道线作为实现车道居中保持、车道偏离预警、自适应巡航、变道、行为预测、消失点预测、在线标定、高精地图匹配等多种功能的关键信息，对车道线的准确检测是必不可少的。
[0003]目前，一些现有方法是通过边缘检测、滤波等检测车道线区域，然后结合算法进行车道线检测，但是工作量较大，且泛化能力差；还有一些方法是通过模型无差别检测全部的车道线，但是，若车辆所在的车道的车道线出现漏检，会导致计算出的车道线居中位置出现较大偏差，影响自动驾驶安全。

技术实现思路

[0004]本申请至少提供一种车道线检测模型的训练方法、车道线检测方法及电子设备，以解决上述问题。
[0005]本申请第一方面提供了一种车道线检测模型的训练方法，所述方法包括：获取车道线标识图片，其中所述车道线标识图片是对真实车道线图片进行标识得到的，所述车道线标识图片标识有所述真实车道线图片中的任意条车道线及其车道线类别信息和车道线所属车道信息；从所述车道线标识图片中获取所述车道线类别信息对应的第一掩码图以及所述车道线所属车道信息对应的第二掩码图，其中所述第一掩码图中不同车道线类别对应相同和/或不同的权重，所述第二掩码图中不同车道线所属车道对应不同的权重；利用所述第一掩码图和/或所述第二掩码图，生成用于所述车道线检测模型训练的损失函数；基于所述损失函数，将所述第一掩码图用于所述车道线检测模型的训练。
[0006]在一实施例中，所述车道线类别信息包括实线标识和虚线标识；所述车道线所属车道信息包括当前车道标识、相邻车道标识和其他车道标识；所述第一掩码图中，所述实线标识的权重与所述虚线标识的权重相同；所述第二掩码图中，所述当前车道标识的权重大于所述相邻车道标识的权重，所述相邻车道标识的权重大于所述其他车道标识的权重。
[0007]在一实施例中，所述第一掩码图中，不同车道线类别的权重通过相应的车道线的像素点值表示；所述第二掩码图中，不同车道线所属车道的权重通过相应的车道线所属车道的像素点值表示。
[0008]在一实施例中，利用所述第一掩码图和所述第二掩码图，生成用于所述车道线检测模型训练的损失函数，包括：按照所述第一掩码图中不同车道线类别对应相同和/或不同的权重，生成用于所述车道线检测模型训练的第一子损失函数；按照所述第二掩码图中不同车道线所属车道对应不同的权重，生成用于所述车道线检测模型训练的第二子损失函
数；将所述第一子损失函数和第二子损失函数进行组合处理，以得到所述损失函数。
[0009]在一实施例中，所述获取车道线标识图片，包括：确定所述真实车道线图片中的所述任意条车道线；利用预设形状对所述任意条车道线进行标注，并给所述任意条车道线标识相应的车道线类别和车道线所属车道，以得到所述车道线标识图片。
[0010]在一实施例中，车道线检测模型的训练方法进一步包括：将所述真实车道线图片输入到所述车道线检测模型中，以得到所述真实车道线图片的预测值，其中所述真实车道线图片的预测值包括所述真实车道线图片中当前车道的预测值、相邻车道的预测值以及其他车道的预测值；获取所述真实车道线图片的预测值与所述真实车道线图片的真实值之间的第一交并比，所述当前车道的预测值与所述当前车道的真实值之间的第二交并比，所述相邻车道的预测值与所述相邻车道的真实值之间的第三交并比，以及所述其他车道的预测值与所述其他车道的真实值之间的第四交并比；利用所述第一交并比和所述第二交并比、所述第三交并比和/或所述第四交并比，对所述车道线检测模型进行评价。
[0011]在一实施例中，所述第一交并比的公式如下：
[0012][0013]其中，k表示类别的总类别数，i表示任一像素点的真实值，j表示任一像素点的预测值，p
ij
表示将i检测为j，p
ji
表示将j检测为i，p
ii
表示将i检测为i。
[0014]本申请第二方面提供了一种车道线检测方法，包括：获取原始车道线图片；将所述原始车道线图片输入到预设检测模型中，以检测到所述原始车道线图片中任意条车道线；其中，所述预设检测模型是通过第一方面中的车道线检测模型的训练方法训练得到的模型。
[0015]本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现上述第一方面中的车道线检测模型的训练方法或上述第二方面中的车道线检测方法。
