CN112990099B - 一种车道线检测的方法以及装置 - Google Patents

Abstract

本说明书公开了一种车道线检测的方法以及装置，获取无人驾驶设备采集到的道路图像，根据道路图像，确定道路图像对应的俯视图像，其次，将道路图像以及俯视图像输入到预先训练的车道线识别模型中，得到以俯视图像包含的车道线特征为参考，针对道路图像所包含的车道线的识别结果。最后，根据识别结果，进行车道线检测。本方法参考俯视图像包含的车道线特征，在确定道路图像所包含的车道线的识别结果的过程中，融合了车道线在俯视图像中是平行的车道线特征，使得确定出的车道线的识别结果更加准确的，进而有效地提高了车道线检测的准确性。

Description

一种车道线检测的方法以及装置

技术领域

本说明书涉及无人驾驶技术领域，尤其涉及一种车道线检测的方法以及装置。

背景技术

目前，在无人驾驶的技术领域中，通常通过无人驾驶设备采集到的图像，确定出无人驾驶设备行进过程中的当前道路的车道线信息，再通过确定出的车道线信息，对无人驾驶设备进行路径规划和环境感知。

在现有技术中，通过无人驾驶设备采集到的图像往往是摄像机在水平方向上拍摄的图像，这种图像中的车道线一般体现出由远及近的汇聚情况，而车道线在现实中是平行的，摄像机拍摄的图像并没有体现这个特征，因此，仅根据该图像数据对车道线进行识别，最终得到的识别结果往往是不准确的。

所以，如何能够有效地提高车道线检测的准确性，则是一个亟待解决的问题。

发明内容

本说明书提供一种车道线检测的方法以及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种车道线检测的方法，包括：

获取无人驾驶设备采集到的道路图像；

根据所述道路图像，确定所述道路图像对应的俯视图像；

将所述道路图像以及所述俯视图像输入到预先训练的车道线识别模型中，得到以所述俯视图像包含的车道线特征为参考，针对所述道路图像所包含的车道线的识别结果；

根据所述识别结果，进行车道线检测。

可选地，所述车道线识别模型包含有道路图像子模型以及俯视图像子模型；

将所述道路图像以及所述俯视图像输入到预先训练的车道线识别模型中，得到以所述俯视图像包含的车道线特征为参考，针对所述道路图像所包含的车道线的识别结果，具体包括：

将所述俯视图像输入到预先训练的所述俯视图像子模型中，得到所述俯视图像对应的车道线特征；

将所述道路图像以及所述俯视图像对应的车道线特征输入到预先训练的所述道路图像子模型中，得到所述道路图像所包含的车道线的识别结果。

可选地，将所述道路图像以及所述俯视图像对应的车道线特征输入到预先训练的所述道路图像子模型中，得到所述道路图像所包含的车道线的识别结果，具体包括：

按照所述俯视图像与所述道路图像之间的视角空间差异，将所述俯视图像对应的车道线特征进行转化，得到在所述道路图像下的所述俯视图像对应的车道线特征，作为转化后车道线特征；

将所述转化后车道线特征以及所述道路图像输入到预先训练的车道线识别模型的道路图像子模型中，确定所述道路图像所包含的车道线的识别结果。

可选地，所述道路图像子模型与所述俯视图像子模型均包含有特征网络，所述道路图像子模型与所述俯视图像子模型包含的特征网络中设有若干个特征提取层；

将所述转化后车道线特征以及所述道路图像输入到预先训练的车道线识别模型的道路图像子模型中，确定所述道路图像所包含的车道线的识别结果，具体包括：

针对所述道路图像子模型中的每个特征提取层，根据所述道路图像子模型上一个特征提取层的输出结果，以及在所述俯视图像子模型中与该特征提取层具有对应关系的特征提取层所输出的车道线特征，确定该特征提取层的输出结果；

根据所述道路图像子模型中最后一个特征提取层的输出结果，确定所述道路图像所包含的车道线的识别结果。

可选地，所述道路图像子模型包含的特征网络中的特征提取层的层数，与所述俯视图像子模型包含的特征网络中的特征提取层的层数相同；

针对所述道路图像子模型中的每个特征提取层，根据所述道路图像子模型上一个特征提取层的输出结果，以及该特征提取层在所述俯视图像子模型中的具有对应关系的特征提取层的车道线特征，确定该特征提取层的输出结果，具体包括：

针对所述道路图像子模型中的每个特征提取层，根据所述道路图像子模型上一个特征提取层的输出结果，以及该特征提取层在所述俯视图像子模型中的相同位置的特征提取层的车道线特征，确定该特征提取层的输出结果。

可选地，训练所述俯视图像子模型，具体包括：

获取历史道路图像以及历史道路图像对应的标签信息；

将所述历史道路图像进行转化，得到俯视视角下的所述历史道路图像对应的历史俯视图像，以及将所述历史道路图像对应的标签信息进行转化，得到所述历史俯视图像对应的标签信息；

将所述历史俯视图像输入到待训练的俯视图像子模型中，得到所述历史俯视图像所包含的车道线的识别结果；

以最小化所述历史俯视图像所包含的车道线的识别结果与所述历史俯视图像对应的标签信息之间的偏差为优化目标，对所述俯视图像子模型进行训练。

可选地，训练所述道路图像子模型，具体包括：

获取历史道路图像以及历史道路图像对应的标签信息；

将所述历史道路图像进行转化，得到俯视视角下的所述历史道路图像对应的历史俯视图像；

将所述历史俯视图像输入到训练后的所述俯视图像子模型中，得到所述俯视图像对应的车道线特征；

将所述历史道路图像以及所述俯视图像对应的车道线特征输入到待训练的道路图像子模型中，得到所述历史道路图像所包含的车道线的识别结果；

以最小化所述历史道路图像所包含的车道线的识别结果与所述历史道路图像对应的标签信息之间的偏差为优化目标，对所述道路图像子模型进行训练。

本说明书提供了一种车道线检测的装置，包括：

获取模块，用于获取无人驾驶设备采集到的道路图像；

确定模块，用于根据所述道路图像，确定所述道路图像对应的俯视图像；

识别模块，用于将所述道路图像以及所述俯视图像输入到预先训练的车道线识别模型中，得到以所述俯视图像包含的车道线特征为参考，针对所述道路图像所包含的车道线的识别结果；

检测模块，用于根据所述识别结果，进行车道线检测。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车道线检测的方法。

本说明书提供了一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述车道线检测的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的车道线检测的方法中，获取无人驾驶设备采集到的道路图像，根据道路图像，确定道路图像对应的俯视图像，其次，将道路图像以及俯视图像输入到预先训练的车道线识别模型中，得到以俯视图像包含的车道线特征为参考，针对道路图像所包含的车道线的识别结果。最后，根据识别结果，进行车道线检测。

从上述车道线检测的方法中可以看出，本方法可以将道路图像转化为俯视图像，并根据俯视图像包含的车道线特征以及道路图像，确定出道路图像所包含的车道线的识别结果，相比于现有技术中仅根据采集到的道路图像，确定道路图像所包含的车道线的识别结果的方式来说，本方法在确定道路图像所包含的车道线的识别结果的过程中，参考了车道线在俯视图像中是平行的车道线特征，使得确定出的车道线的识别结果更加准确的，进而有效地提高了车道线检测的准确性。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书实施例提供的车道线检测的方法的流程示意图；

图2A、图2B为本说明书实施例提供的道路图像以及俯视图像的示意图；

图3为本说明书实施例提供的车道线识别模型的示意图；

图4为本说明书实施例提供的车道线标注的示意图；

图5为本说明书实施例提供的车道线检测的装置的结构示意图；

图6为本说明书实施例提供的无人驾驶设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书实施例提供的车道线检测的方法的流程示意图，具体包括以下步骤：

S100：获取无人驾驶设备采集到的道路图像。

在本说明书实施例中，无人驾驶设备在行驶过程中，可以采集无人驾驶设备周围的道路图像，道路图像可以是通过无人驾驶设备上设置的摄像机拍摄的图像，其中，摄像机可以为任意类型的摄像机，例如广角摄像机、高清摄像机等，需要说明的是，该道路图像是指非俯视图像。

