【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种车道线检测方法、装置、计算机设备和存储介质。
技术介绍
1、车道线检测是车辆自动驾驶系统中的重要组成部分，它通过使用视觉传感器（如摄像头）来识别和跟踪道路上的车道线。车道线提供了关于车辆所在位置、车道宽度和行驶方向等重要信息，是实现自动驾驶功能的关键。
2、现有技术中对车道线进行检测，通常利用相机的内外参数来获取车道线的信息。由于相机的内外参数可能存在误差，导致检测的车道线准确度不高。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种车道线检测方法、装置、计算机设备和存储介质，能够提高车道线检测的准确性。
2、第一方面，本申请提供了一种车道线检测方法，所述方法包括：
3、获取目标图像组；其中，所述目标图像组包括以目标车辆为中心所采集的多个不同视角下的目标图像；
4、通过目标车道线检测模型中的主干网络，对所述目标图像组中各目标图像进行特征提取，得到各目标图像在对应视角下的特征图；
5、通过所述目标车道线检测模型中的逆投影网络，对各目标图像在对应视角下的特征图进行投影处理，得到所述目标图像组在鸟瞰视角下的特征图；
6、通过所述目标车道线检测模型中的检测网络，对所述目标图像组在鸟瞰视角下的特征图进行车道线检测，得到目标车道线检测结果。
7、在其中一个实施例中，所述逆投影网络包括位置特征提取网络和空间变换网络；所述通过所述目标车道线检测模型中的逆投影网络，对各目标
8、通过所述位置特征提取网络，从各目标图像在对应视角下的特征图中，提取各目标图像在对应视角下的位置编码信息；
9、通过所述空间变换网络，根据各目标图像在对应视角下的位置编码信息和特征图，确定所述目标图像组在鸟瞰视角下的特征图。
10、在其中一个实施例中，所述通过所述空间变换网络，根据各目标图像在对应视角下的位置编码信息和特征图，确定所述目标图像组在鸟瞰视角下的特征图，包括：
11、通过所述空间变换网络，根据各目标图像在对应视角下的位置编码信息和特征图，确定各目标图像在鸟瞰视角下的特征图；
12、对各目标图像在鸟瞰视角下的特征图进行融合和降维处理，得到所述目标图像组在鸟瞰视角下的特征图。
13、在其中一个实施例中，所述目标车道线检测模型通过以下方式得到：
14、获取车载相机所采集的车道线场景下的样本图像组和车载雷达所采集的所述车道线场景下的雷达数据；其中，所述样本图像组包括以样本车辆为中心所采集的多个不同视角下的样本图像；
15、根据所述雷达数据，确定所述样本图像组所对应的第一车道线检测结果；
16、根据所述样本图像组和所述第一车道线检测结果，对初始车道线检测模型进行训练，得到所述目标车道线检测模型。
17、在其中一个实施例中，所述根据所述样本图像组和所述第一车道线检测结果，对初始车道线检测模型进行训练，得到所述目标车道线检测模型，包括：
18、对所述样本图像组中各样本图像进行合成处理，得到所述样本图像组在鸟瞰视角下的同质化鸟瞰图homo-bev图像；
19、对homo-bev图像进行特征提取，得到所述homo-bev图像在鸟瞰视角下的特征图；
20、通过所述初始车道线检测模型，对所述样本图像组进行车道线检测，得到所述样本图像组在鸟瞰视角下的特征图和所述样本图像组的第二车道线检测结果；
21、根据所述homo-bev图像在鸟瞰视角下的特征图、所述样本图像组在鸟瞰视角下的特征图，以及所述样本图像组的第一车道线检测结果和第二车道线检测结果，确定训练损失；
22、采用所述训练损失，对所述初始车道线检测模型进行训练，得到所述目标车道线检测模型。
23、在其中一个实施例中，所述根据所述homo-bev图像在鸟瞰视角下的特征图、所述样本图像组在鸟瞰视角下的特征图，以及所述样本图像组的第一车道线检测结果和第二车道线检测结果，确定训练损失，包括：
24、采用平方损失函数，根据所述homo-bev图像在鸟瞰视角下的特征图和所述样本图像组在鸟瞰视角下的特征图，确定第一损失；
25、采用交叉熵损失函数，根据所述样本图像组的第一车道线检测结果和第二车道线检测结果，确定第二损失；
26、根据所述第一损失和所述第二损失，确定训练损失。
27、在其中一个实施例中，所述根据所述第一损失和所述第二损失，确定训练损失，包括：
28、对所述第一损失进行加权处理，得到第一加权损失，以及对所述第二损失进行加权处理，得到第二加权损失；
29、将所述第一加权损失和所述第二加权损失之和，作为所述训练损失。
30、第二方面，本申请还提供了一种车道线检测装置，所述装置包括：
31、获取模块，用于获取目标图像组；其中，所述目标图像组包括以目标车辆为中心所采集的多个不同视角下的目标图像；
32、提取模块，用于通过目标车道线检测模型中的主干网络，对所述目标图像组中各目标图像进行特征提取，得到各目标图像在对应视角下的特征图；
33、投影模块，用于通过所述目标车道线检测模型中的逆投影网络，对各目标图像在对应视角下的特征图进行投影处理，得到所述目标图像组在鸟瞰视角下的特征图；
34、检测模块，用于通过所述目标车道线检测模型中的检测网络，对所述目标图像组在鸟瞰视角下的特征图进行车道线检测，得到目标车道线检测结果。
35、第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
36、获取目标图像组；其中，所述目标图像组包括以目标车辆为中心所采集的多个不同视角下的目标图像；
37、通过目标车道线检测模型中的主干网络，对所述目标图像组中各目标图像进行特征提取，得到各目标图像在对应视角下的特征图；
38、通过所述目标车道线检测模型中的逆投影网络，对各目标图像在对应视角下的特征图进行投影处理，得到所述目标图像组在鸟瞰视角下的特征图；
39、通过所述目标车道线检测模型中的检测网络，对所述目标图像组在鸟瞰视角下的特征图进行车道线检测，得到目标车道线检测结果。
40、第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
41、获取目标图像组；其中，所述目标图像组包括以目标车辆为中心所采集的多个不同视角下的目标图像；
42、通过目标车道线检测模型中的主干网络，对所述目标图像组中各目标图像进行特征提取，得到各目标图像在对应视角下的特征图；
【技术保护点】
1.一种车道线检测方法，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，所述逆投影网络包括位置特征提取网络和空间变换网络；所述通过所述目标车道线检测模型中的逆投影网络，对各目标图像在对应视角下的特征图进行投影处理，得到所述目标图像组在鸟瞰视角下的特征图，包括：
3.根据权利要求2所述的方法，其特征在于，所述通过所述空间变换网络，根据各目标图像在对应视角下的位置编码信息和特征图，确定所述目标图像组在鸟瞰视角下的特征图，包括：
4.根据权利要求1所述的方法，其特征在于，所述目标车道线检测模型通过以下方式得到：
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本图像组和所述第一车道线检测结果，对初始车道线检测模型进行训练，得到所述目标车道线检测模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述Homo-BEV图像在鸟瞰视角下的特征图、所述样本图像组在鸟瞰视角下的特征图，以及所述样本图像组的第一车道线检测结果和第二车道线检测结果，确定训练损失，包括：
7.根据权利要求6
8.一种车道线检测装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【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：
2.根据权利要求1所述的方法，其特征在于，所述逆投影网络包括位置特征提取网络和空间变换网络；所述通过所述目标车道线检测模型中的逆投影网络，对各目标图像在对应视角下的特征图进行投影处理，得到所述目标图像组在鸟瞰视角下的特征图，包括：
3.根据权利要求2所述的方法，其特征在于，所述通过所述空间变换网络，根据各目标图像在对应视角下的位置编码信息和特征图，确定所述目标图像组在鸟瞰视角下的特征图，包括：
4.根据权利要求1所述的方法，其特征在于，所述目标车道线检测模型通过以下方式得到：
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本图像组和所述第一车道线检测结果，对初始车道线检测模型进行训练，得到所述目标车道线检测模型...
【专利技术属性】
技术研发人员：董小瑜，吕颖，曹蕴涛，刘秋铮，
申请(专利权)人：中国第一汽车股份有限公司，
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。