CN114005101A - 一种车道线识别方法、设备及介质 - Google Patents
一种车道线识别方法、设备及介质 Download PDFInfo
- Publication number
- CN114005101A CN114005101A CN202111271961.2A CN202111271961A CN114005101A CN 114005101 A CN114005101 A CN 114005101A CN 202111271961 A CN202111271961 A CN 202111271961A CN 114005101 A CN114005101 A CN 114005101A
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- edge
- inputting
- preset
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种车道线识别方法、设备及介质。将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,所述车道边缘预处理网络由相应的编码器与解码器组成;根据所述车道线特征生成二分车道线边缘图,以通过所述二分车道线边缘图获取车道线坐标;将所述二分车道线边缘图,以及所述车道线坐标输入预设车道线识别网络模型,通过所述预设车道线识别网络模型,确定出所述车道线坐标与预估车道线之间的距离,以根据所述距离对所述待测车道线图像中的车道线进行识别。
Description
技术领域
本申请涉及于计算机视觉技术领域,尤其涉及一种车道线识别方法、设备及介质。
背景技术
随着计算机技术和计算机硬件的不断发展,机器视觉领域飞速进步,并在学术界和工业界有着大量的应用。近年来多模态信息技术融合的进步,以及多种分割检测网络的发展,也促使自动驾驶发展到一个新的阶段。
车道线,是引导方向的车道标线。用来指示车辆在路口驶入段应按所指方向行驶。在车流大的交通路口一般画有此类标线,目的就是明确行车方向,各行其道,减缓交通压力。车道线检测,即为检测当前道路中的车道线,以提供准确的车道线坐标和每条车道线的形状。车道线检测作为自动驾驶和自动辅助驾驶的一个重要组成部分,如何对一条乃至多条车道线进行准确的识别,成为了当前视觉领域的一个重点和难点。
发明内容
本申请实施例提供了一种车道线识别方法、设备及介质,用于解决如下技术问题:如何对一条乃至多条车道线进行准确的识别。
本申请实施例采用下述技术方案:
本申请实施例提供一种车道线识别方法,包括,将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,车道边缘预处理网络由相应的编码器与解码器组成;根据车道线特征生成二分车道线边缘图,以通过二分车道线边缘图获取车道线坐标;将二分车道线边缘图,以及车道线坐标输入预设车道线识别网络模型,通过预设车道线识别网络模型,确定出车道线坐标与预估车道线之间的距离,以根据距离对待测车道线图像中的车道线进行识别。
本申请实施例通过车道边缘预处理网络,对车道线特征进行提取,并根据提取出的特征生成二分车道线边缘图,不仅可以通过编码器解码器对图像进行处理,使其更为清晰,同时也可以获取图像中车道线的坐标位置。其次,本申请实施例通过将降维后的图像与车道线坐标输入预置神经网络模型,能够得到车道线的数量,从而实现对多条车道线的识别。
在本申请的一种实现方式中,将二分车道线边缘图,以及车道线坐标输入预设车道线识别网络模型,具体包括:将二分车道线边缘图输入车道线局部检测网络,以得到降维后的二分车道线边缘图;获取降维后的二分车道线边缘图对应的车道线边缘点的数量;根据车道线边缘点的数量对车道线坐标值进行降维;将降维后的二分车道线边缘图与降维后的车道线坐标值,输入预设车道线识别网络模型。
本申请实施例通过对车道线坐标值进行降维处理,能够降低计算量,从而提高对车道识别的速度。
在本申请的一种实现方式中,将二分车道线边缘图输入车道线局部检测网络,以得到降维后的二分车道线边缘图,具体包括:将二分车道线边缘图输入车道线局部检测网络中的全连接层,以得到第一特征图;其中,全连接层由一维卷积与最大池化层组成;将第一特征图输入平均池化层,对第一特征图对应的多通道进行相加求平均,得到第二平均特征图;将第二平均特征图输入低维度表示层进行降维处理,以得到降维后的二分车道线边缘图。