在本说明书提到的无人驾驶设备可以是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此，应用本说明书提供的车道线检测的方法的无人驾驶设备可以用于执行配送领域的配送任务，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。

本说明书提供的车道线检测的执行主体可以是诸如无人驾驶设备，也可以是服务器、台式电脑等终端设备。若是以诸如服务器、台式电脑等终端设备为执行主体，则终端设备可以获取到无人驾驶设备采集到的道路图像，并在确定出无人驾驶设备采集的道路图像所包含的车道线的识别结果后，可以将确定出的识别结果返回给无人驾驶设备。为了便于描述，下面将仅以无人驾驶设备为执行主体，对本说明书提供的车道线检测的方法进行说明。

S102：根据所述道路图像，确定所述道路图像对应的俯视图像。

在本说明书实施例中，无人驾驶设备可以根据道路图像，确定道路图像对应的俯视图像。具体的，无人驾驶设备获取无人驾驶设备上设置的摄像机的外参矩阵以及内参矩阵。这里提到的外参矩阵可以是指摄像机在世界坐标系中的参数，比如摄像机的位置、旋转方向等。这里提到的内参矩阵可以是指与摄像机自身特性相关的参数，比如相机的焦距、像素大小等。无人驾驶设备可以根据摄像机的外参矩阵以及内参矩阵，得到将道路图像转化成俯视图像的透视变换矩阵，从而根据透视变换矩阵，将道路图像转化成俯视图像，这里提到的透视变换矩阵可以用于表征将道路图像中的像素坐标相对应的转化成俯视图像中的像素坐标的转化关系。如图2A、图2B所示。

图2A、图2B为本说明书实施例提供的道路图像以及俯视图像的示意图。

图2A为无人驾驶设备采集到的道路图像，图2B为道路图像所对应的俯视图像。图2A、图2B中较细的线表示道路图像以及俯视图像中的道路边缘的路缘石，也就是俗称的马路牙子，较粗的线表示道路图像以及俯视图像中的车道线。

S104：将所述道路图像以及所述俯视图像输入到预先训练的车道线识别模型中，得到以所述俯视图像包含的车道线特征为参考，针对所述道路图像所包含的车道线的识别结果。

在本说明书实施例中，无人驾驶设备可以将道路图像以及俯视图像输入到预先训练的车道线识别模型中，得到以俯视图像包含的车道线特征为参考，针对道路图像所包含的车道线的识别结果。这里提到的车道线的识别结果可以是指道路图像中的车道线所在的位置。

具体的，车道线识别模型包含有道路图像子模型以及俯视图像子模型，将俯视图像输入到预先训练的俯视图像子模型中，得到俯视图像对应的车道线特征，而后，将道路图像以及俯视图像对应的车道线特征输入到预先训练的道路图像子模型中，得到道路图像所包含的车道线的识别结果。

无人驾驶设备确定俯视图像对应的车道线特征可以有多种方法。例如，无人驾驶设备可以将俯视图像输入到特征网络中的特征提取层中，通过多次特征提取，得到俯视图像对应的车道线特征。同样的，无人驾驶设备可以通过上述方法得到道路图像对应的车道线特征。

上述提到的道路图像子模型以及俯视图像子模型可以是常规模型，例如，图神经网络（Graph Neural Networks，GNN）、图卷积网络（Graph Convolutional Network，GCN）等，在此不对特征网络进行限定。

在实际应用中，无人驾驶设备获取的道路图像中的车道线会聚集到一个点，而车道线在现实中是平行的。无人驾驶设备为了得到在参考车道线是平行的情况下，道路图像所包含的车道线的识别结果，需要将俯视图像对应的车道线特征与道路图像的车道线特征相结合，因此，无人驾驶设备可以按照俯视图像与道路图像之间的视角空间差异，将俯视图像对应的车道线特征进行转化，得到在道路图像下的俯视图像对应的车道线特征，作为转化后车道线特征，再将转化后车道线特征以及道路图像输入到预先训练的车道线识别模型的道路图像子模型中，确定道路图像所包含的车道线的识别结果。这里提到的视角空间差异用于表征对同一环境在不同视角下进行观测所带来的差异。

