CN111310737A - 一种车道线检测方法及装置 - Google Patents

Abstract

本申请实施例公开了一种车道线检测方法及装置。本申请实施例方法包括：车道线检测装置获取样本图像；所述车道线检测装置对所述样本图像中的样本车道线进行标注得到标注结果；所述车道线检测装置根据所述标注结果进行训练得到所述样本车道线的参数集合；所述车道线检测装置根据所述参数集合进行模型训练得到检测模型；所述车道线检测装置将目标图像输入所述检测模型进行识别得到所述目标图像中的目标车道线信息。本申请实施例中的车道线检测方法和装置可以提高车道线检测的准确性。

Description

一种车道线检测方法及装置

技术领域

本申请实施例涉及数据处理领域，尤其涉及一种车道线检测方法及装置。

背景技术

在将来的智能驾驶场景中，车辆需要对行驶环境进行扫描，获取到道路信息之后，才可以为智能驾驶提供足够的参数。

车道线是道路信息的重要参数，车道线检测是现在的热点技术，可以为智能交通中交通违法判定、无人驾驶、高级辅助驾驶等领域提供支持。

目前的车道线检测主要采用图像识别的方法，通过图像处理技术，通过亮度、灰度、边缘检测、霍夫变换等方法，先将图像中所有符合车道线的直线、曲线信息提取出来，通过先验逻辑将不符合车道线的边缘、线条过滤掉，提取出车道线信息。

但是，这类方法的鲁棒性不高，对光照、阴影、噪声、复杂路面等因素敏感，算法准确率较低，满足不了实际应用的要求。

发明内容

本申请实施例提供了一种车道线检测方法及装置，能够提高车道线检测的准确度。

本申请实施例中的车道线检测方法，包括：

车道线检测装置获取样本图像；

所述车道线检测装置对所述样本图像中的样本车道线进行标注得到标注结果；

所述车道线检测装置根据所述标注结果进行训练得到所述样本车道线的参数集合；

所述车道线检测装置根据所述参数集合进行模型训练得到检测模型；

所述车道线检测装置将目标图像输入所述检测模型进行识别以确定所述目标图像中的目标车道线。

可选地，所述车道线检测装置将目标图像输入所述检测模型进行识别以确定所述目标图像中的目标车道线包括：

所述车道线检测装置将目标图像输入所述检测模型进行识别以确定若干候选车道线；

所述车道线检测装置对所述候选车道线进行相似性融合和去重得到所述目标车道线。

可选地，所述车道线检测装置对所述样本图像中的车道线进行标注得到标注结果包括：

所述车道线检测装置通过标注工具对所述样本车道线进行标注得到第一参考点P₁(x₁,y₁)，以及第二参考点P₂(x₂,y₂)。

可选地，所述参数集合包括所述样本车道线的中点center_(x,y)，角度θ以及长度len；

所述车道线检测装置根据所述标注结果进行训练得到所述样本车道线的参数集合包括：

通过如下公式计算所述center_(x,y)：

通过如下公式计算所述θ：

通过如下公式计算所述len：

len＝(x₂-x₁)²+(y₂-y₁)²；

所述θ用于表示所述样本车道线与所述样本图像X轴之间的夹角。

可选地，所述参数集合还包括：已标注的车道线类别以及已标注的车道线置信度。

可选地，所述车道线检测装置根据所述参数集合进行模型训练得到检测模型包括：

所述车道线检测装置将所述参数集合输入LOSS函数进行模型训练得到检测模型。

可选地，所述检测模型包括如下检测参数：坐标的LOSS值L_x,y、角度的LOSS值L_θ、长度的LOSS值L_len、车道线类别预测的LOSS值L_cls、车道线置信度预测的LOSS值L_conf以及全局的LOSS值L_all；