本申请实施例通过将二分车道线边缘图输入车道线局部检测网络中的全连接层,能够实现全部坐标点的信息互通。其次,本申请实施例通过将特征图进行降维处理,能够减少数据量,降低计算的复杂度,从而提高计算的速度。
在本申请的一种实现方式中,将待测车道线图像输入车道边缘预处理网络,得出车道线特征,具体包括:通过车道边缘预处理网络中编码器的卷积层,对待测车道图像进行车道线特征提取;其中,卷积层包括预设维度的卷积核以及空洞系数不同的空洞卷积核。
在本申请的一种实现方式中,根据车道线特征生成二分车道线边缘图,具体包括:通过车道边缘预处理网络中解码器的微像素卷积层,对车道线特征进行特征分辨率恢复,以得到二分车道线边缘图。
在本申请的一种实现方式中,将待测车道线图像输入车道边缘预处理网络,得出车道线特征之前,方法还包括:将第一训练集中的车道线图像输入车道边缘预处理网络中的编码器,编码器对第一训练集中的车道线图像进行车道线特征提取;车道边缘预处理网络中的解码器根据车道线特征,生成第一训练集中的车道线图像所对应的二分车道线边缘图;通过预设损失函数,确定出第一训练集中的车道线图像,与第一训练集中的车道线图像所对应的二分车道线边缘图之间像素值的区别度;在像素区别度符合预设值时,训练后的编码器与解码器符合要求。
在本申请的一种实现方式中,将二分车道线边缘图,以及车道线坐标输入预设车道线识别网络模型之前,方法还包括:将第二训练集中的车道线边缘图,与车道线边缘图中标注的车道线坐标作为输入,将第二训练集中的车道线边缘图对应的车道线的数量作为输出,对预设神经网络进行训练,以得到预设车道线识别网络模型。
在本申请的一种实现方式中,对预设神经网络进行训练,具体包括:获取预测的车道线键值与标注的车道线键值之间的距离差值,并确定出距离差值对应的最小平方误差;获取车道线坐标值,并确定出车道线坐标值与最近预估车道线的最小预测距离;根据最小平方误差以及最小预测距离,得到车道线局部检测网络弱监督学习训练的损失函数值。
本申请实施例提供一种车道线识别设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,车道边缘预处理网络由相应的编码器与解码器组成;根据车道线特征生成二分车道线边缘图,以通过二分车道线边缘图获取车道线坐标;将二分车道线边缘图,以及车道线坐标输入预设车道线识别网络模型,通过预设车道线识别网络模型,确定出车道线坐标与预估车道线之间的距离,以根据距离对待测车道线图像中的车道线进行识别。
本申请实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,车道边缘预处理网络由相应的编码器与解码器组成;根据车道线特征生成二分车道线边缘图,以通过二分车道线边缘图获取车道线坐标;将二分车道线边缘图,以及车道线坐标输入预设车道线识别网络模型,通过预设车道线识别网络模型,确定出车道线坐标与预估车道线之间的距离,以根据距离对待测车道线图像中的车道线进行识别。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过车道边缘预处理网络,对车道线特征进行提取,并根据提取出的特征生成二分车道线边缘图,不仅可以通过编码器解码器对图像进行处理,使其更为清晰,同时也可以获取图像中车道线的坐标位置。其次,本申请实施例通过将降维后的图像与车道线坐标输入预置神经网络模型,能够得到车道线的数量,从而实现对多条车道线的识别。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种车道线识别方法的流程图;
图2为本申请实施例提供的一种车道边缘预处理网络结构图;
图3为本申请实施例提供的一种车道线局部检测网络结构图;
图4为本申请实施例提供的一种车道线识别设备的结构示意图。
具体实施方式
本申请实施例提供一种车道线识别方法、设备及介质。
为了使本技术领域的人员更好地理解本申请中的技术方案,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。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
随着计算机技术和计算机硬件的不断发展,机器视觉领域飞速进步,并在学术界和工业界有着大量的应用。近年来多模态信息技术融合的进步,以及多种分割检测网络的发展,也促使自动驾驶发展到一个新的阶段。
车道线检测,即为检测当前道路车道线,以提供准确的车道线坐标和每条车道线的形状。车道线检测作为自动驾驶和自动辅助驾驶的一个重要组成部分,如何做到快速,准确识别一条乃至多条车道线,成为了当前视觉领域的一个重点和难点。
此外,当前车道线检测过程中易受到其他相似物体的干扰,形成模型识别的噪音。
为了解决上述问题,本申请实施例提供一种车道线识别方法、设备及介质。通过车道边缘预处理网络,对车道线特征进行提取,并根据提取出的特征生成二分车道线边缘图,不仅可以通过编码器解码器对图像进行处理,使其更为清晰,同时也可以获取图像中车道线的坐标位置。其次,本申请实施例通过将降维后的图像与车道线坐标输入预置神经网络模型,能够得到车道线的数量,从而实现对多条车道线的识别。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种车道线识别方法的流程图。如图1所示,车道线识别方法包括如下步骤:
S101、车道线识别设备将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,车道边缘预处理网络由相应的编码器与解码器组成。
在本申请的一个实施例中,车道线识别设备将第一训练集中的车道线图像输入车道边缘预处理网络中的编码器,编码器对第一训练集中的车道线图像进行车道线特征提取。车道边缘预处理网络中的解码器根据车道线特征,生成第一训练集中的车道线图像所对应的二分车道线边缘图。通过第一损失函数,确定出第一训练集中的车道线图像,与第一训练集中的车道线图像所对应的二分车道线边缘图之间像素值的区别度。在像素区别度符合预设值时,训练后的编码器与解码器符合要求。
具体地,本申请实施例中的车道边缘预处理网络由相应的编码器与解码器组成。在对待测车道线图像进行处理之前,需要获取相应的编码器-解码器结构。然后再将待测车道线图像依次输入编码器和解码器。
在本申请的一个实施例中,通过车道边缘预处理网络中编码器的卷积层,对待测车道图像进行车道线特征提取。其中,卷积层包括预设维度的卷积核以及空洞系数不同的空洞卷积核。
具体地,通过第一训练集中的车道线图像,对编码器-解码器进行训练。将训练集中的图像输入编码器,编码器可以提取出车道线相关的特征,并将提取出的特征输入解码器。此时,解码器根据接收到的特征逐步恢复特征分辨率,并生成二分车道线边缘图。通过损失函数对二分车道线边缘图的像素值,与输入编码器中的图像的像素值进行计算,得到损失函数值,并在损失函数值小于预设值时,说明训练后的编码器与解码器符合要求。
进一步地,为加快图像处理素的速度,本申请实施例中的编码器采用小卷积核,将第一训练集中的车道线图像输入编码器的第一层卷积层,该卷积层由1×1卷积核与空洞系数不同的空洞卷积核组成。其中,该1×1卷积核实现了多通道级别信息融合,空洞卷积的使用减少了参与计算的参数的数量,简化了计算。本申请实施例中的空洞卷积核大小为3×3维度,缩放系数分别为4,2,1。根据预设的缩放系数将逐步扩大网络模型的感受野。
进一步地,编码器对应的第一层卷积层与平均池化层相连,与平均池化层组成了第一个模块。其中,编码器可以包含四个模块,以及一个单独的第五卷积层,且每个模块与该第一个模块相同。此外,本申请实施例中的解码器使用微像素卷积层,逐步恢复特征分辨率。
通过第一损失函数,确定出第一训练集中的车道线图像,与第一训练集中的车道线图像所对应的二分车道线边缘图之间像素值的区别度。在像素区别度符合预设值时,训练后的编码器与解码器符合要求。
具体地,编码器-解码器训练损失函数为
其中,w为图像的宽度,h为图像的高度。
图2为本申请实施例提供的一种车道边缘预处理网络结构图。由图2所示,车道边缘预处理网络包括1×1卷积核与空洞系数不同的空洞卷积核组成。1×1卷积核实现了多通道级别信息融合,空洞卷积的使用减少了额外参数的开销,简化了计算。其中,空洞卷积核大小同为3*3维度,缩放系数分别为4,2,1。通过不同的缩放系数将逐步扩大网络模型的感受野。
S102、根据车道线特征生成二分车道线边缘图,以通过二分车道线边缘图获取车道线坐标。
在本申请的一个实施例中,通过车道边缘预处理网络中编码器的卷积层,对待测车道图像进行车道线特征提取。以及通过车道边缘预处理网络中解码器的微像素卷积层,对车道线特征进行特征分辨率恢复,以得到待测车道线图像对应的二分车道线边缘图。
具体地,使用轻量级编码器-解码器结构进行待测车道线图像初步编码。编码器首先进行深度分离卷积层,其中,深度分离卷积层使用3×3卷积核进行层层递进的特征提取。其次,通过解码器结构进行特征分辨恢复并产生像素级别的二分车道线边缘图。通过边缘预检测网络生成的二分车道线边缘图,将进入第二阶段的车道线局部检测网络。
S103、将二分车道线边缘图,以及车道线坐标输入预设车道线识别网络模型,通过预设车道线识别网络模型,确定出车道线坐标与预估车道线之间的距离,以根据距离对待测车道线图像中的车道线进行识别。
在本申请的一个实施例中,将第二训练集中的车道线边缘图,与车道线边缘图中标注的车道线坐标作为输入。将第二训练集中的车道线边缘图对应的车道线的数量作为输出,对预设神经网络进行训练,以得到预设车道线识别网络模型。
具体地,本申请实施例先通过预先设置的第二训练集对神经网络模型进行训练,得到预设车道线识别网络模型。其中,第二训练集中包含多个标注出车道线坐标,以及车道线数量的车道线边缘图。
在本申请的一个实施例中,将二分车道线边缘图输入车道线局部检测网络,以得到降维后的二分车道线边缘图。获取降维后的二分车道线边缘图对应的车道线边缘点的数量。根据车道线边缘点的数量对车道线坐标值进行降维。将降维后的二分车道线边缘图与降维后的车道线坐标值,输入预设车道线识别网络模型。
具体地,在车道线局部检测网络第一阶段中,将获取到的车道线坐标作为输入值,并将输入值维度从w×h减小到n×2。其中n是二分车道线边缘图中车道线边缘点数量。
在本申请的一个实施例中,将二分车道线边缘图输入车道线局部检测网络中的全连接层、平均池化层以及低维度表示层。以得到降维后的二分车道线边缘图。
具体地,将二分车道线边缘图输入车道线局部检测网络中的全连接层,以得到第一特征图。其中,全连接层由一维卷积与最大池化层组成。将第一特征图输入平均池化层,对第一特征图对应的多通道进行相加求平均,得到第二平均特征图。将第二平均特征图输入低维度表示层进行降维处理,以得到降维后的二分车道线边缘图。
进一步地,车道线局部检测网络采用多层共享全连接层,该全连接层由一维卷积和最大池化层组成。一维卷积核大小与每个车道线坐标点的特征维度相同。多层共享全连接层实现了输入顺序可变性和多样性。经过上述全连接层后,车道线局部检测网络进入非线性特征值聚合阶段,以实现全部坐标点的信息互通,其次,第一阶段结果将进入平均池化层。最终车道线局部检测网络第一阶段将生成低纬表示层,得到降维后的二分车道线边缘图。以进入第二阶段深度神经网络。
图3为本申请实施例提供的一种车道线局部检测网络结构图。如图3所示,车道线局部检测网络采用多层共享全连接层,该全连接层由一维卷积和最大池化层组成。一维卷积核大小与每个点的特征维度相同。将池化层输出的结果输入神经网络,经过训练,在损失函数值低于预设阈值的情况下,生成深度神经网络模型。
在本申请的一个实施例中,第二阶段深度神经网络将解决车道线数量的不确定的问题。通过将图中车道线拟合为二阶函数,经过第二阶段深度神经网络不断迭代,生成对车道线预测信任分数。
具体地,通过函数
确定出每条车道线的函数系数。其中[K1,K2,K3]为车道线的键值,[P2,P1,P0]为二阶系数,包括线性和常数,h为图像宽边对应的像素值。
进一步地,车道线局部检测网络可进行有监督学习训练或弱监督学习训练。有监督学习训练损失函数,可通过缩小预测键值的平均值和车道线真实标注键值对应的L2范数距离差值,从而实现函数和模型收敛。
在本申请的一个实施例中,获取预测的车道线键值与标注的车道线键值之间的距离差值,并确定出距离差值对应的最小平方误差。获取车道线坐标值,并确定出车道线坐标值与最近预估车道线的最小预测距离。根据最小平方误差以及最小预测距离,得到车道线局部检测网络弱监督学习训练的损失函数值。