具体的，无人驾驶设备可以将转化后车道线特征以及道路图像输入到预先训练的车道线识别模型的道路图像子模型中，首先，根据道路图像，确定道路图像对应的车道线特征，其次，将道路图像对应的车道线特征与转化后车道线特征进行融合，根据融合后的车道线特征，确定出道路图像所包含的车道线的识别结果。这里提到的将道路图像对应的车道线特征与转化后车道线特征进行融合，可以是指将道路图像对应的车道线特征与转化后车道线特征进行拼接，也可以是指将道路图像对应的车道线特征与转化后车道线特征按照加权求和的方法进行计算，计算方法可以是人为根据实际需求而设定的，本说明书对此不做限定。

在本说明书实施例中，道路图像子模型与俯视图像子模型均包含有特征网络，所述道路图像子模型与俯视图像子模型包含的特征网络中设有若干个特征提取层。基于此，针对道路图像子模型中的每个特征提取层，可以根据道路图像子模型上一个特征提取层的输出结果，以及在俯视图像子模型中与该特征提取层具有对应关系的特征提取层所输出的车道线特征，确定该特征提取层的输出结果，根据道路图像子模型中最后一个特征提取层的输出结果，确定道路图像所包含的车道线的识别结果，这里提到的对应关系可以是预先确定的道路图像子模型中的特征提取层与俯视图像子模型中的特征提取层之间的对应关系。

例如，道路图像子模型中的特征提取层A与俯视图像子模型中的特征提取层B之间的具有对应关系，可以根据道路图像子模型的特征提取层A的上一个特征提取层的输出结果，以及在俯视图像子模型中的特征提取层B所输出的车道线特征，确定该特征提取层的输出结果，根据道路图像子模型中最后一个特征提取层的输出结果，确定道路图像所包含的车道线的识别结果。

进一步的，道路图像子模型包含的特征网络中的特征提取层的层数，与俯视图像子模型包含的特征网络中的特征提取层的层数可以是相同的。也就是说，可以按照特征提取层的排列顺序，将道路图像子模型中的特征提取层与俯视图像子模型中的特征提取层进行一一对应。基于此，针对道路图像子模型中的每个特征提取层，可以根据道路图像子模型上一个特征提取层的输出结果，以及该特征提取层在俯视图像子模型中的相同位置的特征提取层的车道线特征，确定该特征提取层的输出结果，以此类推，进而根据道路图像子模型中最后一个特征提取层的输出结果，确定道路图像所包含的车道线的识别结果。

具体的，针对道路图像子模型中的每个特征提取层，可以根据所述道路图像子模型上一个特征提取层提取出的车道线特征，以及该特征提取层在所述俯视图像子模型中的相同位置的特征提取层的车道线特征，作为该特征提取层的输入的车道线特征，将该特征提取层的输入的车道线特征进行融合，得到融合后的车道线特征，从融合后的车道线特征中提取该特征提取层对应的车道线特征，作为下一个特征提取层的输入。如图3所示。

图3为本说明书实施例提供的车道线识别模型的结构示意图。

图3中的道路图像子模型与俯视图像子模型均包含有特征网络，道路图像子模型与俯视图像子模型包含的特征网络中的特征提取层的层数均为三层，这里提到的特征提取层的层数可以是人为设定的。

首先，无人驾驶设备将道路图像转化成俯视图像，再将道路图像输入到车道线识别模型中的道路图像子模型，得到道路图像子模型中第一层的特征提取层对应的车道线特征。其次，将俯视图像输入到车道线识别模型中的俯视图像子模型，得到俯视图像子模型中第一层的特征提取层对应的车道线特征。而后，将俯视图像子模型中第一层的特征提取层对应的车道线特征，按照俯视图像与道路图像之间的视角空间差异，转化成在道路图像下的俯视图像对应的车道线特征，作为转化后车道线特征。最后，将第一层的转化后车道线特征与道路图像子模型中第一层的特征提取层对应的车道线特征进行融合，得到道路图像子模型中第一层的输出结果。

