本申请公开了一种车道线检测方法、装置、设备及存储介质，上述方法包括，获取点云图像，基于上述点云图像的激光反射强度，生成第一伪图像，并且基于上述点云图像的深度信息，生成第二伪图像，将上述第一伪图像和上述第二伪图像进行融合，得到融合图像，对上述融合图像进行车道线检测，得到车道线图像。本申请通过基于激光反射强度和深度信息两个维度生成俯视视角下的伪图像，跳过复杂的三维卷积，采用二维卷积的方式降低计算的复杂程度，减少计算量，提高了车道线检测的实时性，并且利用点云的优势，避免了将二维车道线投影到三维世界时带来的误差，也避免了由于外界光线、道路颠簸等情况给车道线检测带来的误差，提高车道线检测的准确性。测的准确性。测的准确性。
【技术实现步骤摘要】
一种车道线检测方法、装置、设备及存储介质
[0001]本申请涉及人工智能领域，尤其涉及一种车道线检测方法、装置、设备及存储介质。
技术介绍
[0002]基于深度学习的车道线检测，逐渐成为智能驾驶主流方法，但是，在车道线检测分域，一直以来是以图像为主，基于雷达的少之又少。同样，基于雷达的车道线检测，实时性同样是该方法落地的障碍。随着近几年人工智能芯片的高速发展，为深度学习模型部署的实时性带来巨大的提升，但很多实时性问题仍不能得以解决。以图像为主的车道线检测，在强光或者弱光干扰以及进出隧道的场景下，图像都会出现短期致盲状态，导致其检测真实性进一步降低。
技术实现思路
[0003]为了解决上述提出的至少一个技术问题，提高车道线检测的实时性和准确性，本申请提出了一种车道线检测方法。
[0004]根据本申请公开的一方面，提供了一种车道线检测方法，上述方法包括：
[0005]获取点云图像，上述点云图像为表征车辆周围路面信息的图像；
[0006]基于上述点云图像的激光反射强度，生成第一伪图像；
[0007]基于上述点云图像的深度信息，生成第二伪图像，上述第二伪图像与上述第一伪图像的尺寸相同；
[0008]将上述第一伪图像和上述第二伪图像进行融合，得到融合图像；
[0009]对上述融合图像进行车道线检测，得到车道线图像，上述车道线图像中包括车道线信息和路沿信息中的至少一种。
[0010]在一些可能的实施方式中，上述基于上述点云图像的激光反射强度，生成第一伪图像，包括：
[0011]对上述点云图像进行编码处理，得到三维点云编码图像；
[0012]将上述三维点云编码图像进行降维处理，得到二维点云编码图像；
[0013]对上述二维点云编码图像进行特征提取，得到上述第一伪图像。
[0014]在一些可能的实施方式中，上述基于上述点云图像的深度信息，生成第二伪图像，包括：
[0015]将上述点云图像进行点云检测处理，得到伪点云图像；
[0016]获取伪点云图像俯视视角下的图像，并对其进行降采样，得到上述第二伪图像。
[0017]在一些可能的实施方式中，上述对上述融合图像进行车道线检测，得到车道线图像，包括：
[0018]对上述融合图像进行特征提取，得到特征图像，上述特征图像中包括道路特征信息，上述道路特征信息包括车道线特征信息、路沿特征信息中的至少一种；
[0019]对上述特征图像进行基于网格分割的分类处理，得到车道线图像。
[0020]在一些可能的实施方式中，上述对上述特征图像进行基于网格分割的分类处理，得到车道线图像，包括：
[0021]对上述特征图像进行基于网格分割,得到多个锚框；
[0022]对每个上述锚框进行分类预测，得到车道线图像。
[0023]在一些可能的实施方式中，上述对每个上述锚框进行分类预测，得到车道线图像，包括：
[0024]对每个上述锚框进行分类预测，得到上述锚框分别对应的分类结果和概率估计结果，上述分类结果表征对应的锚框的类别信息，上述概率估计结果表征每个上述锚框所属的类别的概率；
[0025]基于上述分类结果和上述概率估计结果对各上述锚框进行筛选，根据筛选结果得到上述车道线图像。
[0026]在一些可能的实施方式中，上述将上述第一伪图像和上述第二伪图像进行融合，得到融合图像，包括：
[0027]将上述第一伪图像和上述第二伪图像进行对齐与匹配处理，得到匹配后的图像；
[0028]对上述匹配后的图像进行拼接，得到上述融合图像。
[0029]根据本申请公开的第二方面，提供了一种车道线检测装置，上述装置包括：
[0030]点云图像获取模块，用于获取点云图像，上述点云图像为表征车辆周围路面信息的图像；
[0031]第一伪图像生成模块，用于基于上述点云图像的激光反射强度，生成第一伪图像；
[0032]第二伪图像生成模块，用于基于上述点云图像的深度信息，生成第二伪图像，上述第二伪图像与上述第一伪图像的尺寸相同；
[0033]融合模块，用于将上述第一伪图像和上述第二伪图像进行融合，得到融合图像；