[0016]本申请第四方面提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质用于存储程序指令，所述程序指令在被处理器执行时，用于实现上述第一方面中的车道线检测模型的训练方法或上述第二方面中的车道线检测方法。
[0017]上述方案，获取车道线标识图片，通过从车道线标识图片中获取车道线类别信息对应的第一掩码图和车道线所属车道信息对应的第二掩码图，其中，第一掩码图中不同的车道线类别对应相同和/或不同的权重，第二掩码图中不同车道线所属车道对应不同的权重，利用第一掩码图和/或第二掩码图，生成用于车道线检测模型训练的损失函数，基于得到的损失函数，将第一掩码图用于车道线检测模型的训练；本申请的方案，通过对不同车道线所属车道给与不同的权重，即增大重要位置的权重，使车道线检测模型在训练过程中对重要位置投入更高的关注度，以使得训练后的车道线检测模型对重要位置的车道线进行检测时得到更好的检测效果。
[0018]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。
附图说明
[0019]此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
[0020]图1是本申请实施例中车道线检测模型的训练方法的流程示意图；
[0021]图2是本申请实施例中车道线标识图片的场景示意图；
[0022]图3(a)是本申请实施例中第一掩码图的场景示意图；
[0023]图3(b)是本申请实施例中第二掩码图的场景示意图；
[0024]图4是本申请实施例中车道线检测方法的流程示意图；
[0025]图5是本申请实施例中电子设备的结构示意图；
[0026]图6是本申请实施例中非易失性计算机可读存储介质的结构示意图。
具体实施方式
[0027]下面结合附图和实施例，对本申请作进一步的详细描述。特别指出的是，以下实施例仅用于说明本申请，但不对本申请的范围进行限定。同样的，以下实施例仅为本申请的部分实施例而非全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0028]在本申请中提及“实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线检测模型的训练方法，其特征在于，包括：获取车道线标识图片，其中所述车道线标识图片是对真实车道线图片进行标识得到的，所述车道线标识图片标识有所述真实车道线图片中的任意条车道线及其车道线类别信息和车道线所属车道信息；从所述车道线标识图片中获取所述车道线类别信息对应的第一掩码图以及所述车道线所属车道信息对应的第二掩码图，其中所述第一掩码图中不同车道线类别对应相同和/或不同的权重，所述第二掩码图中不同车道线所属车道对应不同的权重；利用所述第一掩码图和/或所述第二掩码图，生成用于所述车道线检测模型训练的损失函数；基于所述损失函数，将所述第一掩码图用于所述车道线检测模型的训练。2.根据权利要求1所述的方法，其特征在于，所述车道线类别信息包括实线标识和虚线标识；所述车道线所属车道信息包括当前车道标识、相邻车道标识和其他车道标识；所述第一掩码图中，所述实线标识的权重与所述虚线标识的权重相同；所述第二掩码图中，所述当前车道标识的权重大于所述相邻车道标识的权重，所述相邻车道标识的权重大于所述其他车道标识的权重。3.根据权利要求2所述的方法，其特征在于，所述第一掩码图中，不同车道线类别的权重通过相应的车道线的像素点值表示；所述第二掩码图中，不同车道线所属车道的权重通过相应的车道线所属车道的像素点值表示。4.根据权利要求1所述的方法，其特征在于，利用所述第一掩码图和所述第二掩码图，生成用于所述车道线检测模型训练的损失函数，包括：按照所述第一掩码图中不同车道线类别对应相同和/或不同的权重，生成用于所述车道线检测模型训练的第一子损失函数；按照所述第二掩码图中不同车道线所属车道对应不同的权重，生成用于所述车道线检测模型训练的第二子损失函数；将所述第一子损失函数和第二子损失函数进行组合处理，以得到所述损失函数。5.根据权利要求1所述的方法，其特征在于，所述获取车道线标识图片，包括：确定所述真实车道线图片中的所述任意条车道线；利用预设形状对所述任意条车道线进行标注，并给所述任意条车道线标识相应的车道线类...

【专利技术属性】
技术研发人员：许晗，周晨，汪金双，
申请(专利权)人：浙江零跑科技股份有限公司，
类型：发明
国别省市：