进一步的，再对道路图像子模型中第一层的输出结果进行特征提取，得到道路图像子模型中第二层的特征提取层对应的车道线特征。以此类推，将第二层的转化后车道线特征与道路图像子模型中第二层的特征提取层对应的车道线特征进行融合，得到道路图像子模型中第二层的输出结果，对道路图像子模型中第二层的输出结果进行特征提取，得到道路图像子模型中第三层的特征提取层对应的车道线特征。同样的，无人驾驶设备可以得到道路图像子模型中第三层的输出结果，根据道路图像子模型中第三层的输出结果，确定出道路图像所包含的车道线的识别结果。

从上述方法中可以看出，本方法实际上只需要从俯视图像子模型中进行特征提取，以用于与道路图像子模型中的车道线特征进行融合，无需得到俯视图像子模型所包含的车道线的识别结果。

在本说明书实施例中，上述提到的俯视图像子模型、道路图像子模型需要进行预先训练。由于，道路图像子模型需要将转化后车道线特征与道路图像的车道线特征相结合，以此来确定出道路图像所包含的车道线的识别结果，因此，需要先对俯视图像子模型进行预先训练。

具体的，可以先获取历史道路图像以及历史道路图像对应的标签信息。这里提到的历史道路图像以及历史道路图像对应的标签信息可以是无人驾驶设备进行采集的，也可以是专用于采集道路图像的设备进行采集的。这里提到的历史道路图像对应的标签信息可以是指历史道路图像的车道线标注图。

进一步地，可以将历史道路图像进行转化，得到俯视视角下的历史道路图像对应的历史俯视图像，以及将历史道路图像对应的标签信息进行转化，得到历史俯视图像对应的标签信息。再将历史俯视图像输入到待训练的俯视图像子模型中，得到历史俯视图像所包含的车道线的识别结果，以最小化历史俯视图像所包含的车道线的识别结果与历史俯视图像对应的标签信息之间的偏差为优化目标，对俯视图像子模型进行训练。

其中，用于表征识别结果与标签信息之间的偏差的方法有多种，如欧式距离、余弦相似度等，本说明书对此不做限定。

在本说明书实施例中，无人驾驶设备对俯视图像子模型训练完成后，再对道路图像子模型进行训练。具体的，可以获取历史道路图像以及历史道路图像对应的标签信息，其中，训练俯视图像子模型的样本集与训练道路图像子模型的样本集可以是相同的，也可以是不同的。

进一步地，可以将历史道路图像进行转化，得到俯视视角下的历史道路图像对应的历史俯视图像，再将历史俯视图像输入到训练后的俯视图像子模型中，得到俯视图像对应的车道线特征，而后，将历史道路图像以及俯视图像对应的车道线特征输入到待训练的道路图像子模型中，得到历史道路图像所包含的车道线的识别结果，最后，以最小化历史道路图像所包含的车道线的识别结果与历史道路图像对应的标签信息之间的偏差为优化目标，对道路图像子模型进行训练。

S106：根据所述识别结果，进行车道线检测。

在本说明书实施例中，无人驾驶设备可以根据识别结果，进行车道线检测。

其中，无人驾驶设备可以根据识别结果，确定道路图像对应的车道线标注图，根据车道线标注图，确定道路图像所包含的车道线信息。这里提到的车道线标注图可以是指对道路图像中的每个像素点进行分类的类别图。如图4所示。

图4为本说明书实施例提供的车道线标注的示意图。

图4中的虚线代表道路图像中的每个像素点的不同的分类，也就是说，虚线表示的是不同分类的像素点的集合，并不是车道线，虚线1、虚线5表示道路图像中的道路边缘的路缘石，也就是俗称的马路牙子，虚线2、虚线3、虚线4表示道路图像中的车道线，具体的，虚线2表示相对于无人驾驶设备的左边第一条车道线，虚线3表示相对于无人驾驶设备的右边第一条车道线，虚线4表示相对于无人驾驶设备的右边第二条车道线，道路图像中的空白部分为道路图像中除车道线外的背景。