所述车道线检测装置将所述参数集合输入LOSS函数进行模型训练得到检测模型包括：

通过如下公式计算L_x,y、L_θ、L_len、L_cls、L_conf以及L_all：

L_all＝λ₁L_x,y+λ₂L_θ+λ₃L_len+λ₄L_conf+λ₅L_cls；

其中，predict_x,y，truth_x,y为预测和标注的车道线中点坐标相对于图像原始尺寸的归一化值，取值范围[0,1]；

predict_θ，truth_θ为预测和标注的车道线旋转角的归一化值，取值范围[0,1]；

predict_len，truth_len为预测和标注的车道线长度相对于图像原始尺寸的归一化值，取值范围[0,1]；

predict_cls表示预测的车道线的属于某一类别的概率，truth_cls表示该车道线的真实类别，m为车道线的类别总数；

predict_conf表示某处预测的车道线的置信度，对于有标注的区域，truth_conf恒为1，无标注的区域，truth_conf恒为0；

λ₁至λ₅为权重参数；

n为参与训练的样本图像的总数。

可选地，所述车道线检测装置根据所述参数集合进行模型训练得到检测模型包括：

所述车道线检测装置根据多个样本图片的参数集合进行模型训练；

当模型训练结果收敛时，输出所述检测模型。

本申请实施例提供的车道线检测装置，包括：

获取单元，用于获取样本图像；

标注单元，用于对所述样本图像中的样本车道线进行标注得到标注结果；

第一训练单元，用于根据所述标注结果进行训练得到所述样本车道线的参数集合；

第二训练单元，用于根据所述参数集合进行模型训练得到检测模型；

识别单元，用于将目标图像输入所述检测模型进行识别以确定所述目标图像中的目标车道线。

可选地，所述识别单元包括：

候选识别模块，用于将目标图像输入所述检测模型进行识别以确定若干候选车道线；

相似处理模块，用于对所述候选车道线进行相似性融合和去重得到所述目标车道线。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例的技术方案中，车道线检测装置可以获取一些样本图像进行标注和分析，再根据标注和分析的结果进行训练得到检测模型，然后才会使用该检测模型对目标图像进行车道线的检测，所以车道线检测装置可以根据样本图像进行深度学习积累不同图像之间的共性，相比于仅仅依靠对目标图像进行图像识别的方式而言，可以有效的提高车道线检测的准确度。

附图说明

图1为本申请实施例中网络框架示意图；

图2为本申请实施例中车道线检测方法一个实施例示意图；

图3为本申请实施例中车道线检测方法另一实施例示意图；

图4为本申请实施例中车道线检测方法另一实施例示意图；

图5为本申请实施例中车道线检测装置一个实施例示意图；

图6为本申请实施例中车道线检测装置另一实施例示意图。

具体实施方式

本申请实施例提供了一种车道线检测方法及装置，能够提高车道线检测的准确度。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

请参阅图1，本申请实施例的技术方案可以基于VGG、RESNET、MobileNet等主流卷积神经网络模型，将上述网络结构作为骨干网络，在其之后设计了一层车道线检测层，该层能够快速有效的对图像中的车道线的中点、角度(与图像x轴的夹角)、长度、类别、置信度进行回归和预测。

具体的，该车道线检测层的具体实现可以为“(Conv+Bn+Relu)*5”，即“(卷积+批标准化+线性修正)*5”。

请参阅图2，本申请实施例中，车道线检测方法一个实施例包括：

201、车道线检测装置获取样本图像；

本实施例中，车道线检测装置可以获取样本图像，这些样本图像用来进行训练得到检测模型。

需要说明的是，该车道线检测装置可以为独立配置的一个计算设备，也可以为集成与某个计算设备上的功能实体，具体实现形式此处不做限定。

本实施例中的样本图像可以是车道线检测装置从预置的图像库中获取得到，也可以是由操作人员将样本图像输入车道线检测装置中。

202、车道线检测装置对样本图像中的样本车道线进行标注得到标注结果；

本实施例中，车道线检测装置获取到样本图像之后，可以通过labelme或其它标注工具对样本图像中的每一条样本车道线进行标注，得到第一参考点P₁(x₁,y₁)，以及第二参考点P₂(x₂,y₂)，完整的标注表示形式抽象为(P₁,P₂,q)，每一张图片对应一个同名label文件。

203、车道线检测装置根据标注结果进行训练得到样本车道线的参数集合；

车道线检测装置对样本车道线进行标注得到标注结果之后，可以根据标注结果进行训练得到样本车道线的参数集合，该参数集合用以表示样本车道线的各种属性参数。

204、车道线检测装置根据参数集合进行模型训练得到检测模型；

车道线检测装置可以根据训练得到的参数集合进行模型训练得到检测模型，训练的目的是让“预测参数”无限逼近步骤202中标注的“真实参数”。

205、车道线检测装置将目标图像输入检测模型进行识别以确定目标图像中的目标车道线。

检测模型训练完成后，即可以将目标图像输入该检测模型进行识别，从而确定目标图像中的目标车道线。

本实施例中，车道线检测装置可以获取一些样本图像进行标注和分析，再根据标注和分析的结果进行训练得到检测模型，然后才会使用该检测模型对目标图像进行车道线的检测，所以车道线检测装置可以根据样本图像进行深度学习积累不同图像之间的共性，相比于仅仅依靠对目标图像进行图像识别的方式而言，可以有效的提高车道线检测的准确度。

本实施例中的车道线检测方法从逻辑流程上来看，主要分为标注、训练和推理几个阶段，下面以具体的实现方式对本申请实施例中的车道线检测方法进行详细描述，请参阅图3以及图4，本申请实施例中，车道线检测方法另一实施例包括：

301、车道线检测装置获取样本图像；

本实施例中，车道线检测装置可以获取样本图像，这些样本图像用来进行训练得到检测模型。

需要说明的是，该车道线检测装置可以为独立配置的一个计算设备，也可以为集成与某个计算设备上的功能实体，具体实现形式此处不做限定。

本实施例中的样本图像可以是车道线检测装置从预置的图像库中获取得到，也可以是由操作人员将样本图像输入车道线检测装置中。

302、车道线检测装置对样本图像中的样本车道线进行标注得到标注结果；

本实施例中，车道线检测装置获取到样本图像之后，可以通过labelme或其它标注工具对样本图像中的每一条样本车道线进行标注，该步骤302即为标注阶段的步骤。

本实施例中，对每一条样本车道线进行标注后，得到第一参考点P₁(x₁,y₁)，以及第二参考点P₂(x₂,y₂)，完整的标注表示形式抽象为(P₁,P₂,q)，每一张图片对应一个同名label文件。

303、车道线检测装置根据标注结果进行训练得到样本车道线的参数集合；

车道线检测装置对样本车道线进行标注得到标注结果之后，可以根据标注结果进行训练得到样本车道线的参数集合，该参数集合用以表示样本车道线的各种属性参数。

本实施例中的参数集合可以包括：样本车道线的中点center_(x,y)，角度θ以及长度len，还可以进一步包括已标注的车道线类别以及已标注的车道线置信度。

具体参数的获取方式如下：

通过如下公式计算center_(x,y)：

通过如下公式计算θ：

通过如下公式计算len：

len＝(x₂-x₁)²+(y₂-y₁)²；

θ用于表示样本车道线与样本图像X轴之间的夹角。

已标注的车道线类别可以是车道线检测装置经过操作人员的确认后自行为车道线标注的类别，或者是由操作人员为车道线标注的类别。

已标注的车道线置信度可以是车道线检测装置经过操作人员的确认后自行为车道线标注的置信度，或者是由操作人员为车道线标注的置信度，由于经过了操作人员的确认，所以该置信度为1。

304、车道线检测装置根据参数集合进行模型训练得到检测模型；

车道线检测装置可以根据训练得到的参数集合进行模型训练得到检测模型，训练的目的是让“预测参数”无限逼近步骤302中标注的“真实参数”。

该步骤303至304即为训练阶段的步骤。

可以参阅图1，骨干网络(Backbone)可由主流的VGG、RESNET、MobileNet等卷积神经网络模型构成，在其后部接入车道线检测层，通过输出s*s*p的张量，对图片中的车道线的中点(x,y)、角度(theta)、长度(length)、类别(cls)、置信度(conf)进行回归和预测。

其中s为图像经过Backbone和之后的卷积层后的feature map的尺寸，p为featuremap的输出通道数，p＝x+y+theta+length+conf+cls。

具体的，本实施例中，车道线检测装置将参数集合输入LOSS函数进行模型训练得到检测模型。

检测模型包括如下检测参数：坐标的LOSS值L_x,y、角度的LOSS值L_θ、长度的LOSS值L_len、车道线类别预测的LOSS值L_cls、车道线置信度预测的LOSS值L_conf以及全局的LOSS值L_all；

各参数的计算方式如下：

L_all＝λ₁L_x,y+λ₂L_θ+λ₃L_len+λ₄L_conf+λ₅L_cls；

其中，predict_x,y，truth_x,y为预测和标注的车道线中点坐标相对于图像原始尺寸的归一化值，取值范围[0,1]；

predict_θ，truth_θ为预测和标注的车道线旋转角的归一化值，取值范围[0,1]；

predict_len，truth_len为预测和标注的车道线长度相对于图像原始尺寸的归一化值，取值范围[0,1]；

predict_cls表示预测的车道线的属于某一类别的概率，truth_cls表示该车道线的真实类别，m为车道线的类别总数；

predict_conf表示某处预测的车道线的置信度，对于有标注的区域，truth_conf恒为1，无标注的区域，truth_conf恒为0；

λ₁至λ₅为权重参数；

n为参与训练的样本图像的总数。

λ₁至λ₅为权重参数，调整的依据是观察实际训练时的LOSS分量和在测试集中的效果.

