CN111539401A - 基于人工智能的车道线检测方法、装置、终端及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，提供一种基于人工智能的车道线检测方法、装置、终端及存储介质，包括：将标注车道线区域的历史车道线图像输入神经网络中进行迭代训练；获取当次迭代结束时每个神经元输出的权值参数；采用广义归一化模型

对每个神经元输出的权值参数进行广义归一化得到新的权值参数并作为当次迭代结果，

为权值参数，

为

的各阶上的维度总和，

为平衡系数，

为新的权值参数；根据当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型；利用车道线检测模型检测待测车道线图像中的车道线。本发明能够应用于智慧交通领域，提高车道线图像中车道线的分割准确率。

Description

基于人工智能的车道线检测方法、装置、终端及存储介质

技术领域

本发明涉及人工智能中的深度学习技术领域，具体涉及一种基于人工智能的车道线检测方法、装置、终端及存储介质。

背景技术

实例分割是人工智能领域中和计算机视觉任务中非常重要的一种。在交通领域中，车道线由于其特征不明显，位置精度需求较高，其检测更加依赖于实例分割技术来完成。现有的基于实例分割技术的车道线检测技术在公开数据集上的测试精度可高达96%以上，然而在真实的数据上的表现一般，车道线检测结果准确率较低，鲁棒性差。

原因在于，现有实例分割忽视了检测过程与分割过程的内在关联，使用卷积下采样技术提取了图像特征后，又使用了一组参数来训练用于对特征的分割，最终将在特征图上的分割映射回到原图像。因此造成了参数冗余，导致实例分割在空间上的不必要扩张，成为模型鲁棒性低的一大原因。