在实际应用中，无人驾驶设备可以针对道路图像中的每个像素点，根据道路图像子模型中最后一个特征提取层的输出结果，确定出道路图像中的该像素点对应的各类别的类别概率，再从各类别的类别概率中选取类别概率最大的类别作为该像素点对应的类别。例如，针对道路图像中的每个像素点，确定出道路图像中的该像素点对应的各类别的类别概率，如，该像素点对应的道路图像背景类别的概率为20%，道路图像车道线类别的概率为80%，选取道路图像车道线类别作为该像素点对应的类别，从而，根据道路图像中的各像素点对应的类别，确定道路图像对应的车道线标注图，再根据车道线标注图，确定道路图像所包含的车道线信息。

具体的，无人驾驶设备可以根据车道线标注图中的像素点的坐标位置，确定出车道线标注图中的直线所在的位置，其中，确定直线所在的位置的方法可以是指霍夫变换检测直线算法（Hough Transform）等，在此不对确定直线所在的位置的方法进行限定。无人驾驶设备也可以根据车道线标注图中的像素点的坐标位置，直接计算车道线所在的位置。

在实际应用中，常用的车道线有两种，一种是连续的实线，另一种是分隔的间断线，对于间断线来说，根据霍夫变换检测直线算法可能会检测出多条线段，但是这多条线段实际上属于一条车道线。因此，无人驾驶设备需要对得到的直线进行筛选以及分类。首先，对直线进行筛选，去除道路图像中的一部分的干扰直线，其次，根据直线的斜率，将斜率相同的直线归属到同一条车道线上，从而，确定出道路图像所包含的车道线信息。

从上述可以看出，无人驾驶设备通过将道路图像转化为俯视图像，再将俯视图像对应的转化后车道线特征与道路图像对应的车道线特征进行融合，确定出道路图像所包含的车道线的识别结果，相比于现有技术中仅根据采集到的道路图像，确定道路图像所包含的车道线的识别结果的方式来说，本方法通过融合俯视图像对应的车道线特征，以此将车道线在俯视图像中是平行的车道线特征加入到道路图像的车道线特征中，使得确定出的车道线的识别结果更加准确的，进而有效地提高了车道线检测的准确性。

以上为本说明书的一个或多个实施例提供的车道线检测的方法，基于同样的思路，本说明书还提供了相应的车道线检测的装置，如图5所示。

图5为本说明书实施例提供的车道线检测的装置的结构示意图，具体包括：

获取模块500，用于获取无人驾驶设备采集到的道路图像；

确定模块502，用于根据所述道路图像，确定所述道路图像对应的俯视图像；

识别模块504，用于将所述道路图像以及所述俯视图像输入到预先训练的车道线识别模型中，得到以所述俯视图像包含的车道线特征为参考，针对所述道路图像所包含的车道线的识别结果；

检测模块506，用于根据所述识别结果，进行车道线检测。

可选地，所述识别模块504具体用于，所述车道线识别模型包含有道路图像子模型以及俯视图像子模型，将所述俯视图像输入到预先训练的所述俯视图像子模型中，得到所述俯视图像对应的车道线特征，将所述道路图像以及所述俯视图像对应的车道线特征输入到预先训练的所述道路图像子模型中，得到所述道路图像所包含的车道线的识别结果。

可选地，所述识别模块504具体用于，按照所述俯视图像与所述道路图像之间的视角空间差异，将所述俯视图像对应的车道线特征进行转化，得到在所述道路图像下的所述俯视图像对应的车道线特征，作为转化后车道线特征，将所述转化后车道线特征以及所述道路图像输入到预先训练的车道线识别模型的道路图像子模型中，确定所述道路图像所包含的车道线的识别结果。

