【技术实现步骤摘要】
本申请涉及自动驾驶，特别是涉及一种车道线检测方法、装置、计算机设备、存储介质。
技术介绍
1、为了保障汽车在行驶过程中的安全性，自动驾驶系统需要控制汽车在道路上沿着车道线移动。因此，自动驾驶系统需要基于车道线的检测结果来进行运动决策。随着自动驾驶行业和人工智能技术的飞速发展，基于深度学习和计算机视觉的车道线检测技术已经广泛应用在了自动驾驶系统中。
2、目前常用的车道线检测技术一般有以下三类：
3、基于目标检测的车道线检测技术：通过预先设计好线性的目标检测锚框，并对采样点和预定义的目标检测锚框的偏移量进行回归，再应用非极大值抑制的方式来选择置信度最高的目标检测结果作为所需的车道线。
4、基于语义分割的车道线检测技术：通过直接对每个像素进行分类，将分类结果为车道线的像素点进行组合连接以形成所需的车道线。
5、基于关键点检测的车道线检测技术：通过直接对车道线进行检测，并使用一定的后处理对车道线进行划分，从而得到所需的车道线。
6、但是，在车道线部分被行驶车辆遮挡的情况下，采用上述三类车道线检测技术时，由于缺失被遮挡部分的车道线信息，导致其车道线检测精度较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种检测精度高、鲁棒性强的车道线检测方法、装置、计算机设备、计算机可读存储介质。
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、获取待检测的车道线图像，将所述车道线图像输入至车
4、通过所述车道线检测模型根据所述车道线图像提取得到对应的目标车道线特征图，并基于所述目标车道线特征图与训练样本特征之间的相似度，生成车道线全局信息，所述训练样本特征是基于有向的关键点热力图以及有向的中心点热力图生成的，所述有向的关键点热力图用于标识训练样本中的样本关键点在对应的关键点方向上的概率分布情况，所述有向的中心点热力图用于标识所述训练样本中的样本中心点在对应的中心点方向上的概率分布情况；
5、基于所述车道线全局信息融合得到车道线关键点；
6、根据所述车道线关键点，确定所述车道线图像中的车道线。
7、在其中一个实施例中，所述车道线检测模型包括特征提取网络块、特征融合网络块以及检测头；
8、所述通过所述车道线检测模型根据所述车道线图像提取得到对应的目标车道线特征图，并基于所述目标车道线特征图与训练样本特征之间的相似度，生成车道线全局信息，包括：
9、通过所述特征提取网络块对所述车道线图像进行特征提取处理，得到多个不同尺度的车道线特征图；
10、通过所述特征融合网络块对多个所述不同尺度的车道线特征图进行特征融合处理，得到所述目标车道线特征图；
11、通过所述检测头根据所述目标车道线特征图与所述训练样本特征之间的相似度，生成所述车道线全局信息。
12、在其中一个实施例中，所述车道线全局信息包括所述车道线中心点热力图、车道线关键点热力图、车道线关键点相对于车道线中心点的预测偏移量以及所述车道线关键点的回归偏移量；
13、相应的，所述检测头包括生成所述车道线中心点热力图的中心点检测头、生成所述车道线关键点热力图的关键点检测头、生成所述预测偏移量的预测偏移检测头以及生成所述回归偏移量的回归偏移检测头；
14、所述通过所述检测头根据所述目标车道线特征图与所述训练样本特征之间的相似度，生成所述车道线全局信息，包括：
15、通过所述中心点检测头根据所述目标车道线特征图与所述有向的中心点热力图之间的相似度，生成所述车道线中心点热力图；
16、通过所述关键点检测头根据所述目标车道线特征图与所述有向的关键点热力图之间的相似度，生成所述车道线关键点热力图；
17、通过所述预测偏移检测头根据所述目标车道线特征图以及所述样本关键点相对于所述样本中心点的偏移量，生成所述车道线中心点和所述车道线关键点之间的连接矩阵，并根据所述连接矩阵确定所述预测偏移量；
18、通过所述回归偏移检测头根据所述目标车道线特征图以及所述样本关键点对应的损失函数，生成所述回归偏移量。
19、在其中一个实施例中，所述基于所述车道线全局信息融合得到车道线关键点，包括：
20、从所述车道线中心点热力图中，选取出属于所述车道线中心点的概率大于预设阈值的位置作为所述车道线中心点所在的位置；