发明内容

鉴于以上内容，有必要提出一种基于人工智能的车道线检测方法、装置、终端及存储介质，能够提高分割车道线图像中的车道线的准确率。

本发明的第一方面提供一种基于人工智能的车道线检测方法，所述基于人工智能的车道线检测方法包括：

获取多张历史车道线图像；

标注每张历史车道线图像中的车道线区域；

将标注所述车道线区域的历史车道线图像输入神经网络中进行迭代训练；

获取当次迭代结束时所述神经网络中的每个神经元输出的权值参数；

采用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果，所述广义归一化模型为

，其中，

为权值参数，

为

的各阶上的维度总和，

为平衡系数，

为新的权值参数；

根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型；

利用所述车道线检测模型检测待测车道线图像中的车道线。

根据本发明的一个可选的实施例，所述基于人工智能的车道线检测方法还包括：

预先定义第一平衡参数范围和第二平衡参数范围；

获取所述多张历史车道线图像的数量；

判断所述数量是否大于预设数量阈值；

当所述数量大于所述预设数量阈值，从所述第一平衡参数范围中随机选取一个数作为最终的平衡参数；

当所述数量小于或者等于所述预设数量阈值，从所述第二平衡参数范围中随机选取一个数作为最终的平衡参数。

根据本发明的一个可选的实施例，所述根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型包括：

获取每次迭代结束时所述神经网络预测的每张历史车道线图像中的车道线区域；

计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率；

当所述误差率低于预设误差率阈值时，确定满足训练结束条件得到车道线检测模型，并将所述车道线检测模型存储于区块链节点中；

当所述误差率高于所述预设误差率阈值时，通过反向传播算法根据所述误差率继续训练所述神经网络直至当所述误差率低于所述预设误差率阈值时，结束对所述神经网络的训练。

根据本发明的一个可选的实施例，所述计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率包括：

计算所述标注的历史车道线图像中的车道线区域在所述历史车道线图像中的第一面积；

确定所述神经网络预测的历史车道线图像中的车道线区域与所述标注的历史车道线图像中的车道线区域的重合区域；

计算所述重合区域在所述历史车道线图像中的第二面积；

根据所述第二面积与所述第一面积的比值确定误差率。

根据本发明的一个可选的实施例，所述利用所述车道线检测模型检测待测车道线图像中的车道线包括：

输入所述待测车道线图像至所述车道线检测模型中进行检测；

获取所述车道线检测模型检测出的包含车道线的目标图像。

根据本发明的一个可选的实施例，所述获取多张历史车道线图像包括：

获取车载惯导视觉系统采集的多张历史道路前景图像；

定义多个目标坐标点；

在每张历史道路前景图像中选取多个原始坐标点；

根据所述多个目标坐标点及所述多个原始坐标点计算变换矩阵；

采用所述变换矩阵对对应的历史道路前景图像进行透视变换得到历史车道线图像。

根据本发明的一个可选的实施例，在所述获取多张历史车道线图像之后，所述基于人工智能的车道线检测方法还包括：

对所述多张历史车道线进行灰度处理及尺寸归一化处理。

本发明的第二方面提供一种基于人工智能的车道线检测装置，所述基于人工智能的车道线检测装置包括：

图像获取模块，用于获取多张历史车道线图像；

车道线标注模块，用于标注每张历史车道线图像中的车道线区域；

迭代训练模块，用于将标注所述车道线区域的历史车道线图像输入神经网络中进行迭代训练；

权值获取模块，用于获取当次迭代结束时所述神经网络中的每个神经元输出的权值参数；

归一化模块，用于采用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果，所述广义归一化模型为

，其中，

为权值参数，

为

的各阶上的维度总和，

为平衡系数，

为新的权值参数；

所述迭代训练模块，还用于根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型；

车道线检测模块，用于利用所述车道线检测模型检测待测车道线图像中的车道线。

本发明的第三方面提供一种终端，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述基于人工智能的车道线检测方法。

本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质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所述基于人工智能的车道线检测方法。

综上所述，本发明所述的基于人工智能的车道线检测方法、装置、终端及存储介质，基于多张历史车道线图像迭代训练车道线检测模型时，能够在每次迭代结束时利用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果，并根据当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型。由于上述广义归一化模型将车道线检测模型的泛化能力和拟合能力综合考虑，因而训练出的车道线检测模型不仅能够快速的收敛，且能够应用到真实场景中对车道线进行检测，提高了车道线检测的准确率。

附图说明

图1是本发明实施例一提供的基于人工智能的车道线检测方法的流程图。

图2是本发明实施例二提供的基于人工智能的车道线检测装置的结构图。

图3是本发明实施例三提供的终端的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

图1是本发明实施例一提供的基于人工智能的车道线检测方法的流程图。所述基于人工智能的车道线检测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，获取多张历史车道线图像。

终端获取多张历史车道线图像用于训练车道线检测模型。可以利用爬虫工具从互联网上爬取多张历史车道线图像，也可以从交通管理平台上获取多张历史车道线图像，还可以从开源的数据库中获取多张历史车道线图像。

在一个可选的实施例中，所述获取多张历史车道线图像包括：

获取车载惯导视觉系统采集的多张历史道路前景图像；

定义多个目标坐标点；

在每张历史道路前景图像中选取多个原始坐标点；

根据所述多个目标坐标点及所述多个原始坐标点计算变换矩阵；

采用所述变换矩阵对对应的历史道路前景图像进行透视变换得到历史车道线图像。

该可选的实施例中，相同路面上的车道线具有近似平行的特性，对道路前景图像进行透视变换能够消除透视效应，消除了道路周边环境和天空的干扰，只保留历史车道线图像中感兴趣的路面车道信息，减小了复杂背景的计算量，便于后期的车道线的检测与分割。

在一个可选的实施例中，在所述获取多张历史车道线图像之后，所述方法还包括：

对所述多张历史车道线进行灰度处理及尺寸归一化处理。

该可选的实施例中，灰度处理和尺寸归一化处理能够加快训练车道线检测模型的收敛。

需要说明的是，如果终端对多张历史车道线图像进行灰度处理和尺寸归一化处理之后得到历史车道线灰度图像，后续所有的过程都将基于多张历史车道线灰度图像来进行，例如，标注每张历史车道线灰度图像等，从而基于多张历史车道线灰度图像训练车道线检测模型。

S12，标注每张历史车道线图像中的车道线区域。

终端可以提供标注工具，用户先利用标注工具将每张历史车道线图像中的车道线区域标注出来，人工能够精确的标注出每张车道线图像中的车道线区域，从而基于标注了车道线区域的历史车道线图像训练出的车道线检测模型的准确度更高。