[0034]车道线检测模块，用于对上述融合图像进行车道线检测，得到车道线图像，上述车道线图像中包括车道线信息和路沿信息中的至少一种。
[0035]根据本申请公开的第三方面，提供了一种车道线检测设备，上述设备包括处理器和存储器，上述存储器中存储有至少一条指令或至少一段程序，上述至少一条指令或上述至少一段程序由上述处理器加载并执行以实现上述的一种车道线检测方法。
[0036]根据本申请公开的第四方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，上述计算机程序指令被处理器执行时实现上述的一种车道线检测方法。
[0037]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。
[0038]实施本申请，具有如下有益效果：
[0039]本申请采用对俯视视角下的图像进行超像素分割的方法，使得模型推理的后处理简单化，降低计算复杂程度，减少计算量，来提高车道线检测的实时性。
[0040]本申请利用雷达点云的优势在于，将物体投射到俯视视图时，保持了物体的物理尺寸，检测点云的结果就是真实世界中的位置，避免了基于图像的将二维车道线投影到三维世界时带来的误差，也避免了由于外界光线、道路颠簸等情况给车道线检测带来误差的
问题，提高车道线检测的准确性。
附图说明
[0041]为了更清楚地说明本申请的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0042]图1示出本申请实施例的车道线检测方法流程示意图；
[0043]图2示出本申请实施例的车道线检测网络结构示意图；
[0044]图3示出本申请实施例的第一伪图像生成方法流程示意图；
[0045]图4示出本申请实施例的二维点云编码图像俯视视角特征图；
[0046]图5示出本申请实施例的第二伪图像生成方法流程示意图；
[0047]图6示出本申请实施例的基于融合图像得到车道线图像流程示意图；
[0048]图7示出本申请实施例的基于网格分割的分类处理流程示意图；
[0049]图8示出本申请实施例的分类预测方法流程示意图；
[0050]图9示出本申请实施例的图像融合方法流程示意图；
[0051]图10示出本申请实施例的一种车道线检测装置的框图；
[0052]图11示出本申请实施例的一种电子设备的结构框图一；
[0053]图12示出本申请实施例的一种电子设备的结构框图一。
具体实施方式
[0054][0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车道线检测方法，其特征在于，所述方法包括：获取点云图像，所述点云图像为表征车辆周围路面信息的图像；基于所述点云图像的激光反射强度，生成第一伪图像；基于所述点云图像的深度信息，生成第二伪图像，所述第二伪图像与所述第一伪图像的尺寸相同；将所述第一伪图像和所述第二伪图像进行融合，得到融合图像；对所述融合图像进行车道线检测，得到车道线图像，所述车道线图像中包括车道线信息和路沿信息中的至少一种。2.根据权利要求1所述的方法，其特征在于，所述基于所述点云图像的激光反射强度，生成第一伪图像，包括：对所述点云图像进行编码处理，得到三维点云编码图像；将所述三维点云编码图像进行降维处理，得到二维点云编码图像；对所述二维点云编码图像进行特征提取，得到所述第一伪图像。3.根据权利要求1或2所述的方法，其特征在于，所述基于所述点云图像的深度信息，生成第二伪图像，包括：将所述点云图像进行点云检测处理，得到伪点云图像；获取伪点云图像俯视视角下的图像，并对其进行降采样，得到所述第二伪图像。4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述对所述融合图像进行车道线检测，得到车道线图像，包括：对所述融合图像进行特征提取，得到特征图像，所述特征图像中包括道路特征信息，所述道路特征信息包括车道线特征信息、路沿特征信息中的至少一种；对所述特征图像进行基于网格分割的分类处理，得到车道线图像。5.根据权利要求4所述的方法，其特征在于，所述对所述特征图像进行基于网格分割的分类处理，得到车道线图像，包括：对所述特征图像进行基于网格分割,得到多个锚框；对每个所述锚框进行分类预测，得到车道线图像。6.根据权利要求5所述的方法，其特征在于，所述对每...
【专利技术属性】
技术研发人员：曹哲，张茂林，袁金伟，张振林，
申请(专利权)人：中汽创智科技有限公司，
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。