21、根据所述车道线中心点的位置以及与所述车道线中心点的位置对应的预测偏移量，确定与所述车道线中心点的位置对应的关键点偏移位置；
22、从位于所述关键点偏移位置的预设范围内的若干个预测关键点位置中，根据每个所述预测关键点位置在所述车道线关键点热力图中对应的属于所述车道线关键点的概率，确定出关键点预测位置；
23、根据与所述关键点预测位置对应的回归偏移量，对所述关键点预测位置进行偏移补偿，得到所述车道线关键点。
24、在其中一个实施例中，所述有向的中心点热力图的生成方式，包括：
25、获取距离所述样本中心点在预设范围内的多个所述样本关键点；
26、利用多个所述样本关键点之间的连线与水平方向之间的夹角，确定所述样本中心点对应的中心点方向；
27、利用所述样本中心点所在的位置作为高斯分布函数的峰值点所在的位置，结合所述样本中心点对应的中心点方向，生成所述有向的中心点热力图。
28、在其中一个实施例中，所述有向的关键点热力图的生成方式，包括：
29、获取距离所述样本关键点在预设范围内的另一样本关键点；
30、利用所述样本关键点与所述另一样本关键点之间的连线与水平方向之间的夹角，确定与所述样本关键点对应的关键点方向；
31、利用所述样本关键点所在的位置作为高斯分布函数的峰值点所在的位置，结合所述样本关键点对应的关键点方向，生成所述有向的关键点热力图。
32、在其中一个实施例中，所述通过所述特征提取网络块对所述车道线图像进行特征提取处理，得到多个不同尺度的车道线特征图，包括：
33、通过所述特征提取网络块对所述车道线图像进行深度可分离卷积处理，得到多个不同尺度的车道线特征图；
34、通过所述特征提取网络块根据预设的注意力权重对每个所述车道线特征图进行加权处理，得到多个不同尺度下加权后的车道线特征图。
35、在其中一个实施例中，所述通过所述特征融合网络块对多个所述不同尺度的车道线特征图进行特征融合处理，得到所述目标车道线特征图，包括：
36、通过所述特征融合网络块根据多个不同尺度下的所述车道线特征图构建特征金字塔，对所述特征金字塔进行上采样融合处理得到所述目标车道线特征图。
37、在其中一个实施例中，所述根据所述车道线关键点，确定所述车道线图像中的车道线，包括：
38、根据所述车道线关键点连本文档来自技高网...
【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，所述车道线检测模型包括特征提取网络块、特征融合网络块以及检测头；
3.根据权利要求2所述的方法，其特征在于，所述车道线全局信息包括车道线中心点热力图、车道线关键点热力图、车道线关键点相对于车道线中心点的预测偏移量以及所述车道线关键点的回归偏移量；
4.根据权利要求3所述的方法，其特征在于，所述基于所述车道线全局信息融合得到车道线关键点，包括：
5.根据权利要求1所述的方法，其特征在于，所述有向的中心点热力图的生成方式，包括：
6.根据权利要求1所述的方法，其特征在于，所述有向的关键点热力图的生成方式，包括：
7.一种车道线检测装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述车道线检测模型包括特征提取网络块、特征融合网络块以及检测头；
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6中
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6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，所述车道线检测模型包括特征提取网络块、特征融合网络块以及检测头；
3.根据权利要求2所述的方法，其特征在于，所述车道线全局信息包括车道线中心点热力图、车道线关键点热力图、车道线关键点相对于车道线中心点的预测偏移量以及所述车道线关键点的回归偏移量；
4.根据权利要求3所述的方法，其特征在于，所述基于所述车道线全局信息融合得到车道线关键点，包括：
5.根据权利要求1所述的方法，其特征在于，所述有向的中心点热力图的生成方式，包括：
...
【专利技术属性】
技术研发人员：张晓飞，张振林，陈胤子，
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。