可选地，所述识别模块504具体用于，所述道路图像子模型与所述俯视图像子模型均包含有特征网络，所述道路图像子模型与所述俯视图像子模型包含的特征网络中设有若干个特征提取层，针对所述道路图像子模型中的每个特征提取层，根据所述道路图像子模型上一个特征提取层的输出结果，以及在所述俯视图像子模型中与该特征提取层具有对应关系的特征提取层所输出的车道线特征，确定该特征提取层的输出结果，根据所述道路图像子模型中最后一个特征提取层的输出结果，确定所述道路图像所包含的车道线的识别结果。

可选地，所述识别模块504具体用于，所述道路图像子模型包含的特征网络中的特征提取层的层数，与所述俯视图像子模型包含的特征网络中的特征提取层的层数相同，针对所述道路图像子模型中的每个特征提取层，根据所述道路图像子模型上一个特征提取层的输出结果，以及该特征提取层在所述俯视图像子模型中的相同位置的特征提取层的车道线特征，确定该特征提取层的输出结果。

可选地，所述识别模块504具体用于，获取历史道路图像以及历史道路图像对应的标签信息，将所述历史道路图像进行转化，得到俯视视角下的所述历史道路图像对应的历史俯视图像，以及将所述历史道路图像对应的标签信息进行转化，得到所述历史俯视图像对应的标签信息，将所述历史俯视图像输入到待训练的俯视图像子模型中，得到所述历史俯视图像所包含的车道线的识别结果，以最小化所述历史俯视图像所包含的车道线的识别结果与所述历史俯视图像对应的标签信息之间的偏差为优化目标，对所述俯视图像子模型进行训练。

可选地，所述识别模块504具体用于，获取历史道路图像以及历史道路图像对应的标签信息，将所述历史道路图像进行转化，得到俯视视角下的所述历史道路图像对应的历史俯视图像，将所述历史俯视图像输入到训练后的所述俯视图像子模型中，得到所述俯视图像对应的车道线特征，将所述历史道路图像以及所述俯视图像对应的车道线特征输入到待训练的道路图像子模型中，得到所述历史道路图像所包含的车道线的识别结果，以最小化所述历史道路图像所包含的车道线的识别结果与所述历史道路图像对应的标签信息之间的偏差为优化目标，对所述道路图像子模型进行训练。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的车道线检测的方法。

本说明书还提供了图6所示的无人驾驶设备的结构示意图。如图6所述，在硬件层面，该车道线检测的训练设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的车道线检测的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (6)

1.一种车道线检测的方法，其特征在于，包括：

获取无人驾驶设备采集到的道路图像；

根据所述道路图像，确定所述道路图像对应的俯视图像；

将所述俯视图像输入到预先训练的车道线识别模型所包含的俯视图像子模型中，得到所述俯视图像对应的车道线特征，按照所述俯视图像与所述道路图像之间的视角空间差异，将所述俯视图像对应的车道线特征进行转化，得到在所述道路图像下的所述俯视图像对应的车道线特征以及车道线在俯视图像中是平行的车道线特征，作为转化后车道线特征，并将所述转化后车道线特征以及所述道路图像输入到预先训练的车道线识别模型的道路图像子模型中，将所述道路图像对应的车道线特征与所述转化后车道线特征按照加权求和进行计算，确定所述道路图像所包含的车道线的识别结果；

根据所述识别结果，进行车道线检测，其中

训练俯视图像子模型的训练方法如下：

获取历史道路图像以及历史道路图像对应的标签信息，将所述历史道路图像进行转化，得到俯视视角下的所述历史道路图像对应的历史俯视图像，以及将所述历史道路图像对应的标签信息进行转化，得到所述历史俯视图像对应的标签信息，将所述历史俯视图像输入到待训练的俯视图像子模型中，得到所述历史俯视图像所包含的车道线的识别结果，以最小化所述历史俯视图像所包含的车道线的识别结果与所述历史俯视图像对应的标签信息之间的偏差为优化目标，对所述俯视图像子模型进行训练；

