CN113191256B - 车道线检测模型的训练方法、装置、电子设备及存储介质 - Google Patents
车道线检测模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113191256B CN113191256B CN202110470476.1A CN202110470476A CN113191256B CN 113191256 B CN113191256 B CN 113191256B CN 202110470476 A CN202110470476 A CN 202110470476A CN 113191256 B CN113191256 B CN 113191256B
- Authority
- CN
- China
- Prior art keywords
- lane line
- target
- model
- road condition
- line information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 138
- 238000012549 training Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 18
- 238000002372 labelling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本公开提供了车道线检测模型的训练方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体涉及计算机视觉、深度学习等技术领域，可应用于智能交通场景下。具体实现方案：获取多个样本路况图像，和与所述多个样本路况图像分别对应的多个标注的车道线信息；确定与所述多个样本路况图像分别对应的多个要素，以及与所述多个要素分别对应的多个要素语义；以及根据所述多个样本路况图像、所述多个要素、所述多个要素语义以及所述多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型，能够有效降低路况图像中车道线检测识别的计算复杂度，提升车道线检测识别的效率，提升车道线的检测识别效果。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及计算机视觉、深度学习等技术领域，可应用于智能交通场景下，尤其涉及车道线检测模型的训练方法、装置、电子设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
相关技术中，针对路况图像之中要素的语义分割方法逻辑，无法直接应用到车道线的检测分割中，车道线检测分割的计算复杂度高，无法满足实时性的要求。
发明内容
提供了一种车道线检测模型的训练方法、装置、电子设备、存储介质及计算机程序产品。
根据第一方面，提供了一种车道线检测模型的训练方法，包括：获取多个样本路况图像，和与所述多个样本路况图像分别对应的多个标注的车道线信息；确定与所述多个样本路况图像分别对应的多个要素，以及与所述多个要素分别对应的多个要素语义；以及根据所述多个样本路况图像、所述多个要素、所述多个要素语义以及所述多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型。
根据第二方面，提供了一种车道线检测模型的训练装置，包括：获取模块，用于获取多个样本路况图像，和与所述多个样本路况图像分别对应的多个标注的车道线信息；确定模块，用于确定与所述多个样本路况图像分别对应的多个要素，以及与所述多个要素分别对应的多个要素语义；以及训练模块，用于根据所述多个样本路况图像、所述多个要素、所述多个要素语义以及所述多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型。
根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例的车道线检测模型的训练方法。
根据第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例公开的车道线检测模型的训练方法。
根据第五方面，提出了一种计算机程序产品，包括计算机程序，当所述计算机程序由处理器执行时实现本公开实施例公开的车道线检测模型的训练方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是用来实现本公开实施例的车道线检测模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开第一实施例的示意图。
其中，需要说明的是，本实施例的车道线检测模型的训练方法的执行主体为车道线检测模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
本公开实施例涉及人工智能技术领域，具体涉及计算机视觉、深度学习等技术领域，可应用于智能交通场景下，能够有效降低路况图像中车道线检测识别的计算复杂度，提升车道线检测识别的效率，提升车道线的检测识别效果。
其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
计算机视觉，指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
如图1所示，该车道线检测模型的训练方法包括：
S101：获取多个样本路况图像，和与多个样本路况图像分别对应的多个标注的车道线信息。
其中，用于训练车道线检测模型的路况图像，可以被称为样本路况图像，而路况图像，可以是智能交通场景下，环境中的摄像装置捕获到的图像，对此不做限制。
本公开实施例中，可以从样本路况图像池中获取多个样本路况图像，该多个样本路况图像可以被用于训练初始的人工智能模型以得到人体属性检测模型。
上述在获取多个样本路况图像，和与多个样本路况图像分别对应的多个标注的车道线信息，该标注的车道线信息，可以被用于训练初始的人工智能模型时作为参考标注。
上述的车道线信息，可以被用于描述样本路况图像中的车道线相关的信息，例如车道线类型、车道线的图像区域对应的图像特征，或者车道线是否存在(车道线是否存在可以被称为车道线状态)，或者，也可以为其它任意可能的车道线信息，对此不做限制。
也即是说，本公开实施例中在获取多个样本路况图像，和与多个样本路况图像分别对应的多个标注的车道线信息之后，可以结合多个样本路况图像和多个标注的车道线信息来训练初始的人工智能模型。
S102：确定与多个样本路况图像分别对应的多个要素，以及与多个要素分别对应的多个要素语义。
上述在获取多个样本路况图像之后，可以对多个样本路况图像分别进行图像识别，得到与每个样本路况图像分别对应的要素，以及与每个要素分别对应的要素语义，其中，要素可以例如为样本路况图像中的天空、树木、道路等等，要素语义可以是指天空、树木、道路的要素类型和要素特征，而通常要素包含了图像中的部分像素，则可以通过其所包含像素的上下文信息，来对要素分类得到要素语义，对此不做限制。
上述确定与多个样本路况图像分别对应的多个要素，以及与多个要素分别对应的多个要素语义之后，可以基于样本路况图像中相应的要素和要素语义，以及多个标注的车道线信息来训练初始的人工智能模型，以得到车道线检测模型。
也即是说，本公开实施例中，由于在训练车道线检测模型时，是针对多个样本路况图像分别进行图像解析，确定与多个样本路况图像分别对应的多个要素，以及与多个要素分别对应的多个要素语义，而后基于样本路况图像中相应的要素和要素语义，以及多个标注的车道线信息来训练初始的人工智能模型，从而实现要素的语义分割方法逻辑和车道线的检测识别的融合应用，基于要素识别的处理逻辑即可以检测识别出车道线实例，从而避免依赖路况图像中车道线的锚框anchor信息，降低模型计算的复杂度，提升检测识别效率。
S103：根据多个样本路况图像、多个要素、多个要素语义以及多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型。
其中，初始的人工智能模型可以例如为神经网络模型、机器学习模型，或者也可以是图神经网络模型，当然，也可以采用其它任意可能的能够执行图像识别解析任务的模型，对此不做限制。
上述在获取多个样本路况图像、多个要素、多个要素语义以及多个标注的车道线信息之后，可以将多个样本路况图像、多个要素、多个要素语义分别对应地输入至上述的神经网络模型，或者机器学习模型，或者图神经网络模型之中，从而得到前述任一种模型输出的预测的车道线信息，该预测的车道线信息，可以是前述任一种模型基于模型算法处理逻辑，结合样本路况图像之中的要素和要素语义预测得到的车道线信息。
可选地，一些实施例中，在训练初始的人工智能模型时，可以是将多个样本路况图像、多个要素以及多个要素语义输入至初始的人工智能模型之中，以得到人工智能模型输出的多个预测的车道线信息，而后，根据多个预测的车道线信息和多个标注的车道线信息来确定人工智能模型的收敛时机，即，如果多个预测的车道线信息和多个标注的车道线信息之间的目标损失值满足设定条件，则将训练得到的人工智能模型作为车道线检测模型，能够及时地确定出模型的收敛时机，并且使得训练得到的车道线检测模型能够有效地建模出智能交通场景中的车道线的图像特征，能够有效地提升车道线检测模型的车道线检测识别的效率，从而使得训练得到的车道线检测模型能够有效地满足实时性要求较高的应用场景。
上述的目标损失值的数量可以是一个或者多个，预测的车道线信息和标注的车道线信息之间的损失值，可以被称为目标损失值。
另外一些实施例中，也可以采用其他任意可能的方式来确定初始的人工智能模型的收敛时机，直至人工智能模型满足一定的收敛条件时，将训练得到的人工智能模型作为车道线检测模型。
本实施例中，通过获取多个样本路况图像，和与多个样本路况图像分别对应的多个标注的车道线信息，并确定与多个样本路况图像分别对应的多个要素，以及与多个要素分别对应的多个要素语义，以及根据多个样本路况图像、多个要素、多个要素语义以及多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型，能够有效降低路况图像中车道线检测识别的计算复杂度，提升车道线检测识别的效率，提升车道线的检测识别效果。
图2是根据本公开第二实施例的示意图。
如图2所示，该车道线检测模型的训练方法包括：
S201：获取多个样本路况图像，和与多个样本路况图像分别对应的多个标注的车道线信息。
S202：确定与多个样本路况图像分别对应的多个要素，以及与多个要素分别对应的多个要素语义。
S201-S202的描述说明可以具体参见上述实施例，在此不再赘述。
S203：将多个样本路况图像、多个要素以及多个要素语义输入至要素检测子模型之中，以得到要素检测子模型输出的目标要素。
本公开实施例中，初始的人工智能模型可以包括：顺序连接的要素检测子模型和车道线检测子模型，从而在训练初始的人工智能模型时，可以将多个样本路况图像、多个要素以及多个要素语义输入至要素检测子模型之中，以得到要素检测子模型输出的目标要素，该目标要素可以被用于辅助进行车道线实例的检测识别。
上述的要素检测子模型可以被用于进行图像特征提取，可以被视为车道线实例分割的预训练模型，假设上述获取的多个样本路况图像构成了城市景观Cityscapes数据集，而后，可以训练要素检测子模型的骨干网络backbone用于Cityscapes数据集中各个样本路况图像特征提取，以从各个样本路况图像之中识别出要素和相应的要素语义。
上述的要素检测子模型可以具体是用于视觉识别的深度高分辨率表示学习-对象上下文表示模型(Deep High-Resolution Representation Learning for VisualRecognition Object Contextual Representation，HRNet-OCR)，对此不做限制，即可以采用HRNet-OCR模型的骨干网络进行图像特征提取，而后，本公开实施例可以改进HRNet-OCR模型的结构，并训练改进后HRNet-OCR模型，使其实现要素的语义分割方法逻辑和车道线的检测识别的融合应用。
可以理解的是，由于车道线通常标识在道路表面上，则本公开实施例中，可以支持基于要素检测子模型处理多个样本路况图像、多个要素以及多个要素语义，以输出目标要素，该目标要素可以具体是要素类型为道路类型的要素，由于是首先识别出目标要素，而后，将目标要素，和与目标要素对应的目标要素语义，以及多个样本路况图像输入至车道线检测子模型之中，以得到车道线检测子模型输出的多个预测的车道线信息，从而能够提升模型处理识别的针对性，避免其它要素对车道线检测所带来的干扰，在辅助提升车道线检测模型的检测识别效率的同时，提升了检测识别的准确性。
S204：将目标要素，和与目标要素对应的目标要素语义，以及多个样本路况图像输入至车道线检测子模型之中，以得到车道线检测子模型输出的多个预测的车道线信息。
上述基于要素检测子模型处理多个样本路况图像、多个要素以及多个要素语义，以输出目标要素之后，可以将目标要素，和与目标要素对应的目标要素语义，以及多个样本路况图像输入至车道线检测子模型之中，以得到车道线检测子模型输出的多个预测的车道线信息。
其中，与目标要素对应的要素语义，可以被称为目标要素语义，假设目标要素是要素类型为道路类型的要素，则目标要素语义可以是道路类型和道路对应的图像特征等。
上述预测的车道线信息，可以具体是指预测的车道线状态，和/或车道线覆盖的图像区域中多个像素的预测上下文信息。
相应的，标注的车道线信息，可以具体是指标注的车道线状态，和/或车道线覆盖的图像区域中多个像素的标注上下文信息。
也即是说，针对每个样本路况图像，会对应存在有相应的标注的车道线状态，和/或标注上下文信息，针对每个样本路况图像，会对应存在有人工智能模型输出的预测的车道线状态，和/或预测上下文信息。
上述的车道线状态可以是指车道线存在、车道线不存在，而上下文信息，可以用于表征车道线覆盖的图像区域中各个像素对应的像素特征，以及各个像素与其它像素之间基于图像特征维度的相对关系(例如，相对位置关系，相对深度关系等)，对此不做限制。
从而本公开实施例中，能够结合上述的预测的车道线状态，和/或车道线覆盖的图像区域中多个像素的预测上下文信息，以及相应的标注的车道线状态，和/或标注上下文信息来确定人工智能模型的收敛时机，从而实现准确地确定出人工智能模型的收敛时机，能够有效降低模型训练的运算资源消耗，且保障了训练得到的车道线检测模型的检测识别效果。
S205：确定多个预测的车道线状态，和相应多个标注的车道线状态之间的多个第一损失值。
上述在确定多个预测的车道线状态，和相应多个标注的车道线状态之后，可以确定各个预测的车道线状态，与相应的标注的车道线状态之间的损失值，并作为第一损失值，该第一损失值能够用于表征车道线检测模型对车道线状态预测的损失差异情况。
S206：从多个第一损失值之中选取出目标第一损失值，并确定目标第一损失值所对应的目标预测车道线信息和目标标注车道线信息。
可选地，可以将多个第一损失值之中大于设定损失阈值的第一损失值作为目标第一损失值，也即是说，当第一损失值之中大于设定损失阈值时，表明预测的车道线状态更为接近标注的车道线状态，从而反映出此时的模型已具备较为准确的状态识别结果，使得损失值的确定更为符合实际模型的检测逻辑，保障方法的实用性和合理性。
设定损失阈值例如为0.5，则当第一损失值之中大于0.5时，可以表明此时阶段的车道线检测模型对于车道线状态的检测准确率符合了一定的需求，进而，确定其对于车道线类型或者其他车道线信息的预测检测结果。
上述从多个第一损失值之中选取出的满足一定条件的第一损失值，可以被称为第一目标损失值，与第一目标损失值对应的预测的车道线状态所属的预测的车道线信息，可以被称为目标预测车道线信息，与第一目标损失值对应的标注的车道线状态所属的标注的车道线信息，可以被称为目标标注车道线信息。
S207：确定目标预测车道线信息包含的预测上下文信息，并确定目标标注车道线信息包含的标注上下文信息。
上述在确定目标第一损失值所对应的目标预测车道线信息和目标标注车道线信息之后，可以确定目标预测车道线信息包含的预测上下文信息，并确定目标标注车道线信息包含的标注上下文信息，而后，触发后续步骤。
S208：确定预测上下文信息和目标标注车道线信息之间的第二损失值，并将第二损失值作为目标损失值。
比如，可以针对上述改进HRNet-OCR模型的结构配置损失函数，采用该损失函数来拟合预测上下文信息和目标标注车道线信息之间的差异，将得到的第二损失值作为上述的目标损失值，对此不做限制。
也即是说，本实施例中，支持采用多个维度的损失值来确定人工智能模型的收敛时机，当基于车道线状态确定的第一损失值满足一定的条件时，才触发基于预测上下文信息和目标标注车道线信息确定相应的第二损失值并作为目标损失值，用以确定收敛时机，能够有效提升损失值拟合的准确性，当基于该目标损失值确定出模型的收敛时机时，使得车道线检测模型能够获得更为准确的检测识别效果。
举例而言，可以在HRNet-OCR模型的网络结构增加一个分支结构，用于进行车道线实例的检测分割，预设车道线的数量为4，由此，在要素类别的基础上加4作为HRNet-OCR模型输出的总类别，上述假设要素分割的损失为lseg_ele，可以相应地添加车道线检测识别的损失，该车道线分割的损失包含两部分，一部分为像素损失lseg_lane，一部分为4条车道线是否存在而形成的二分类损失lexist，若第i条车道线存在，则否则/>相应地，HRNet-OCR模型总输出的损失值可以表示为：
ltotal＝lseg_ele+lseg_lane+0.1*lexist；
在车道线检测识别阶段，若则表明第i条车道线状态是：车道线存在，从而输出其像素预测的结果(包括预测上下文信息、预测车道线类别等)，否则视为该车道线不存在。
从而本公开实施例中，实现了针对路况图像作出有效的融合要素语义与车道线实例识别的分割网络结构，从而提高要素语义与车道线实例分割的准确性，为智慧交通、智能城市系统提供可靠的车道线分割结果。
S209：如果多个预测的车道线信息和多个标注的车道线信息之间的目标损失值满足设定条件，则将训练得到的人工智能模型作为车道线检测模型。
S209的描述说明可以具体参见上述实施例，在此不再赘述。
本实施例中，通过获取多个样本路况图像，和与多个样本路况图像分别对应的多个标注的车道线信息，并确定与多个样本路况图像分别对应的多个要素，以及与多个要素分别对应的多个要素语义，以及根据多个样本路况图像、多个要素、多个要素语义以及多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型，能够有效降低路况图像中车道线检测识别的计算复杂度，提升车道线检测识别的效率，提升车道线的检测识别效果。由于是首先识别出目标要素，而后，将目标要素，和与目标要素对应的目标要素语义，以及多个样本路况图像输入至车道线检测子模型之中，以得到车道线检测子模型输出的多个预测的车道线信息，从而能够提升模型处理识别的针对性，避免其它要素对车道线检测所带来的干扰，在辅助提升车道线检测模型的检测识别效率的同时，提升了检测识别的准确性。本公开实施例中，能够结合上述的预测的车道线状态，和/或车道线覆盖的图像区域中多个像素的预测上下文信息，以及相应的标注的车道线状态，和/或标注上下文信息来确定人工智能模型的收敛时机，从而实现准确地确定出人工智能模型的收敛时机，能够有效降低模型训练的运算资源消耗，且保障了训练得到的车道线检测模型的检测识别效果。
图3是根据本公开第三实施例的示意图。
如图3所示，该车道线检测模型的训练装置30，包括：
获取模块301，用于获取多个样本路况图像，和与多个样本路况图像分别对应的多个标注的车道线信息。
确定模块302，用于确定与多个样本路况图像分别对应的多个要素，以及与多个要素分别对应的多个要素语义。
训练模块303，用于根据多个样本路况图像、多个要素、多个要素语义以及多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型。
在本公开的一些实施例中，如图4所示，图4是根据本公开第四实施例的示意图，该车道线检测模型的训练装置40，包括：获取模块401、确定模块402，以及训练模块403，其中，训练模块403，包括：
获取子模块4031，用于将多个样本路况图像、多个要素以及多个要素语义输入至初始的人工智能模型之中，以得到人工智能模型输出的多个预测的车道线信息；
训练子模块4032，用于在多个预测的车道线信息和多个标注的车道线信息之间的目标损失值满足设定条件时，将训练得到的人工智能模型作为车道线检测模型。
在本公开的一些实施例中，车道线信息包括：车道线状态，和/或车道线覆盖的图像区域中多个像素的上下文信息，图像区域，是车道线所属的样本路况图像之中的局部的图像区域。
在本公开的一些实施例中，其中，训练子模块4032，具体用于：
确定多个预测的车道线状态，和相应多个标注的车道线状态之间的多个第一损失值；
从多个第一损失值之中选取出目标第一损失值，并确定目标第一损失值所对应的目标预测车道线信息和目标标注车道线信息；
确定目标预测车道线信息包含的预测上下文信息，并确定目标标注车道线信息包含的标注上下文信息；
确定预测上下文信息和目标标注车道线信息之间的第二损失值，并将第二损失值作为目标损失值。
在本公开的一些实施例中，其中，训练子模块4032，具体用于：
将多个第一损失值之中大于设定损失阈值的第一损失值作为目标第一损失值。
在本公开的一些实施例中，初始的人工智能模型包括：顺序连接的要素检测子模型和车道线检测子模型，其中，获取子模块4031，具体用于：
将多个样本路况图像、多个要素以及多个要素语义输入至要素检测子模型之中，以得到要素检测子模型输出的目标要素；
将目标要素，和与目标要素对应的目标要素语义，以及多个样本路况图像输入至车道线检测子模型之中，以得到车道线检测子模型输出的多个预测的车道线信息。
可以理解的是，本实施例附图4中的车道线检测模型的训练装置40与上述实施例中的车道线检测模型的训练装置30，获取模块401与上述实施例中的获取模块301，确定模块402与上述实施例中的确定模块302，训练模块403与上述实施例中的训练模块303，可以具有相同的功能和结构。
需要说明的是，前述对车道线检测模型的训练方法的解释说明也适用于本实施例的车道线检测模型的训练装置，此处不再赘述。
本实施例中，通过获取多个样本路况图像，和与多个样本路况图像分别对应的多个标注的车道线信息，并确定与多个样本路况图像分别对应的多个要素，以及与多个要素分别对应的多个要素语义，以及根据多个样本路况图像、多个要素、多个要素语义以及多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型，能够有效降低路况图像中车道线检测识别的计算复杂度，提升车道线检测识别的效率，提升车道线的检测识别效果。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5是用来实现本公开实施例的车道线检测模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如，车道线检测模型的训练方法。
例如，在一些实施例中，车道线检测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的车道线检测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车道线检测模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的车道线检测模型的训练方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (11)
1.一种车道线检测模型的训练方法，包括：
获取多个样本路况图像，和与所述多个样本路况图像分别对应的多个标注的车道线信息；
对所述多个样本路况图像分别进行图像识别，得到与每个样本路况图像分别对应的多个要素，以及与每个要素分别对应的要素语义，要素语义是指要素的要素类型和要素特征；以及
根据所述多个样本路况图像、所述多个要素、多个要素语义以及所述多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型；
所述初始的人工智能模型包括：顺序连接的要素检测子模型和车道线检测子模型，其中，所述根据所述多个样本路况图像、所述多个要素、所述多个要素语义以及所述多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型，包括：
将所述多个样本路况图像、所述多个要素以及多个要素语义输入至所述要素检测子模型之中，以得到所述要素检测子模型输出的目标要素；
将所述目标要素，和与所述目标要素对应的目标要素语义，以及所述多个样本路况图像输入至所述车道线检测子模型之中，以得到所述车道线检测子模型输出的多个预测的车道线信息；
根据多个预测的车道线信息训练初始的人工智能模型，以得到车道线检测模型；
其中，所述根据多个预测的车道线信息训练初始的人工智能模型，以得到车道线检测模型，包括：
如果所述多个预测的车道线信息和所述多个标注的车道线信息之间的目标损失值满足设定条件，则将训练得到的人工智能模型作为所述车道线检测模型。
2.根据权利要求1所述的方法，所述车道线信息包括：车道线状态，和/或车道线覆盖的图像区域中多个像素的上下文信息，所述图像区域，是所述车道线所属的样本路况图像之中的局部的图像区域。
3.根据权利要求2所述的方法，其中，确定所述多个预测的车道线信息和所述多个标注的车道线信息之间的目标损失值，包括：
确定多个预测的车道线状态，和相应多个标注的车道线状态之间的多个第一损失值；
从所述多个第一损失值之中选取出目标第一损失值，并确定所述目标第一损失值所对应的目标预测车道线信息和目标标注车道线信息；
确定所述目标预测车道线信息包含的预测上下文信息，并确定所述目标标注车道线信息包含的标注上下文信息；
确定所述预测上下文信息和所述目标标注车道线信息之间的第二损失值，并将所述第二损失值作为所述目标损失值。
4.根据权利要求3所述的方法，其中，所述从所述多个第一损失值之中选取出目标第一损失值，包括：
将所述多个第一损失值之中大于设定损失阈值的第一损失值作为所述目标第一损失值。
5.一种车道线检测模型的训练装置，包括：
获取模块，用于获取多个样本路况图像，和与所述多个样本路况图像分别对应的多个标注的车道线信息；
确定模块，用于对所述多个样本路况图像分别进行图像识别，得到与每个样本路况图像分别对应的多个要素，以及与每个要素分别对应的要素语义，要素语义是指要素的要素类型和要素特征；以及
训练模块，用于根据所述多个样本路况图像、所述多个要素、多个要素语义以及所述多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型；
所述初始的人工智能模型包括：顺序连接的要素检测子模型和车道线检测子模型，其中，所述训练模块，包括：获取子模块和训练子模块；
所述获取子模块，用于：
将所述多个样本路况图像、所述多个要素以及所述多个要素语义输入至所述要素检测子模型之中，以得到所述要素检测子模型输出的目标要素；
将所述目标要素，和与所述目标要素对应的目标要素语义，以及所述多个样本路况图像输入至所述车道线检测子模型之中，以得到所述车道线检测子模型输出的多个预测的车道线信息；
所述训练子模块，用于：
根据多个预测的车道线信息训练初始的人工智能模型，以得到车道线检测模型；
其中，所述训练子模块，具体用于：
在所述多个预测的车道线信息和所述多个标注的车道线信息之间的目标损失值满足设定条件时，将训练得到的人工智能模型作为所述车道线检测模型。
6.根据权利要求5所述的装置，所述车道线信息包括：车道线状态，和/或车道线覆盖的图像区域中多个像素的上下文信息，所述图像区域，是所述车道线所属的样本路况图像之中的局部的图像区域。
7.根据权利要求6所述的装置，其中，所述训练子模块，具体用于：
确定多个预测的车道线状态，和相应多个标注的车道线状态之间的多个第一损失值；
从所述多个第一损失值之中选取出目标第一损失值，并确定所述目标第一损失值所对应的目标预测车道线信息和目标标注车道线信息；
确定所述目标预测车道线信息包含的预测上下文信息，并确定所述目标标注车道线信息包含的标注上下文信息；
确定所述预测上下文信息和所述目标标注车道线信息之间的第二损失值，并将所述第二损失值作为所述目标损失值。
8.根据权利要求7所述的装置，其中，所述训练子模块，具体用于：
将所述多个第一损失值之中大于设定损失阈值的第一损失值作为所述目标第一损失值。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
11.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470476.1A CN113191256B (zh) | 2021-04-28 | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
| PCT/CN2022/075105 WO2022227769A1 (zh) | 2021-04-28 | 2022-01-29 | 车道线检测模型的训练方法、装置、电子设备及存储介质 |
| KR1020227027156A KR20220117341A (ko) | 2021-04-28 | 2022-01-29 | 차선 검출 모델의 트레이닝 방법, 장치, 전자 기기 및 저장 매체 |
| JP2022580383A JP2023531759A (ja) | 2021-04-28 | 2022-01-29 | 車線境界線検出モデルの訓練方法、車線境界線検出モデルの訓練装置、電子機器、記憶媒体及びコンピュータプログラム |
| US18/003,463 US20230245429A1 (en) | 2021-04-28 | 2022-01-29 | Method and apparatus for training lane line detection model, electronic device and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470476.1A CN113191256B (zh) | 2021-04-28 | 车道线检测模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113191256A CN113191256A (zh) | 2021-07-30 |
| CN113191256B true CN113191256B (zh) | 2024-06-11 |
Family
ID=
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084095A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大华技术股份有限公司 | 车道线检测方法、车道线检测装置和计算机存储介质 |
| CN111310593A (zh) * | 2020-01-20 | 2020-06-19 | 浙江大学 | 一种基于结构感知的超快速车道线检测方法 |
| CN111507226A (zh) * | 2020-04-10 | 2020-08-07 | 北京觉非科技有限公司 | 道路图像识别模型建模方法、图像识别方法及电子设备 |
| CN111860255A (zh) * | 2020-07-10 | 2020-10-30 | 东莞正扬电子机械有限公司 | 驾驶检测模型的训练、使用方法、装置、设备及介质 |
| CN112200172A (zh) * | 2020-12-07 | 2021-01-08 | 天津天瞳威势电子科技有限公司 | 一种可行驶区域的检测方法及装置 |
| CN112528864A (zh) * | 2020-12-14 | 2021-03-19 | 北京百度网讯科技有限公司 | 模型生成方法、装置、电子设备和存储介质 |
| CN112528878A (zh) * | 2020-12-15 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 检测车道线的方法、装置、终端设备及可读存储介质 |
| CN112633380A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 兴趣点特征提取方法、装置、电子设备及存储介质 |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084095A (zh) * | 2019-03-12 | 2019-08-02 | 浙江大华技术股份有限公司 | 车道线检测方法、车道线检测装置和计算机存储介质 |
| CN111310593A (zh) * | 2020-01-20 | 2020-06-19 | 浙江大学 | 一种基于结构感知的超快速车道线检测方法 |
| CN111507226A (zh) * | 2020-04-10 | 2020-08-07 | 北京觉非科技有限公司 | 道路图像识别模型建模方法、图像识别方法及电子设备 |
| CN111860255A (zh) * | 2020-07-10 | 2020-10-30 | 东莞正扬电子机械有限公司 | 驾驶检测模型的训练、使用方法、装置、设备及介质 |
| CN112200172A (zh) * | 2020-12-07 | 2021-01-08 | 天津天瞳威势电子科技有限公司 | 一种可行驶区域的检测方法及装置 |
| CN112528864A (zh) * | 2020-12-14 | 2021-03-19 | 北京百度网讯科技有限公司 | 模型生成方法、装置、电子设备和存储介质 |
| CN112528878A (zh) * | 2020-12-15 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 检测车道线的方法、装置、终端设备及可读存储介质 |
| CN112633380A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 兴趣点特征提取方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560874B (zh) | 图像识别模型的训练方法、装置、设备和介质 | |
| CN113379813B (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
| CN113361572B (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
| CN113012176B (zh) | 样本图像的处理方法、装置、电子设备及存储介质 | |
| CN113378712B (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
| CN114648676B (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
| CN113859264B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
| CN113780098B (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
| CN113705716B (zh) | 图像识别模型训练方法、设备、云控平台及自动驾驶车辆 | |
| US20230245429A1 (en) | Method and apparatus for training lane line detection model, electronic device and storage medium | |
| CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
| CN113177469A (zh) | 人体属性检测模型的训练方法、装置、电子设备及介质 | |
| CN113361363B (zh) | 人脸图像识别模型的训练方法、装置、设备及存储介质 | |
| CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 | |
| CN114972910B (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 | |
| CN113191256B (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
| CN114419564B (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
| CN113344121B (zh) | 训练招牌分类模型和招牌分类的方法 | |
| CN113051926B (zh) | 文本抽取方法、设备和存储介质 | |
| CN115984791A (zh) | 自动驾驶感知模型的生成方法、装置及电子设备 | |
| CN114445668A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
| CN113936158A (zh) | 一种标签匹配方法及装置 | |
| CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
| WO2022227769A1 (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |