车道线检测模型的训练方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种车道线检测模型的训练方法、装置、设备及存储介质，属于涉及计算机技术领域。所述方法包括：获取指定点云地图的点云鸟瞰图、以及点云鸟瞰图对应的方向标签和方向场值标签；将点云鸟瞰图输入特征提取网络，得到点云鸟瞰图对应的图像特征；将图像特征和方向标签，输入车道线方向识别网络，以获得水平车道线点云和与垂直车道线点云；将图像特征和方向场值标签，输入车道线方向场检测网络，以获得车道线点云的水平方向场值和垂直方向场值；基于图像特征、方向标签、方向场值标签、水平车道线点云、垂直车道线点云、车道线点云的水平方向场值和垂直方向场值，对待训练的车道线检测模型进行迭代训练，得到训练完成的车道线检测模型。道线检测模型。道线检测模型。

【技术实现步骤摘要】
车道线检测模型的训练方法、装置、设备及存储介质


[0001]本申请涉及计算机
，具体涉及高精地图制作技术和自动驾驶技术等
，特别涉及一种车道线检测模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]通常，在制作高精地图的过程中，可以利用车道线检测技术，对相机拍摄的图像或雷达传感器采集的三维点云图进行高精地图的道路标记等元素提取，由于点云图上的车道线分布没有相机拍摄的透视图那么规则，尤其是车道线的朝向上差异更加明显，所以，相关技术中的车道线检测方案多是基于相机拍摄的二维透视图像设计的处理方案。
[0003]但是，相关技术中的基于相机拍摄的透视图像进行车道线检测方案，多是假设图像车道线是由图像的底端或者图像边界出发，从下向上延伸至消失点。然而，这种假设并不适用于水平车道线的检测，这使得基于相关技术中的车道线检测技术进行车道线实例检测的时候，遇到水平车道线会出现漏检或者检测出多段车道线实例的情况，导致车道线检测结果的可靠性不佳。

技术实现思路

[0004]本申请提供了一种车道线检测模型的训练方法、装置、设备及存储介质，可以解决车道线检测模型的检测性能可靠性不佳的问题，所述技术方案如下：
[0005]第一方面，提供了一种车道线检测模型的训练方法，所述待训练的车道线检测模型包括特征提取网络、车道线方向识别网络、车道线方向场检测网络，所述方法包括：
[0006]获取样本数据，所述样本数据包括指定点云地图的点云鸟瞰图、以及所述点云鸟瞰图对应的方向标签和所述点云鸟瞰图对应的方向场值标签；
[0007]将所述点云鸟瞰图输入所述特征提取网络，以获得所述点云鸟瞰图对应的图像特征；
[0008]将所述图像特征和所述方向标签，输入所述车道线方向识别网络，以获得水平车道线点云和与垂直车道线点云；
[0009]将所述图像特征和所述方向场值标签，输入所述车道线方向场检测网络，以获得车道线点云的水平方向场值和车道线点云的垂直方向场值；
[0010]基于所述图像特征、所述方向标签、所述方向场值标签、所述水平车道线点云、所述垂直车道线点云、所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型。
[0011]在一种可能的实现方式中，所述待训练的车道线检测模型包括车道线识别网络，所述对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型，还包括：
[0012]获取所述点云鸟瞰图对应的车道线标签；
[0013]将所述图像特征和所述车道线标签，输入所述车道线识别网络，以获得车道线点
云；
[0014]基于所述车道线点云、所述车道线标签、所述图像特征、所述方向标签、所述方向场值标签、所述水平车道线点云与所述垂直车道线点云、和所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型。
[0015]在一种可能的实现方式中，所述方向场值标签包括第一方向场值标签和第二方向场值标签，获取所述点云鸟瞰图对应的方向场值标签，包括：
[0016]利用预先训练的特征提取网络，对所述点云地图的点云鸟瞰图进行特征提取处理，以获得所述点云鸟瞰图的图像特征；
[0017]利用预先训练的车道线识别网络，对所述图像特征进行车道线识别处理，以获得车道线点云；
[0018]利用预先训练的车道线方向识别网络，对所述图像特征进行方向识别处理，以获得水平车道线点云的第一数量、与所述垂直车道线点云的第二数量；
[0019]响应于所述第一数量大于第二数量，基于所述车道线点云，计算得到所述第一方向场值标签；
[0020]响应于所述第一数量小于第二数量，基于所述车道线点云，计算得到所述第二方向场值标签；
[0021]基于所述第一方向场值标签和所述第二方向场值标签，获取所述点云鸟瞰图对应的方向场值标签。
[0022]在一种可能的实现方式中，所述第一方向场值标签包括第一水平方向场值标签和第一垂直方向场值标签，所述响应于所述第一数量大于第二数量，基于所述车道线点云，计算得到所述第一方向场值标签，包括：
[0023]响应于所述第一数量大于第二数量，获取所述车道线点云的纵坐标值；
[0024]基于所述车道线点云的纵坐标值，利用第一水平方向场算法，计算得到所述第一水平方向场值；
[0025]基于所述车道线点云的纵坐标值，利用第一垂直方向场算法，计算得到所述第一垂直方向场值；
[0026]基于所述第一水平方向场值和第一垂直方向场值，获得所述第一水平方向场值标签和所述第一垂直方向场值标签。
[0027]第二方面，提供了一种车道线检测的方法，所述方法包括：
[0028]获取待检测的指定点云地图的点云鸟瞰图；
[0029]将所述点云鸟瞰图，输入车道线检测模型，以获得车道线检测结果，所述车道线检测模型是利用根据如上所述的方面和任一可能的实现方式的车道线检测模型的训练方法得到的；其中，
[0030]所述车道线检测模型包括特征提取网络、车道线方向识别网络、车道线方向场检测网络。
[0031]在一种可能的实现方式中，所述车道线检测结果包括水平车道线点云、垂直车道线点云、车道线点云的水平方向场值和车道线点云的垂直方向场值，所述将所述点云鸟瞰图，输入车道线检测模型，以获得车道线检测结果之后，还包括：
[0032]基于所述水平车道线点云和所述垂直车道线点云，获得所述水平车道线点云的第一数量、和所述垂直车道线点云的第二数量；
[0033]基于所述水平车道线点云的第一数量、所述垂直车道线点云的第二数量、所述车道线点云的水平方向场值和垂直方向场值，利用预设的聚类算法，对所述水平车道线点云和/或所述垂直车道线点云进行聚类处理，以获得目标车道线。
[0034]在一种可能的实现方式中，基于所述水平车道线点云的第一数量、所述垂直车道线点云的第二数量、所述车道线点云的水平方向场值和垂直方向场值，利用预设的聚类算法，对所述水平车道线点云和/或所述垂直车道线点云进行聚类处理，以获得目标车道线，包括：
[0035]响应于所述第一数量大于第二数量，按照所述点云鸟瞰图的列方向，基于所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述水平车道线点云进行聚类处理，以获得水平车道线；
[0036]响应于所述第一数量小于第二数量，按照所述点云鸟瞰图的行方向，基于所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述垂直车道线点云进行聚类处理，以获得垂直车道线；
[0037]基于所述水平车道线或所述垂直车道线，获得目标车道线。
[0038]在一种可能的实现方式中，所述车道线检测模型还包括车道线识别网络，所述车道线检测结果还包括车道线点云，所述获得目标车道线包括：
[0039]基于所述车道本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线检测模型的训练方法，其特征在于，待训练的车道线检测模型包括特征提取网络、车道线方向识别网络、车道线方向场检测网络，所述方法包括：获取样本数据，所述样本数据包括指定点云地图的点云鸟瞰图、以及所述点云鸟瞰图对应的方向标签和所述点云鸟瞰图对应的方向场值标签；将所述点云鸟瞰图输入所述特征提取网络，以获得所述点云鸟瞰图对应的图像特征；将所述图像特征和所述方向标签，输入所述车道线方向识别网络，以获得水平车道线点云和与垂直车道线点云；将所述图像特征和所述方向场值标签，输入所述车道线方向场检测网络，以获得车道线点云的水平方向场值和车道线点云的垂直方向场值；基于所述图像特征、所述方向标签、所述方向场值标签、所述水平车道线点云、所述垂直车道线点云、所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型。2.根据权利要求1所述的方法，其特征在于，所述待训练的车道线检测模型包括车道线识别网络，所述对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型，还包括：获取所述点云鸟瞰图对应的车道线标签；将所述图像特征和所述车道线标签，输入所述车道线识别网络，以获得车道线点云；基于所述车道线点云、所述车道线标签、所述图像特征、所述方向标签、所述方向场值标签、所述水平车道线点云与所述垂直车道线点云、和所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型。3.根据权利要求1所述的方法，其特征在于，所述方向场值标签包括第一方向场值标签和第二方向场值标签，获取所述点云鸟瞰图对应的方向场值标签，包括：利用预先训练的特征提取网络，对所述点云地图的点云鸟瞰图进行特征提取处理，以获得所述点云鸟瞰图的图像特征；利用预先训练的车道线识别网络，对所述图像特征进行车道线识别处理，以获得车道线点云；利用预先训练的车道线方向识别网络，对所述图像特征进行方向识别处理，以获得水平车道线点云的第一数量、与所述垂直车道线点云的第二数量；响应于所述第一数量大于第二数量，基于所述车道线点云，计算得到所述第一方向场值标签；响应于所述第一数量小于第二数量，基于所述车道线点云，计算得到所述第二方向场值标签；基于所述第一方向场值标签和所述第二方向场值标签，获取所述点云鸟瞰图对应的方向场值标签。4.根据权利要求3所述的方法，其特征在于，所述第一方向场值标签包括第一水平方向场值标签和第一垂直方向场值标签，所述响应于所述第一数量大于第二数量，基于所述车道线点云，计算得到所述第一方向场值标签，包括：响应于所述第一数量大于第二数量，获取所述车道线点云的纵坐标值；
基于所述车道线点云的纵坐标值，利用第一水平方向场算法，计算得到所述第一水平方向场值；基于所述车道线点云的纵坐标值，利用第一垂直方向场算法，计算得到所述第一垂直方向场值；基于所述第一水平方向场值和第一垂直方向场值，获得所述第一水平方向场值标签和所述第一垂直方向场值标签。5.一种车道线检测的方法，其特征在于，所述方法包括：获取待检测的指定点云地图的点云鸟瞰图；将所述点云鸟瞰图，输入车道线检测模型，以获得车道线检测结果，所述车道线检测模型是利用根据权利要求1至4中任一所述的车道线检测模型的训练方法得到的；其中，所述车道线检测模型包括特征提取网络、车道线方向识别网络、车道线方向场检测网络。6.根据权利要求5所述的方法，其特征在于，所述车道线检测结果包括水平车道线点云、垂直车道线点云、车道线点云的水平方向场值和车道线点云的垂直方向场值，所述将所述点云...

【专利技术属性】
技术研发人员：郭和炀，孟凤婵，张雄，苗乾坤，
申请(专利权)人：新石器中研上海科技有限公司，
类型：发明
国别省市：