具体需要分析哪个分量(坐标的LOSS值L_x,y、角度的LOSS值L_θ、长度的LOSS值L_len、车道线类别预测的LOSS值L_cls以及车道线置信度预测的LOSS值L_conf中的一个或多个)收敛的较慢，那么就说明该分量在测试集中表现有待优化，则可以将该分量的λ数值适当调高，但由于每一个分量之间都是相互关联的，所以需要反复的调整λ数值，以尽可能使检测模型达到最优的检测效果。

305、判断训练结果是否收敛，若是，则执行步骤306，若否，则重复执行前述步骤301至304；

本实施例中，在训练检测模型后，可以判断训练结果是否收敛，若已收敛，则说明该检测模型已较优，可以进一步执行步骤306，若未收敛，则说明该检测模型还需要进一步优化，此时则可以重复执行步骤301至304，即重新增加样本图像对检测模型进行训练。

306、车道线检测装置将目标图像输入检测模型进行识别以确定若干候选车道线；

本实施例中，若检测模型已较优，则车道线检测装置可以将需要进行车道线识别的目标图像输入该检测模型进行识别以确定若干候选车道线。

需要说明的是，在反复执行前述步骤301至304的过程中，可以通过反复尝试确定权重参数λ₁至λ₅，此时，可以将这些权重参数代入检测模型中，用以确定若干候选车道线。

307、车道线检测装置对候选车道线进行相似性融合和去重得到目标车道线。

本实施例中，车道线检测装置确定得到若干候选车道线之后，为避免重复信息对车道线检测的影响，可以对候选车道线进行相似性融合和去重得到目标车道线。

该步骤306至307即为推理阶段的步骤。

本实施例中，车道线检测装置可以获取一些样本图像进行标注和分析，再根据标注和分析的结果进行训练得到检测模型，然后才会使用该检测模型对目标图像进行车道线的检测，所以车道线检测装置可以根据样本图像进行深度学习积累不同图像之间的共性，相比于仅仅依靠对目标图像进行图像识别的方式而言，可以有效的提高车道线检测的准确度；

其次，本实施例中，在标注车道线时，仅需要使用两个点表示一条车道线，所以减少了标注的工作量；

再次，本实施例中，可以进行实时检测，同时，算法应用简单，通过回归的方法直接得到车道线的数学表达式，省去了诸如语义分割等方法，所以提升了算法的精度。

上面对本申请实施例中的车道线检测方法进行了描述，下面对本申请实施例中的车道线检测装置进行描述，请参阅图5，本申请实施例中的一个车道线检测装置实施例包括：

获取单元501，用于获取样本图像；

标注单元502，用于对样本图像中的样本车道线进行标注得到标注结果；

第一训练单元503，用于根据标注结果进行训练得到样本车道线的参数集合；

第二训练单元504，用于根据参数集合进行模型训练得到检测模型；

识别单元505，用于将目标图像输入检测模型进行识别以确定目标图像中的目标车道线。

本实施例中，获取单元501可以获取一些样本图像，标注单元502和第一训练单元503可以进行标注和分析，第二训练单元504再根据标注和分析的结果进行训练得到检测模型，然后识别单元505才会使用该检测模型对目标图像进行车道线的检测，所以车道线检测装置可以根据样本图像进行深度学习积累不同图像之间的共性，相比于仅仅依靠对目标图像进行图像识别的方式而言，可以有效的提高车道线检测的准确度。

