【技术实现步骤摘要】
一种基于知识蒸馏的轻量车道线检测方法及装置
[0001]本申请属于辅助驾驶
,特别的涉及一种基于知识蒸馏的轻量车道线检测方法及装置。
技术介绍
[0002]随着自动驾驶和辅助驾驶的需求日益增加,基于深度学习的视觉感知系统被广泛应用。作为自动驾驶系统里最重要的模块之一,道路线模型需要准确的检测到每一条车道线的位置,从而保证行驶车辆的安全。因为道路的环境条件会因为光照和遮挡而变化,道路线模型需要有一定的鲁棒性。同时,由于道路线模型会被部署在边缘设备的嵌入式版的轻量系统(例如TDA4VM和MDC),该道路线模型本身的尺寸需要满足内存的要求,向前推理和后处理的时间需要达到实时的标准,使用到的算子需要满足部署系统的机能限制。
[0003]目前学术界主流的道路线检测包括多个方案。第一种传统的统计方法,利用边缘及颜色检测来提取低级的车道线特征,然后通过卡尔曼滤波器或者霍夫转换组合低级车道线特征来进行预测。第二种语义分割的方法中比较典型的是SCNN模型,该模型先通过LargeFOV提取图像特征,然后使用slice
‑
by
‑
slice卷积的形式来替代传统layer
‑
by
‑
layer的卷积形式,使得每个像素点都可以获得全图的信息,将每一条车道线定义为一个预设的类别,进而检测出长距离连续形状的车道线。第三种实例分割配合后处理的方法先通过提取图片特征预测车道关键点,然后将预测出的关键点聚类成不同车道线。
[0004]但上述三种方案都在实际应用 ...
【技术保护点】
【技术特征摘要】
1.一种基于知识蒸馏的轻量车道线检测方法,其特征在于,包括:采集待处理图像,并将所述待处理图像输入至训练好的第一卷积神经网络,得到所述待处理图像中与每个子区域对应的车道线特征;其中,所述第一卷积神经网络由多个已知车道线特征的样本图像以及第二卷积神经网络训练得到,所述待处理图像包括m
×
n个子区域,所述m以及所述n均为正整数;基于所述与每个子区域对应的车道线特征确定出与车道线对应的多个目标关键点;根据所述与车道线对应的多个目标关键点生成所述待处理图像的车道线。2.根据权利要求1所述的方法,其特征在于,所述与每个子区域对应的车道线特征包括每个子区域的关键点所对应的偏移量特征以及内嵌特征;所述基于所述与每个子区域对应的车道线特征确定出与车道线对应的多个目标关键点,包括:基于所述与每个子区域的关键点对应的内嵌特征确定出车道线所包含的初始关键点;根据所述车道线所包含的初始关键点对应的偏移量特征,在所述待处理图像的预设区域内确定出第一初始点集合;其中,所述待处理图像的预设区域包括至少三个所述子区域;将所述待处理图像按照预设方向划分为第一区域以及第二区域,并分别确定出所述第一区域中包含所述初始关键点的个数以及所述第二区域中包含所述初始关键点的个数;当检测到所述第一区域中包含所述初始关键点的个数大于所述第二区域中包含所述初始关键点的个数时,根据所述第一区域中包含的所有所述初始关键点确定出第二初始点集合;根据所述第一初始点集合以及所述第二初始点集合确定出与车道线对应的多个目标关键点。3.根据权利要求2所述的方法,其特征在于,所述将所述待处理图像按照预设方向划分为第一区域以及第二区域,并分别确定出所述第一区域中包含所述初始关键点的个数以及所述第二区域中包含所述初始关键点的个数之后,还包括:当检测到所述第一区域中包含所述初始关键点的个数小于所述第二区域中包含所述初始关键点的个数时,根据所述第二区域中包含的所有所述初始关键点确定出第三初始点集合;根据所述第一初始点集合以及所述第三初始点集合确定出与车道线对应的多个目标关键点。4.根据权利要求2所述的方法,其特征在于,所述每个子区域的关键点所对应的偏移量特征包括每个子区域的关键点在与所述待处理图像对应的平面直角坐标系中的X轴坐标以及Y轴坐标;所述根据所述车道线所包含的初始关键点对应的偏移量特征,在所述待处理图像的预设区域内确定出第一初始点集合,包括:获取在所述待处理图像的预设区域内所有所述初始关键点对应的Y轴坐标;将所述Y轴坐标最小的三个所述初始关键点作为第一初始点集合;所述根据所述第一区域中包含的所有所述初始关键点确定出第二初始点集合,包括:获取在所述第一区域内所有所述初始关键点的X轴坐标;将所述X轴坐标最小的三个所述初始关键点作为第二初始点集合;或
将所述X轴坐标最大的三个所述初始关键点作为第二初始点集合。5.根据权利要求4所述的方法,其特征在于,所述根据所述第一初始点集合以及所述第二初始点集合确定出与车道线对应的多个目标关键点,包括:将所述第一...
【专利技术属性】
技术研发人员:魏子雄,陈辉,王泽润,
申请(专利权)人:杭州涿溪脑与智能研究所,
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。