【技术实现步骤摘要】
本申请涉及自动驾驶，特别是涉及一种模型训练、车道线检测方法、装置、电子设备及存储介质。
技术介绍
1、自动驾驶汽车又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有人类主动的操作下，自动安全地操作机动车辆。
2、车道线检测是自动驾驶中必不可少的功能，ldw(lane departure warning，车道偏离预警)、lka(lane keeping assist，车道保持辅助)等功能模块都依赖于连续稳定的车道线检测。
3、现有技术中的车道线检测方式，通常是利用深度学习方法训练车道线检测模型，然后利用车道线检测模型对道路图像当中的车道线进行检测。然而，现有技术中的车道线检测模型的检测能力有限，通常只能对正常环境下的道路图像进行车道线检测，而对于恶劣环境下的道路图像无法准确地进行车道线检测。
技术实现思路
1、鉴于上述问题，本申请实施例提出了一种模型训练、车道线检测方法、装置、电子设备及存储介质，用以。
2、根据本申请的实施例的一个方面，提供了一种模型训练方法，所述方法包括：
3、获取第一正常环境道路图像样本和第一恶劣环境道路图像样本；
4、利用所述第一正常环境道路图像样本和所述第一恶劣环境道路图像样本，对待训练图像翻译模型进行训练，得到训练完成的图像翻译模型；
5、获取第二正常环境
6、利用所述图像翻译模型将所述第二正常环境道路图像样本转换为第二恶劣环境道路图像样本；
7、利用所述第二恶劣环境道路图像样本和所述车道线标签，对待训练车道线检测模型进行训练，得到训练完成的车道线检测模型。
8、可选地，所述待训练图像翻译模型包括待训练循环生成对抗网络cyclegan子模型和待训练车道线检测子模型；所述待训练车道线检测子模型用于对所述第一正常环境道路图像样本进行车道线检测得到第一检测结果，以及对所述待训练cyclegan子模型生成的，所述第一正常环境道路图像样本对应的第一伪恶劣环境道路图像，进行车道线检测得到第二检测结果。
9、可选地，所述待训练图像翻译模型的损失函数，基于所述待训练cyclegan子模型的损失函数和所述待训练车道线检测子模型的损失函数计算得到，所述待训练车道线检测子模型的损失函数表示所述第一检测结果和所述第二检测结果之间的一致性损失。
10、可选地，所述待训练车道线检测模型为所述图像翻译模型中的车道线检测子模型。
11、可选地，获取第一正常环境道路图像样本和第一恶劣环境道路图像样本，包括：获取初始正常环境道路图像样本和初始恶劣环境道路图像样本；对所述初始正常环境道路图像样本进行随机裁剪和/或随机水平翻转，得到所述第一正常环境道路图像样本；对所述初始恶劣环境道路图像样本进行随机裁剪和/或随机水平翻转，得到所述第一恶劣环境道路图像样本。
12、根据本申请的实施例的另一方面，提供了一种车道线检测方法，所述方法包括：
13、采集道路图像；
14、将所述道路图像输入预先训练的车道线检测模型，得到所述车道线检测模型输出的检测结果，所述检测结果用于指示所述道路图像中的车道线信息；其中，所述车道线检测模型按照如上任一项所述的模型训练方法训练得到。
15、根据本申请的实施例的另一方面，提供了一种模型训练装置，所述装置包括：
16、第一获取模块，用于获取第一正常环境道路图像样本和第一恶劣环境道路图像样本；
17、第一训练模块，用于利用所述第一正常环境道路图像样本和所述第一恶劣环境道路图像样本，对待训练图像翻译模型进行训练，得到训练完成的图像翻译模型；
18、第二获取模块，用于获取第二正常环境道路图像样本和所述第二正常环境道路图像样本的车道线标签；
19、转换模块，用于利用所述图像翻译模型将所述第二正常环境道路图像样本转换为第二恶劣环境道路图像样本；
20、第二训练模块，用于利用所述第二恶劣环境道路图像样本和所述车道线标签，对待训练车道线检测模型进行训练，得到训练完成的车道线检测模型。
21、可选地，所述待训练图像翻译模型包括待训练循环生成对抗网络cyclegan子模型和待训练车道线检测子模型；所述待训练车道线检测子模型用于对所述第一正常环境道路图像样本进行车道线检测得到第一检测结果，以及对所述待训练cyclegan子模型生成的，所述第一正常环境道路图像样本对应的第一伪恶劣环境道路图像，进行车道线检测得到第二检测结果。
22、可选地，所述待训练图像翻译模型的损失函数，基于所述待训练cyclegan子模型的损失函数和所述待训练车道线检测子模型的损失函数计算得到，所述待训练车道线检测子模型的损失函数表示所述第一检测结果和所述第二检测结果之间的一致性损失。
23、可选地，所述待训练车道线检测模型为所述图像翻译模型中的车道线检测子模型。
24、可选地，所述第一获取模块包括：初始获取单元，用于获取初始正常环境道路图像样本和初始恶劣环境道路图像样本；处理单元，用于对所述初始正常环境道路图像样本进行随机裁剪和/或随机水平翻转，得到所述第一正常环境道路图像样本；对所述初始恶劣环境道路图像样本进行随机裁剪和/或随机水平翻转，得到所述第一恶劣环境道路图像样本。
25、根据本申请的实施例的另一方面，提供了一种车道线检测装置，所述装置包括：
26、采集模块，用于采集道路图像；
27、检测模块，用于将所述道路图像输入预先训练的车道线检测模型，得到所述车道线检测模型输出的检测结果，所述检测结果用于指示所述道路图像中的车道线信息；其中，所述车道线检测模型按照如上任一项所述的模型训练方法训练得到。
28、根据本申请的实施例的另一方面，提供了一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个计算机可读存储介质；当所述指令由所述一个或多个处理器执行时，使得所述处理器执行如上任一项所述的模型训练方法，或者，执行如上任一项所述的车道线检测方法。
29、根据本申请的实施例的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，使得所述处理器执行如上任一项所述的模型训练方法，或者，执行如上任一项所述的车道线检测方法。
30、本申请实施例中，考虑到恶劣环境道路图像中的车道线难以标注的问题，首先利用无需标注的正常环境道路图像样本和无需标注的恶劣环境道路图像样本，训练能够将正常环境道路图像转换为恶劣环境道路图像的图像翻译模型；然后利用图像翻译模型将具有车道线标签的正常环境道路图像样本转换为恶劣环境道路图像样本，相应地，该正常环境道路图像样本的车道线标签即可作为转换得本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述待训练图像翻译模型包括待训练循环生成对抗网络CycleGAN子模型和待训练车道线检测子模型；
3.根据权利要求2所述的方法，其特征在于，所述待训练图像翻译模型的损失函数，基于所述待训练CycleGAN子模型的损失函数和所述待训练车道线检测子模型的损失函数计算得到，所述待训练车道线检测子模型的损失函数表示所述第一检测结果和所述第二检测结果之间的一致性损失。
4.根据权利要求2所述的方法，其特征在于，所述待训练车道线检测模型为所述图像翻译模型中的车道线检测子模型。
5.根据权利要求1所述的方法，其特征在于，获取第一正常环境道路图像样本和第一恶劣环境道路图像样本，包括：
6.一种车道线检测方法，其特征在于，所述方法包括：
7.一种模型训练装置，其特征在于，所述装置包括：
8.一种车道线检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介
...【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述待训练图像翻译模型包括待训练循环生成对抗网络cyclegan子模型和待训练车道线检测子模型；
3.根据权利要求2所述的方法，其特征在于，所述待训练图像翻译模型的损失函数，基于所述待训练cyclegan子模型的损失函数和所述待训练车道线检测子模型的损失函数计算得到，所述待训练车道线检测子模型的损失函数表示所述第一检测结果和所述第二检测结果之间的一致性损失。
4.根据权利要求2所述的方法，其特征在于，所述待训练车道线检测模型为所述图像翻译模型中的车道线...
【专利技术属性】
技术研发人员：王俊，
申请(专利权)人：北京及云智能科技有限公司，
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。