请参阅图6，本申请实施例中的另一车道线检测装置实施例包括：

获取单元601，用于获取样本图像；

标注单元602，用于对样本图像中的样本车道线进行标注得到标注结果；

第一训练单元603，用于根据标注结果进行训练得到样本车道线的参数集合；

第二训练单元604，用于根据参数集合进行模型训练得到检测模型；

识别单元605，用于将目标图像输入检测模型进行识别以确定目标图像中的目标车道线。

其中，第二训练单元604包括：

训练模块6041，用于根据多个样本图片的参数集合进行模型训练；

收敛判断模块6042，用于判断模型训练结果收敛，若收敛，则指示训练模块6041输出检测模型，若未收敛，则指示获取单元601、标注单元602、第一训练单元603以及第二训练单元604中的训练模块6041重复执行相应操作。

其中，识别单元605包括：

候选识别模块6051，用于将目标图像输入检测模型进行识别以确定若干候选车道线；

相似处理模块6052，用于对候选车道线进行相似性融合和去重得到目标车道线。

本实施例中，标注单元602可以通过标注工具对样本车道线进行标注得到第一参考点P₁(x₁,y₁)，以及第二参考点P₂(x₂,y₂)。

第一训练单元603可以按照如下方式计算参数集合(样本车道线的中点center_(x,y)，角度θ以及长度len)：

len＝(x₂-x₁)²+(y₂-y₁)²；

θ用于表示样本车道线与样本图像X轴之间的夹角。

需要说明的是，该参数集合还可以进一步包括：已标注的车道线类别以及已标注的车道线置信度。

已标注的车道线类别可以是车道线检测装置经过操作人员的确认后自行为车道线标注的类别，或者是由操作人员为车道线标注的类别。

已标注的车道线置信度可以是车道线检测装置经过操作人员的确认后自行为车道线标注的置信度，或者是由操作人员为车道线标注的置信度，由于经过了操作人员的确认，所以该置信度为1。

第二训练单元604中的训练模块6041可以根据参数集合进行模型训练得到检测模型。

具体的，检测模型包括如下检测参数：坐标的LOSS值L_x,y、角度的LOSS值L_θ、长度的LOSS值L_len、车道线类别预测的LOSS值L_cls、车道线置信度预测的LOSS值L_conf以及全局的LOSS值L_all；

各参数的计算方式如下：

L_all＝λ₁L_x,y+λ₂L_θ+λ₃L_len+λ₄L_conf+λ₅L_cls；

其中，predict_x,y，truth_x,y为预测和标注的车道线中点坐标相对于图像原始尺寸的归一化值，取值范围[0,1]；

predict_θ，truth_θ为预测和标注的车道线旋转角的归一化值，取值范围[0,1]；

predict_len，truth_len为预测和标注的车道线长度相对于图像原始尺寸的归一化值，取值范围[0,1]；

predict_cls表示预测的车道线的属于某一类别的概率，truth_cls表示该车道线的真实类别，m为车道线的类别总数；

predict_conf表示某处预测的车道线的置信度，对于有标注的区域，truth_conf恒为1，无标注的区域，truth_conf恒为0；

λ₁至λ₅为权重参数；

n为参与训练的样本图像的总数。

λ₁至λ₅为权重参数，调整的依据是观察实际训练时的LOSS分量和在测试集中的效果.

具体需要分析哪个分量(坐标的LOSS值L_x,y、角度的LOSS值L_θ、长度的LOSS值L_len、车道线类别预测的LOSS值L_cls以及车道线置信度预测的LOSS值L_conf中的一个或多个)收敛的较慢，那么就说明该分量在测试集中表现有待优化，则可以将该分量的λ数值适当调高，但由于每一个分量之间都是相互关联的，所以需要反复的调整λ数值，以尽可能使检测模型达到最优的检测效果。

本实施例中，车道线检测装置中各单元以及模块的功能与前述图3所示实施例中描述的各步骤相对应，此处不再赘述。

本实施例中，获取单元601可以获取一些样本图像，标注单元602和第一训练单元603可以进行标注和分析，第二训练单元604再根据标注和分析的结果进行训练得到检测模型，然后识别单元605才会使用该检测模型对目标图像进行车道线的检测，所以车道线检测装置可以根据样本图像进行深度学习积累不同图像之间的共性，相比于仅仅依靠对目标图像进行图像识别的方式而言，可以有效的提高车道线检测的准确度；

其次，本实施例中，标注单元602在标注车道线时，仅需要使用两个点表示一条车道线，所以减少了标注的工作量；

再次，本实施例中，车道线检测装置可以进行实时检测，同时，算法应用简单，通过回归的方法直接得到车道线的数学表达式，省去了诸如语义分割等方法，所以提升了算法的精度。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例中方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种车道线检测方法，其特征在于，包括：

车道线检测装置获取样本图像；

所述车道线检测装置对所述样本图像中的样本车道线进行标注得到标注结果；

所述车道线检测装置根据所述标注结果进行训练得到所述样本车道线的参数集合；

所述车道线检测装置根据所述参数集合进行模型训练得到检测模型；

所述车道线检测装置将目标图像输入所述检测模型进行识别以确定所述目标图像中的目标车道线。

2.根据权利要求1所述的方法，其特征在于，所述车道线检测装置将目标图像输入所述检测模型进行识别以确定所述目标图像中的目标车道线包括：

所述车道线检测装置将目标图像输入所述检测模型进行识别以确定若干候选车道线；

所述车道线检测装置对所述候选车道线进行相似性融合和去重得到所述目标车道线。

3.根据权利要求1或2所述的方法，其特征在于，所述车道线检测装置对所述样本图像中的车道线进行标注得到标注结果包括：

所述车道线检测装置通过标注工具对所述样本车道线进行标注得到第一参考点P₁(x₁,y₁)，以及第二参考点P₂(x₂,y₂)。

4.根据权利要求3所述的方法，其特征在于，所述参数集合包括所述样本车道线的中点center_(x,y)，角度θ以及长度len；

所述车道线检测装置根据所述标注结果进行训练得到所述样本车道线的参数集合包括：

通过如下公式计算所述center_(x,y)：

通过如下公式计算所述θ：

通过如下公式计算所述len：

len＝(x₂-x₁)²+(y₂-y₁)²；

所述θ用于表示所述样本车道线与所述样本图像X轴之间的夹角。

5.根据权利要求4所述的方法，其特征在于，所述参数集合还包括：

已标注的车道线类别以及已标注的车道线置信度。

6.根据权利要求5所述的方法，其特征在于，所述车道线检测装置根据所述参数集合进行模型训练得到检测模型包括：

所述车道线检测装置将所述参数集合输入LOSS函数进行模型训练得到检测模型。

7.根据权利要求6所述的方法，其特征在于，所述检测模型包括如下检测参数：坐标的LOSS值L_x,y、角度的LOSS值L_θ、长度的LOSS值L_len、车道线类别预测的LOSS值L_cls、车道线置信度预测的LOSS值L_conf以及全局的LOSS值L_all；

所述车道线检测装置将所述参数集合输入LOSS函数进行模型训练得到检测模型包括：

通过如下公式计算L_x,y、L_θ、L_len、L_cls、L_conf以及L_all：

L_all＝λ₁L_x，y+λ₂L_θ+λ₃L_len+λ₄L_conf+λ₅L_cls；

其中，predict_x,y，truth_x,y为预测和标注的车道线中点坐标相对于图像原始尺寸的归一化值，取值范围[0,1]；

predict_θ，truth_θ为预测和标注的车道线旋转角的归一化值，取值范围[0,1]；

predict_len，truth_len为预测和标注的车道线长度相对于图像原始尺寸的归一化值，取值范围[0,1]；

predict_cls表示预测的车道线的属于某一类别的概率，truth_cls表示该车道线的真实类别，m为车道线的类别总数；

predict_conf表示某处预测的车道线的置信度，对于有标注的区域，truth_conf恒为1，无标注的区域，truth_conf恒为0；

λ₁至λ₅为权重参数；

n为参与训练的样本图像的总数。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述车道线检测装置根据所述参数集合进行模型训练得到检测模型包括：

所述车道线检测装置根据多个样本图片的参数集合进行模型训练；

当模型训练结果收敛时，输出所述检测模型。

9.一种车道线检测装置，其特征在于，包括：

获取单元，用于获取样本图像；

标注单元，用于对所述样本图像中的样本车道线进行标注得到标注结果；

第一训练单元，用于根据所述标注结果进行训练得到所述样本车道线的参数集合；

第二训练单元，用于根据所述参数集合进行模型训练得到检测模型；

识别单元，用于将目标图像输入所述检测模型进行识别以确定所述目标图像中的目标车道线。

10.根据权利要求9所述的车道线检测装置，其特征在于，所述识别单元包括：

候选识别模块，用于将目标图像输入所述检测模型进行识别以确定若干候选车道线；

相似处理模块，用于对所述候选车道线进行相似性融合和去重得到所述目标车道线。

Images