S13，将标注所述车道线区域的历史车道线图像输入神经网络中进行迭代训练。

终端可以将标注所述车道线区域的历史车道线图像输入卷积神经网络中进行多次训练。

S14，获取当次迭代结束时所述神经网络中的每个神经元输出的权值参数。

终端在训练神经网络时，在每次迭代结束后，神经网络中的每个神经元都会输出一个权值参数。

S15，利用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果。

终端可以采用如下广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数：

，

其中，

为权值参数，是一个M阶的张量，

为

的各阶上的维度总和，

为平衡系数，取值为[0.01，0.05]，

为新的权值参数。

由于现有实例分割技术忽视了检测过程与分割过程的内在关联，使用卷积下采样技术提取了图像特征后，又使用了一组参数来训练用于对特征的分割，最终将在特征图上的分割映射回到原图像。因此造成了参数冗余，导致实例分割在空间上的不必要扩张，成为模型鲁棒性低的一大原因。

本发明通过对每次迭代过程中每个神经元输出的权值参数进行广义归一化得到新的权值参数，能够有效的避免参数冗余，避免实例分割在空间上的不必要扩张。

在一个可选的实施例中，在所述利用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果之前，所述方法还包括：

预先定义第一平衡参数范围和第二平衡参数范围；

获取所述多张历史车道线图像的数量；

判断所述数量是否大于预设数量阈值；

当所述数量大于所述预设数量阈值，从所述第一平衡参数范围中随机选取一个数作为最终的平衡参数；

当所述数量小于或者等于所述预设数量阈值，从所述第二平衡参数范围中随机选取一个数作为最终的平衡参数。

所述第一平衡参数范围可以为[0.01，0.025]，所述第二平衡参数范围可以为[0.025，0.05]。

该可选的实施例中，在采用上述广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数之前，先预先定义第一平衡参数范围和第二平衡参数范围，根据获取的多张历史车道线图像的数量确定选用哪一个平衡参数范围内的平衡参数。

平衡参数

越大，神经网络退化也会越快，则神经网络越难以收敛，平衡参数

越小，又起不到正则化的作用，导致拟合度不够。同样的，参与训练的历史车道线图像越多，神经网络收敛需要的时间也会越多；参与训练的历史车道线图像越少，又会导致神经网络过拟合，实际应用时检测效果不佳。根据车道线的数量确定平衡参数，能够有效的平衡收敛时间和泛化能力，提高训练车道线检测模型的时间的同时增强车道线检测模型的检测效果。

本实施例，当获取的历史车道线图像的数量较大（大于预设数量阈值）时，从所述第一平衡参数范围中随机选取一个数作为最终的平衡参数，从而选取一个较小的平衡参数范围，使得计算得到的新的权值参数较大，加快车道线检测模型的收敛速度。当获取的历史车道线图像的数量较小（小于或等于预设数量阈值）时，从所述第二平衡参数范围中随机选取一个数作为最终的平衡参数，从而选取一个较大的平衡参数范围，使得计算得到的新的权值参数较小，能够对参数趋于全0的情形得以保留兼容，保障了训练时的稳定性。需要说明的是，对每个神经元的权值参数进行广义归一化不包括偏置项，共享的参数不因所属不同神经元而重复使用。

使用N次方根代替

和

范数，能够避免深度学习中常见的高维度引发的维度灾难问题，原因在于，当参数维度升高时，

范数并不会明显偏离绝对值最大的分量，从而保证了参数值不会出现向

退化的现象；而在分母中加入平衡系数

，使得当对车道线检测模型进行优化时，能够对参数趋于全0的情形得以保留兼容。如此，不仅保障了训练时的稳定，还为神经网络中的任何无关特征向零退化提供了渠道，从而使得神经网络在训练过程中具有自主裁剪的功能，直接作用于参数模长，而不是在损失函数里增加惩罚项，相当于引入了竞争神经元网络模型。当同一组参数同时向更大绝对值调整时，参数模长会快速增长，最终增长更快的参数得到增长，增长慢的参数将被进一步抑制。

S16，根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型。

终端预先设置训练结束条件，使得在每一个迭代训练后，判断是否满足训练结束条件，当满足训练结束条件时，结束训练过程。

在一个可选的实施例中，所述根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型包括：

获取每次迭代结束时所述神经网络预测的每张历史车道线图像中的车道线区域；

计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率；

当所述误差率低于预设误差率阈值时，确定满足训练结束条件得到车道线检测模型；

当所述误差率高于所述预设误差率阈值时，通过反向传播算法根据所述误差率继续训练所述神经网络直至当所述误差率低于所述预设误差率阈值时，结束对所述神经网络的训练。

该可选的实施例中，通过计算出标注的历史车道线图像中的车道线区域与预测出的历史车道线图像中的车道线区域之间的误差率，根据误差率即可确定训练出的神经网络的预测结果是否正确，误差率越低表明预测结果越准确，误差率越高表明预测结果越不准确。