具体地,车道线局部检测网络可通过使用弱监督学习训练,大大减少数据标注工作。弱监督训练学习仅需车道线数量作为标注信息,使用min-distance损失函数。其中,min-distance损失函数通过计算每个车道线坐标输入点与最近估计车道线的距离得出。
进一步地,min-distance损失函数的输出值与有监督学习训练损失函数法人输出值类似,通过函数
具体地,车道线局部检测网络弱监督学习训练整体损失函数,将结合L2范数损失函数与min-distance损失函数:
L=L2+α*Lmin-distance
其中,L为整体损失函数值,L2为L2范数损失函数,α为常数系数,Lmin-distance为min-distance损失函数的输出值。
通过获取预测的车道线键值与标注的车道线键值之间的距离差值,并确定出距离差值对应的最小平方误差,以得到L2损失函数的输出值。通过L2损失函数的输出值与min-distance损失函数的输出值进行相加计算,即可得到整体损失函数的输出值。
在本申请的一个实施例中,车道线局部检测网络将在深度神经网络产生的损失函数值低于一定阈值后停止。此时,深度神经网络训练完成。将待测车道线图像对应的二分车道线边缘图,以及生成的车道线坐标输入该预设车道线识别网络模型,即可得到待测车道线图像对应的车道的数量。
本申请实施例通过在车道线边缘预检测网络中使用编码器-解码器,实现了从视觉组图像缝合数据库(IPM,Image Stitching Database)图像,到二分车道线边缘投射图的映射。结合卷积与深度神经网络实现了一种减轻人力标注的弱监督学习训练过程,以完成对多条车道线的检测。
图4为本申请实施例提供的一种车道线识别设备的结构示意图。如图4所示,车道线识别设备包括,
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:
将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,所述车道边缘预处理网络由相应的编码器与解码器组成;
根据所述车道线特征生成二分车道线边缘图,以通过所述二分车道线边缘图获取车道线坐标;
将所述二分车道线边缘图,以及所述车道线坐标输入预设车道线识别网络模型,通过所述预设车道线识别网络模型,确定出所述车道线坐标与预估车道线之间的距离,以根据所述距离对所述待测车道线图像中的车道线进行识别。
本申请实施例还包括一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,所述车道边缘预处理网络由相应的编码器与解码器组成;
根据所述车道线特征生成二分车道线边缘图,以通过所述二分车道线边缘图获取车道线坐标;
将所述二分车道线边缘图,以及所述车道线坐标输入预设车道线识别网络模型,通过所述预设车道线识别网络模型,确定出所述车道线坐标与预估车道线之间的距离,以根据所述距离对所述待测车道线图像中的车道线进行识别。
本申请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,对于装置、设备、非易失性计算机存储介质实施例而言,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。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种车道线识别方法,其特征在于,所述方法包括:
将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,所述车道边缘预处理网络由相应的编码器与解码器组成;
根据所述车道线特征生成二分车道线边缘图,以通过所述二分车道线边缘图获取车道线坐标;
将所述二分车道线边缘图,以及所述车道线坐标输入预设车道线识别网络模型,通过所述预设车道线识别网络模型,确定出所述车道线坐标与预估车道线之间的距离,以根据所述距离对所述待测车道线图像中的车道线进行识别。
2.根据权利要求1所述的一种车道线识别方法,其特征在于,所述将所述二分车道线边缘图,以及所述车道线坐标输入预设车道线识别网络模型,具体包括:
将所述二分车道线边缘图输入车道线局部检测网络,以得到降维后的二分车道线边缘图;
获取所述降维后的二分车道线边缘图对应的车道线边缘点的数量;
根据所述车道线边缘点的数量对所述车道线坐标值进行降维;
将降维后的二分车道线边缘图与降维后的车道线坐标值,输入预设车道线识别网络模型。
3.根据权利要求2所述的一种车道线识别方法,其特征在于,所述将所述二分车道线边缘图输入车道线局部检测网络,以得到降维后的二分车道线边缘图,具体包括:
将所述二分车道线边缘图输入车道线局部检测网络中的全连接层,以得到第一特征图;其中,所述全连接层由一维卷积与最大池化层组成;
将所述第一特征图输入平均池化层,对所述第一特征图对应的多通道进行相加求平均,得到第二平均特征图;
将所述第二平均特征图输入低维度表示层进行降维处理,以得到降维后的二分车道线边缘图。
4.根据权利要求1所述的一种车道线识别方法,其特征在于,所述将待测车道线图像输入车道边缘预处理网络,得出车道线特征,具体包括:
通过所述车道边缘预处理网络中编码器的卷积层,对所述待测车道图像进行车道线特征提取;其中,所述卷积层包括预设维度的卷积核以及空洞系数不同的空洞卷积核。
5.根据权利要求1所述的一种车道线识别方法,其特征在于,所述根据所述车道线特征生成二分车道线边缘图,具体包括:
通过所述车道边缘预处理网络中解码器的微像素卷积层,对所述车道线特征进行特征分辨率恢复,以得到二分车道线边缘图。
6.根据权利要求1所述的一种车道线识别方法,其特征在于,所述将待测车道线图像输入车道边缘预处理网络,得出车道线特征之前,所述方法还包括:
将第一训练集中的车道线图像输入车道边缘预处理网络中的编码器,所述编码器对所述第一训练集中的车道线图像进行车道线特征提取;
所述车道边缘预处理网络中的解码器根据车道线特征,生成所述第一训练集中的车道线图像所对应的二分车道线边缘图;
通过预设损失函数,确定出所述第一训练集中的车道线图像,与所述第一训练集中的车道线图像所对应的二分车道线边缘图之间像素值的区别度;
在所述像素区别度符合预设值时,训练后的编码器与解码器符合要求。
7.根据权利要求1所述的一种车道线识别方法,其特征在于,所述将所述二分车道线边缘图,以及所述车道线坐标输入预设车道线识别网络模型之前,所述方法还包括:
将第二训练集中的车道线边缘图,与所述车道线边缘图中标注的车道线坐标作为输入,将所述第二训练集中的车道线边缘图对应的车道线的数量作为输出,对预设神经网络进行训练,以得到预设车道线识别网络模型。
8.根据权利要求7所述的一种车道线识别方法,其特征在于,所述对预设神经网络进行训练,具体包括:
获取预测的车道线键值与标注的车道线键值之间的距离差值,并确定出所述距离差值对应的最小平方误差;
获取车道线坐标值,并确定出所述车道线坐标值与最近预估车道线的最小预测距离;
根据所述最小平方误差以及所述最小预测距离,得到所述车道线局部检测网络弱监督学习训练的损失函数值。
9.一种车道线识别设备,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:
将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,所述车道边缘预处理网络由相应的编码器与解码器组成;
根据所述车道线特征生成二分车道线边缘图,以通过所述二分车道线边缘图获取车道线坐标;
将所述二分车道线边缘图,以及所述车道线坐标输入预设车道线识别网络模型,通过所述预设车道线识别网络模型,确定出所述车道线坐标与预估车道线之间的距离,以根据所述距离对所述待测车道线图像中的车道线进行识别。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将待测车道线图像输入车道边缘预处理网络,得出车道线特征,其中,所述车道边缘预处理网络由相应的编码器与解码器组成;
根据所述车道线特征生成二分车道线边缘图,以通过所述二分车道线边缘图获取车道线坐标;