训练道路图像子模型的训练方法如下：

将所述历史俯视图像输入到训练后的所述俯视图像子模型中，得到所述俯视图像对应的车道线特征，将所述历史道路图像以及所述俯视图像对应的车道线特征输入到待训练的道路图像子模型中，得到所述历史道路图像所包含的车道线的识别结果，以最小化所述历史道路图像所包含的车道线的识别结果与所述历史道路图像对应的标签信息之间的偏差为优化目标，对所述道路图像子模型进行训练。

2.如权利要求1所述的方法，其特征在于，所述道路图像子模型与所述俯视图像子模型均包含有特征网络，所述道路图像子模型与所述俯视图像子模型包含的特征网络中设有若干个特征提取层；

将所述转化后车道线特征以及所述道路图像输入到预先训练的车道线识别模型的道路图像子模型中，确定所述道路图像所包含的车道线的识别结果，具体包括：

针对所述道路图像子模型中的每个特征提取层，根据所述道路图像子模型上一个特征提取层的输出结果，以及在所述俯视图像子模型中与该特征提取层具有对应关系的特征提取层所输出的车道线特征，确定该特征提取层的输出结果；

根据所述道路图像子模型中最后一个特征提取层的输出结果，确定所述道路图像所包含的车道线的识别结果。

3.如权利要求2所述的方法，其特征在于，所述道路图像子模型包含的特征网络中的特征提取层的层数，与所述俯视图像子模型包含的特征网络中的特征提取层的层数相同；

针对所述道路图像子模型中的每个特征提取层，根据所述道路图像子模型上一个特征提取层的输出结果，以及在所述俯视图像子模型中与该特征提取层具有对应关系的特征提取层所输出的车道线特征，确定该特征提取层的输出结果，具体包括：

针对所述道路图像子模型中的每个特征提取层，根据所述道路图像子模型上一个特征提取层的输出结果，以及该特征提取层在所述俯视图像子模型中的相同位置的特征提取层的车道线特征，确定该特征提取层的输出结果。

4.一种车道线检测的装置，其特征在于，包括：

获取模块，用于获取无人驾驶设备采集到的道路图像；

确定模块，用于根据所述道路图像，确定所述道路图像对应的俯视图像；

识别模块，用于将所述俯视图像输入到预先训练的车道线识别模型所包含的俯视图像子模型中，得到所述俯视图像对应的车道线特征，按照所述俯视图像与所述道路图像之间的视角空间差异，将所述俯视图像对应的车道线特征进行转化，得到在所述道路图像下的所述俯视图像对应的车道线特征以及车道线在俯视图像中是平行的车道线特征，作为转化后车道线特征，并将所述转化后车道线特征以及所述道路图像输入到预先训练的车道线识别模型的道路图像子模型中，将所述道路图像对应的车道线特征与所述转化后车道线特征按照加权求和进行计算，确定所述道路图像所包含的车道线的识别结果；

检测模块，用于根据所述识别结果，进行车道线检测，其中

训练俯视图像子模型的训练方法如下：

获取历史道路图像以及历史道路图像对应的标签信息，将所述历史道路图像进行转化，得到俯视视角下的所述历史道路图像对应的历史俯视图像，以及将所述历史道路图像对应的标签信息进行转化，得到所述历史俯视图像对应的标签信息，将所述历史俯视图像输入到待训练的俯视图像子模型中，得到所述历史俯视图像所包含的车道线的识别结果，以最小化所述历史俯视图像所包含的车道线的识别结果与所述历史俯视图像对应的标签信息之间的偏差为优化目标，对所述俯视图像子模型进行训练；

训练道路图像子模型的训练方法如下：

将所述历史俯视图像输入到训练后的所述俯视图像子模型中，得到所述俯视图像对应的车道线特征，将所述历史道路图像以及所述俯视图像对应的车道线特征输入到待训练的道路图像子模型中，得到所述历史道路图像所包含的车道线的识别结果，以最小化所述历史道路图像所包含的车道线的识别结果与所述历史道路图像对应的标签信息之间的偏差为优化目标，对所述道路图像子模型进行训练。

5.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~3任一项所述的方法。

6.一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~3任一项所述的方法。

Images