在一个可选的实施例中，所述计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率包括：

计算所述标注的历史车道线图像中的车道线区域在所述历史车道线图像中的第一面积；

确定所述神经网络预测的历史车道线图像中的车道线区域与所述标注的历史车道线图像中的车道线区域的重合区域；

计算所述重合区域在所述历史车道线图像中的第二面积；

根据所述第二面积与所述第一面积的比值确定误差率。

该可选的实施例中，重合区域越大，表明神经网络预测的历史车道线图像中的车道线区域越接近标注的历史车道线图像中的车道线区域，第二面积与第一面积的比值为重合区域与真实的车道线区域的重合度，那么误差率=1-第二面积与第一面积的比值。

S17，利用所述车道线检测模型检测待测车道线图像中的车道线。

终端可以离线训练车道线检测模型，在线调用所述车道线检测模型对每一个车道线图像进行车道线检测。

在一个可选的实施例中，所述利用所述车道线检测模型检测待测车道线图像中的车道线包括：

输入所述待测车道线图像至所述车道线检测模型中进行检测；

获取所述车道线检测模型检测出的包含车道线的目标图像。

该可选的实施例中，通过所述车道线检测模型对待测车道线图像进行车道线检测，能够得到准确率较高的车道线。

综上所述，本发明基于多张历史车道线图像迭代训练车道线检测模型时，能够在每次迭代结束时采用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果，并根据当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型。由于上述广义归一化模型将车道线检测模型的泛化能力和拟合能力综合考虑，因而训练出的车道线检测模型不仅能够快速的收敛，且能够应用到真实场景中对车道线进行检测，提高了车道线检测的准确率。

需要强调的是，为进一步保证车道线检测模型的私密和安全性，上述车道线检测模型还可以存储于一区块链的节点中。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，本发明还可用于智慧交通领域，通过本发明对车道线的自动且高准确度的检测，能够推动智慧城市的建设，推动无人驾驶车辆的发展与应用。本发明实施例的基于人工智能的车道线检测方法应用在终端中，也可以应用在终端和通过网络与所述终端进行连接的服务器所构成的硬件环境中，由服务器和终端共同执行。网络包括但不限于：广域网、城域网或局域网。

图2是本发明实施例二提供的基于人工智能的车道线检测装置的结构图。

在一些实施例中，所述基于人工智能的车道线检测装置20可以包括多个由计算机程序段所组成的功能模块。所述基于人工智能的车道线检测装置20中的各个程序段的计算机程序可以存储于终端的存储器中，并由至少一个处理器所执行，以执行（详见图1描述）基于人工智能的车道线检测的功能。

本实施例中，所述基于人工智能的车道线检测装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：图像获取模块201、图像处理模块202、车道线标注模块203、迭代训练模块204、权值获取模块205、归一化模块206、参数定义模块207、参数判断模块208、参数选取模块209、车道线检测模块210。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

所述图像获取模块201，用于获取多张历史车道线图像。

终端获取多张历史车道线图像用于训练车道线检测模型。可以利用爬虫工具从互联网上爬取多张历史车道线图像，也可以从交通管理平台上获取多张历史车道线图像，还可以从开源的数据库中获取多张历史车道线图像。

在一个可选的实施例中，所述图像获取模块201获取多张历史车道线图像包括：

获取车载惯导视觉系统采集的多张历史道路前景图像；

定义多个目标坐标点；

在每张历史道路前景图像中选取多个原始坐标点；

根据所述多个目标坐标点及所述多个原始坐标点计算变换矩阵；

采用所述变换矩阵对对应的历史道路前景图像进行透视变换得到历史车道线图像。

该可选的实施例中，相同路面上的车道线具有近似平行的特性，对道路前景图像进行透视变换能够消除透视效应，消除了道路周边环境和天空的干扰，只保留历史车道线图像中感兴趣的路面车道信息，减小了复杂背景的计算量，便于后期的车道线的检测与分割。

所述图像处理模块202，用于对所述多张历史车道线进行灰度处理及尺寸归一化处理。

该可选的实施例中，灰度处理和尺寸归一化处理能够加快训练车道线检测模型的收敛。

需要说明的是，如果终端对多张历史车道线图像进行灰度处理和尺寸归一化处理之后得到历史车道线灰度图像，后续所有的过程都将基于多张历史车道线灰度图像来进行，例如，标注每张历史车道线灰度图像等，从而基于多张历史车道线灰度图像训练车道线检测模型。

所述车道线标注模块203，用于标注每张历史车道线图像中的车道线区域。

终端可以提供标注工具，用户先利用标注工具将每张历史车道线图像中的车道线区域标注出来，人工能够精确的标注出每张车道线图像中的车道线区域，从而基于标注了车道线区域的历史车道线图像训练出的车道线检测模型的准确度更高。

所述迭代训练模块204，用于将标注所述车道线区域的历史车道线图像输入神经网络中进行迭代训练。

终端可以将标注所述车道线区域的历史车道线图像输入卷积神经网络中进行多次训练。

所述权值获取模块205，用于获取当次迭代结束时所述神经网络中的每个神经元输出的权值参数。

终端在训练神经网络时，在每次迭代结束后，神经网络中的每个神经元都会输出一个权值参数。

所述归一化模块206，用于利用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果。

终端可以采用如下广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数：

，

其中，

为权值参数，是一个M阶的张量，

为

的各阶上的维度总和，

为平衡系数，取值为[0.01，0.05]，

为新的权值参数。

由于现有实例分割技术忽视了检测过程与分割过程的内在关联，使用卷积下采样技术提取了图像特征后，又使用了一组参数来训练用于对特征的分割，最终将在特征图上的分割映射回到原图像。因此造成了参数冗余，导致实例分割在空间上的不必要扩张，成为模型鲁棒性低的一大原因。

本发明通过对每次迭代过程中每个神经元输出的权值参数进行广义归一化得到新的权值参数，能够有效的避免参数冗余，避免实例分割在空间上的不必要扩张。

所述参数定义模块207，用于预先定义第一平衡参数范围和第二平衡参数范围。

所述参数判断模块208，用于获取所述多张历史车道线图像的数量，并判断所述数量是否大于预设数量阈值。

所述参数选取模块209，用于当所述参数判断模块208确定所述数量大于所述预设数量阈值时，从所述第一平衡参数范围中随机选取一个数作为最终的平衡参数。

所述参数选取模块209，还用于当所述参数判断模块208确定所述数量小于或者等于所述预设数量阈值，从所述第二平衡参数范围中随机选取一个数作为最终的平衡参数。

所述第一平衡参数范围可以为[0.01，0.025]，所述第二平衡参数范围可以为[0.025，0.05]。

该可选的实施例中，在采用上述广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数之前，先预先定义第一平衡参数范围和第二平衡参数范围，根据获取的多张历史车道线图像的数量确定选用哪一个平衡参数范围内的平衡参数。

平衡参数

越大，神经网络退化也会越快，则神经网络越难以收敛，平衡参数

越小，又起不到正则化的作用，导致拟合度不够。同样的，参与训练的历史车道线图像越多，神经网络收敛需要的时间也会越多；参与训练的历史车道线图像越少，又会导致神经网络过拟合，实际应用时检测效果不佳。根据车道线的数量确定平衡参数，能够有效的平衡收敛时间和泛化能力，提高训练车道线检测模型的时间的同时增强车道线检测模型的检测效果。

本实施例，当获取的历史车道线图像的数量较大（大于预设数量阈值）时，从所述第一平衡参数范围中随机选取一个数作为最终的平衡参数，从而选取一个较小的平衡参数范围，使得计算得到的新的权值参数较大，加快车道线检测模型的收敛速度。当获取的历史车道线图像的数量较小（小于或等于预设数量阈值）时，从所述第二平衡参数范围中随机选取一个数作为最终的平衡参数，从而选取一个较大的平衡参数范围，使得计算得到的新的权值参数较小，能够对参数趋于全0的情形得以保留兼容，保障了训练时的稳定性。需要说明的是，对每个神经元的权值参数进行广义归一化不包括偏置项，共享的参数不因所属不同神经元而重复使用。

使用N次方根代替

和

范数，能够避免深度学习中常见的高维度引发的维度灾难问题，原因在于，当参数维度升高时，

范数并不会明显偏离绝对值最大的分量，从而保证了参数值不会出现向

退化的现象；而在分母中加入平衡系数

，使得当对车道线检测模型进行优化时，能够对参数趋于全0的情形得以保留兼容。如此，不仅保障了训练时的稳定，还为神经网络中的任何无关特征向零退化提供了渠道，从而使得神经网络在训练过程中具有自主裁剪的功能，直接作用于参数模长，而不是在损失函数里增加惩罚项，相当于引入了竞争神经元网络模型。当同一组参数同时向更大绝对值调整时，参数模长会快速增长，最终增长更快的参数得到增长，增长慢的参数将被进一步抑制。

所述迭代训练模块204，还用于根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型。

终端预先设置训练结束条件，使得在每一个迭代训练后，判断是否满足训练结束条件，当满足训练结束条件时，结束训练过程。

在一个可选的实施例中，所述迭代训练模块204根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型包括：

获取每次迭代结束时所述神经网络预测的每张历史车道线图像中的车道线区域；

计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率；

当所述误差率低于预设误差率阈值时，确定满足训练结束条件得到车道线检测模型；

当所述误差率高于所述预设误差率阈值时，通过反向传播算法根据所述误差率继续训练所述神经网络直至当所述误差率低于所述预设误差率阈值时，结束对所述神经网络的训练。

该可选的实施例中，通过计算出标注的历史车道线图像中的车道线区域与预测出的历史车道线图像中的车道线区域之间的误差率，根据误差率即可确定训练出的神经网络的预测结果是否正确，误差率越低表明预测结果越准确，误差率越高表明预测结果越不准确。

在一个可选的实施例中，所述计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率包括：

计算所述标注的历史车道线图像中的车道线区域在所述历史车道线图像中的第一面积；

确定所述神经网络预测的历史车道线图像中的车道线区域与所述标注的历史车道线图像中的车道线区域的重合区域；

计算所述重合区域在所述历史车道线图像中的第二面积；

根据所述第二面积与所述第一面积的比值确定误差率。

该可选的实施例中，重合区域越大，表明神经网络预测的历史车道线图像中的车道线区域越接近标注的历史车道线图像中的车道线区域，第二面积与第一面积的比值为重合区域与真实的车道线区域的重合度，那么误差率=1-第二面积与第一面积的比值。

所述车道线检测模块210，用于利用所述车道线检测模型检测待测车道线图像中的车道线。

终端可以离线训练车道线检测模型，在线调用所述车道线检测模型对每一个车道线图像进行车道线检测。

在一个可选的实施例中，所述车道线检测模块210利用所述车道线检测模型检测待测车道线图像中的车道线包括：

输入所述待测车道线图像至所述车道线检测模型中进行检测；

获取所述车道线检测模型检测出的包含车道线的目标图像。

该可选的实施例中，通过所述车道线检测模型对待测车道线图像进行车道线检测，能够得到准确率较高的车道线。

综上所述，本发明基于多张历史车道线图像迭代训练车道线检测模型时，能够在每次迭代结束时采用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果，并根据当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型。由于上述广义归一化模型将车道线检测模型的泛化能力和拟合能力综合考虑，因而训练出的车道线检测模型不仅能够快速的收敛，且能够应用到真实场景中对车道线进行检测，提高了车道线检测的准确率。

需要强调的是，为进一步保证车道线检测模型的私密和安全性，上述车道线检测模型还可以存储于一区块链的节点中。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，本发明还可用于智慧交通领域，通过本发明对车道线的自动且高准确度的检测，能够推动智慧城市的建设，推动无人驾驶车辆的发展与应用。

参阅图3所示，为本发明实施例三提供的终端的结构示意图。在本发明较佳实施例中，所述终端3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的终端的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述终端3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述终端3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述终端3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述终端3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31中存储有计算机程序，且所述至少一个处理器32可调用所述存储器31中存储的计算机程序以执行相关的功能。例如，上述实施例中所述的各个模块是存储在所述存储器31中的计算机程序，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能。所述存储器31包括只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable Read-Only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器32是所述终端3的控制核心（ControlUnit），利用各种接口和线路连接整个终端3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行终端3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的基于人工智能的车道线检测方法的全部或者部分步骤。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（CentralProcessing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述终端3还可以包括给各个部件供电的电源（比如电池），优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述终端3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台终端（可以是个人计算机，终端，或者网络设备等）或处理器（processor）执行本发明各个实施例所述基于人工智能的车道线检测方法的部分。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的车道线检测方法，其特征在于，所述基于人工智能的车道线检测方法包括：

获取多张历史车道线图像；

标注每张历史车道线图像中的车道线区域；

将标注所述车道线区域的历史车道线图像输入神经网络中进行迭代训练；

获取当次迭代结束时所述神经网络中的每个神经元输出的权值参数；

利用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果，所述广义归一化模型为

，其中，

为权值参数，

为

的各阶上的维度总和，

为平衡系数，

为新的权值参数；

根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型；

利用所述车道线检测模型检测待测车道线图像中的车道线。

2.如权利要求1所述的基于人工智能的车道线检测方法，其特征在于，所述基于人工智能的车道线检测方法还包括：

预先定义第一平衡参数范围和第二平衡参数范围；

获取所述多张历史车道线图像的数量；

判断所述数量是否大于预设数量阈值；

当所述数量大于所述预设数量阈值，从所述第一平衡参数范围中随机选取一个数作为最终的平衡参数；

当所述数量小于或者等于所述预设数量阈值，从所述第二平衡参数范围中随机选取一个数作为最终的平衡参数。

3.如权利要求1所述的基于人工智能的车道线检测方法，其特征在于，所述根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型包括：

获取每次迭代结束时所述神经网络预测的每张历史车道线图像中的车道线区域；

计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率；

当所述误差率低于预设误差率阈值时，确定满足训练结束条件得到车道线检测模型，并将所述车道线检测模型存储于区块链节点中；

当所述误差率高于所述预设误差率阈值时，通过反向传播算法根据所述误差率继续训练所述神经网络直至当所述误差率低于所述预设误差率阈值时，结束对所述神经网络的训练。

4.如权利要求3所述的基于人工智能的车道线检测方法，其特征在于，所述计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率包括：

计算所述标注的历史车道线图像中的车道线区域在所述历史车道线图像中的第一面积；

确定所述神经网络预测的历史车道线图像中的车道线区域与所述标注的历史车道线图像中的车道线区域的重合区域；

计算所述重合区域在所述历史车道线图像中的第二面积；

根据所述第二面积与所述第一面积的比值确定误差率。

5.如权利要求1所述的基于人工智能的车道线检测方法，其特征在于，所述利用所述车道线检测模型检测待测车道线图像中的车道线包括：

输入所述待测车道线图像至所述车道线检测模型中进行检测；

获取所述车道线检测模型检测出的包含车道线的目标图像。

6.如权利要求1所述的基于人工智能的车道线检测方法，其特征在于，所述获取多张历史车道线图像包括：

获取车载惯导视觉系统采集的多张历史道路前景图像；

定义多个目标坐标点；

在每张历史道路前景图像中选取多个原始坐标点；

根据所述多个目标坐标点及所述多个原始坐标点计算变换矩阵；

采用所述变换矩阵对对应的历史道路前景图像进行透视变换得到历史车道线图像。

7.如权利要求1至6中任意一项所述的基于人工智能的车道线检测方法，其特征在于，在所述获取多张历史车道线图像之后，所述基于人工智能的车道线检测方法还包括：

对所述多张历史车道线进行灰度处理及尺寸归一化处理。

8.一种基于人工智能的车道线检测装置，其特征在于，所述基于人工智能的车道线检测方法装置包括：

图像获取模块，用于获取多张历史车道线图像；

车道线标注模块，用于标注每张历史车道线图像中的车道线区域；

迭代训练模块，用于将标注所述车道线区域的历史车道线图像输入神经网络中进行迭代训练；

权值获取模块，用于获取当次迭代结束时所述神经网络中的每个神经元输出的权值参数；

归一化模块，用于采用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数，并将所述新的权值参数作为当次迭代结果，所述广义归一化模型为

，其中，

为权值参数，

为

的各阶上的维度总和，

为平衡系数，

为新的权值参数；

所述迭代训练模块，还用于根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型；

车道线检测模块，用于利用所述车道线检测模型检测待测车道线图像中的车道线。

9.一种终端，其特征在于，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述基于人工智能的车道线检测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1至7中任意一项所述基于人工智能的车道线检测方法。

Images