将所述二分车道线边缘图,以及所述车道线坐标输入预设车道线识别网络模型,通过所述预设车道线识别网络模型,确定出所述车道线坐标与预估车道线之间的距离,以根据所述距离对所述待测车道线图像中的车道线进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271961.2A CN114005101A (zh) | 2021-10-29 | 2021-10-29 | 一种车道线识别方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271961.2A CN114005101A (zh) | 2021-10-29 | 2021-10-29 | 一种车道线识别方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114005101A true CN114005101A (zh) | 2022-02-01 |
Family
ID=79925151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111271961.2A Pending CN114005101A (zh) | 2021-10-29 | 2021-10-29 | 一种车道线识别方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114005101A (zh) |
-
2021
- 2021-10-29 CN CN202111271961.2A patent/CN114005101A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190752B (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN107545263B (zh) | 一种物体检测方法及装置 | |
CN111612807A (zh) | 一种基于尺度和边缘信息的小目标图像分割方法 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
CN113361432B (zh) | 一种基于深度学习的视频文字端到端检测与识别的方法 | |
CN109858327B (zh) | 一种基于深度学习的字符分割方法 | |
CN113095152A (zh) | 一种基于回归的车道线检测方法及系统 | |
CN116912257B (zh) | 基于深度学习的混凝土路面裂缝识别方法及存储介质 | |
CN111325766A (zh) | 三维边缘检测方法、装置、存储介质和计算机设备 | |
CN112801021B (zh) | 基于多级语义信息的车道线检测方法及系统 | |
CN116630917A (zh) | 一种车道线检测方法 | |
CN109583584B (zh) | 可使具有全连接层的cnn接受不定形状输入的方法及系统 | |
CN116934820A (zh) | 基于交叉注意力的多尺寸窗口Transformer网络布匹图像配准方法及系统 | |
CN114005101A (zh) | 一种车道线识别方法、设备及介质 | |
Yang et al. | A novel vision-based framework for real-time lane detection and tracking | |
CN113011392B (zh) | 一种基于路面图像多纹理特征融合的路面类型识别方法 | |
CN113255646B (zh) | 一种实时场景文本检测方法 | |
CN113362347B (zh) | 一种基于超像素特征增强的图像缺陷区域分割方法和系统 | |
CN114758150A (zh) | 火车刹车链条的状态识别方法及装置、设备、存储介质 | |
CN113221643B (zh) | 一种采用级联网络的车道线分类方法及系统 | |
CN112598718B (zh) | 一种无监督多视角多模态智能眼镜图像配准方法及装置 | |
CN111582279B (zh) | 基于双流架构和边界强调损失函数的可行驶区域分割方法 | |
CN112287740B (zh) | 基于YOLOv3-tiny实现的输电线路的目标检测方法、装置、无人机 | |
CN116563538A (zh) | 图像分割方法及系统 | |
CN117197469A (zh) | 一种基于语义边缘聚焦与引导的双分支图像语义分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |