CN115731525B - 车道线识别方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了车道线识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：响应于接收到鱼眼车载相机拍摄的车道图像，确定上述鱼眼车载相机对应的相机视角类型；根据上述相机视角类型，确定目标车道线识别模型；将上述车道图像输入至上述目标车道线识别模型中，得到车道线集；根据上述车道线集，控制相关联的车辆进行自动驾驶。该实施方式提升了自动驾驶车辆的安全性。

Description

车道线识别方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及车道线识别方法、装置、电子设备和计算机可读介质。

背景技术

目前，车载环视系统对于车道线的识别，通常采用的方式为：通过边缘线提取或边缘线点集拟合等技术识别车道线。

然而，采用上述方式通常会存在以下技术问题：

第一，通过边缘线提取或边缘线点集拟合等技术识别车道线，车道线识别的精度较低，影响自动驾驶车辆的自动驾驶操作，降低了自动驾驶车辆的安全性；

第二，无法适用于左右车道线的识别，降低了自动驾驶车辆的可操作性，降低了自动驾驶车辆的安全性。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了车道线识别方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种车道线识别方法，该方法包括：响应于接收到鱼眼车载相机拍摄的车道图像，确定上述鱼眼车载相机对应的相机视角类型；根据上述相机视角类型，确定目标车道线识别模型；将上述车道图像输入至上述目标车道线识别模型中，得到车道线集；根据上述车道线集，控制相关联的车辆进行自动驾驶。

第二方面，本公开的一些实施例提供了一种车道线识别装置，装置包括：第一确定单元，被配置成响应于接收到鱼眼车载相机拍摄的车道图像，确定上述鱼眼车载相机对应的相机视角类型；第二确定单元，被配置成根据上述相机视角类型，确定目标车道线识别模型；输入单元，被配置成将上述车道图像输入至上述目标车道线识别模型中，得到车道线集；控制单元，被配置成根据上述车道线集，控制相关联的车辆进行自动驾驶。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车道线识别方法，提升了自动驾驶车辆的安全性。具体来说，降低了自动驾驶车辆的安全性的原因在于：通过边缘线提取或边缘线点集拟合等技术识别车道线，车道线识别的精度较低，影响自动驾驶车辆的自动驾驶操作。基于此，本公开的一些实施例的车道线识别方法，首先，响应于接收到鱼眼车载相机拍摄的车道图像，确定上述鱼眼车载相机对应的相机视角类型。由此，便于根据鱼眼车载相机的视角类型，对车道图像中的车道进行识别。接着，根据上述相机视角类型，确定目标车道线识别模型。由此，可以根据不同的相机视角类型，确定不同的车道线识别模型。从而，可以提升对车道线识别的准确性。然后，将上述车道图像输入至上述目标车道线识别模型中，得到车道线集。最后，根据上述车道线集，控制相关联的车辆进行自动驾驶。由此，可以根据不同的图像，采用不同的车道线识别模型进行识别。从而，提升了对车道线识别的精度，减小了对自动驾驶操作的影响。进而，提升了自动驾驶车辆的安全性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的车道线识别方法的一些实施例的流程图；

图2是根据本公开的车道线识别方法中前后视角车道图像包括的六条车道线的示意图；

图3是在前后视角车道图像的正中间添加一条垂直直线的示意图；

图4是根据本公开的车道线识别方法中左右视角车道图像包括的四条车道线的示意图；

图5是在左右视角车道图像的正中间添加一条垂直直线的示意图；

图6是根据本公开的车道线识别装置的一些实施例的结构示意图；

图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开的车道线识别方法的一些实施例的流程图。示出了根据本公开的车道线识别方法的一些实施例的流程100。该车道线识别方法，包括以下步骤：

步骤101，响应于接收到鱼眼车载相机拍摄的车道图像，确定上述鱼眼车载相机对应的相机视角类型。

在一些实施例中，车道线识别方法的执行主体（例如自动驾驶车辆的车载终端）可以响应于接收到鱼眼车载相机拍摄的车道图像，确定上述鱼眼车载相机对应的相机视角类型。这里，鱼眼车载相机可以是指安装在车辆上的鱼眼摄像机。鱼眼车载相机可以分为前后视角鱼眼车载相机与左右视角鱼眼车载相机。即，前后视角鱼眼车载相机可以表示拍摄车辆前后车道的鱼眼摄像机。左右视角鱼眼车载相机可以表示拍摄车辆左右车道的鱼眼摄像机。相机视角类型可以包括前后相机视角类型与左右相机视角类型。前后相机视角类型可以表示前后视角鱼眼车载相机的类型。左右相机视角类型可以表示左右视角鱼眼车载相机的类型。

步骤102，根据上述相机视角类型，确定目标车道线识别模型。

在一些实施例中，上述执行主体可以根据上述相机视角类型，确定目标车道线识别模型。这里，目标车道线识别模型可以是指预先训练的以车道图像为输入，以识别出的各个车道线为输出的神经网络模型。例如，目标车道线识别模型可以是卷积神经网络模型。

实践中，上述执行主体可以通过以下步骤确定目标车道线识别模型：

第一步，响应于确定上述相机视角类型表示前后相机视角类型，从预先训练的各个车道线识别模型中选取对应上述前后相机视角类型的前后视角车道线识别模型作为目标车道线识别模型。这里，预先训练的各个车道线识别模型可以包括前后视角车道线识别模型和左右视角车道线识别模型。前后视角车道线识别模型用于识别前后相机视角类型对应的相机拍摄的车道图像。左右视角车道线识别模型用于识别左右相机视角类型对应的相机拍摄的车道图像。

第二步，响应于确定上述相机视角类型表示左右相机视角类型，从预先训练的各个车道线识别模型中选取对应上述左右相机视角类型的左右视角车道线识别模型作为目标车道线识别模型。

可选地，上述前后视角车道线识别模型是通过以下步骤训练得到的：

第一步，获取前后视角车道图像集。其中，上述前后视角车道图像集中的前后视角车道图像为前后视角的鱼眼车载相机拍摄的图像。上述前后视角车道图像集中的前后视角车道图像显示了六条车道线。上述六条车道线纵向显示。六条车道线如图2所示。实践中，上述执行主体可以通过有线连接或无线连接的方式从本地数据库中获取前后视角车道图像集。

第二步，对于上述前后视角车道图像集中的每一前后视角车道图像，执行如下处理步骤：

第一子步骤，在上述前后视角车道图像的正中间添加一条垂直直线。其中，上述垂直直线的一端为目标交点。

第二子步骤，将上述前后视角车道图像中的六条车道线的末端进行延申，以使得上述六条车道线与上述前后视角车道图像的图像边界存在交点，且将上述目标交点与上述六条车道线对应的交点进行连接。其中，上述目标交点远离上述六条车道线的末端。

第三子步骤，通过反正切函数，确定每条连接线与上述垂直直线的弧度值，得到弧度值组。其中，上述连接线为上述目标交点与每条车道线对应的交点的连接线。

如图3所示，在前后视角车道图像中的正中间添加一条垂直直线，与前后视角车道图像上边界有一交点A（目标交点）。前后视角车道图像中的六条车道线的末端做延伸，分别与前后视角车道图像的图像边界有交点。连接点A与每一交点，得到6条线。通过反正切函数分别求这6条线与垂直直线的弧度值，得到图3中的θ1、θ2、θ3、θ4、θ5、θ6。

第四子步骤，根据上述六条车道线，对上述弧度值组进行排序，得到弧度值序列作为上述前后视角车道图像的类别标签。对上述弧度值组中的各个弧度值按照正负值区分，以及按照从大到小进行排序。其中，左1车道线对应θ1，左2车道线对应θ2，左3车道线对应θ3；右1车道线对应θ4，右2车道线对应θ5，右3车道线对应θ6。一弧度值用于表示一车道线的类别。

第五子步骤，对上述前后视角车道图像中的每条车道线进行高斯处理，以生成高斯车道线，得到高斯车道线组作为样本标签。这里，高斯处理可以是指通过高斯法对图像进行处理。即，按行对上述前后视角车道图像中的每条车道线进行高斯处理，以生成高斯车道线（数值随车道线中心向两侧衰减的一个矩阵）。

第六子步骤，将上述前后视角车道图像、上述类别标签与上述样本标签组合为前后视角车道图像样本。这里，组合可以是指拼接。

第三步，从各个前后视角车道图像样本中选择出前后视角车道图像样本。这里，可以随机选择出前后视角车道图像样本。

第四步，将上述前后视角车道图像样本输入至初始前后视角车道识别模型中，得到前后视角车道识别结果。这里，初始前后视角车道识别模型可以是指未经训练的卷积神经网络。前后视角车道识别结果可以是指从上述前后视角车道图像样本包括的前后视角车道图像中识别出的各个车道线。

第五步，基于预设的损失函数，确定上述前后视角车道识别结果与上述前后视角车道图像样本包括的样本标签之间的损失值。预设的损失函数可以是但不限于：均方误差损失函数（MSE）、合页损失函数（SVM）、交叉熵损失函数（CrossEntropy）、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。例如，预设的损失函数可以是：

。

其中，可以表示损失值。/>与/>可以表示模型的超参数。N可以表示图像关键点的数量。/>可以表示样本标签。x可以表示图像在U-V坐标系中的横坐标。y可以表示图像在U-V坐标系中的纵坐标。c可以表示车道线的类别。/>可以表示前后视角车道识别结果。

第六步，响应于确定上述损失值大于等于预设损失值，调整上述初始前后视角车道识别模型的网络参数。例如，可以对损失值和预设损失值，得到损失差值。在此基础上，利用反向传播、随机梯度下降等方法将损失差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结（dropout）的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。

可选地，响应于确定上述损失值小于上述预设损失值，将上述初始前后视角车道识别模型确定为训练后的前后视角车道线识别模型.

可选地，上述左右视角车道线识别模型是通过以下步骤训练得到的：

第一步，获取左右视角车道图像集。其中，上述左右视角车道图像集中的左右视角车道图像为左右视角的鱼眼车载相机拍摄的图像。上述左右视角车道图像集中的左右视角车道图像显示了四条车道线。上述四条车道线横向显示。四条车道线如图4所示例。实践中，上述执行主体可以通过有线连接或无线连接的方式从本地数据库中获取左右视角车道图像集。

第二步，对于上述左右视角车道图像集中的每一左右视角车道图像，执行如下处理步骤：

第一子步骤，在上述左右视角车道图像的正中间添加一条垂直直线。其中，上述垂直直线与上述左右视角车道图像的四条车道线存在四个交点。

第二子步骤，确定上述四个交点中每个交点在上述左右视角车道图像的二维图像坐标系中的纵坐标值，得到四个纵坐标值作为上述左右视角车道图像的左右视角类别标签。这里，二维图像坐标系可以是指上述左右视角车道图像对应的U-V坐标系。

如图5所示，在左右视角车道图像中的正中间添加一条垂直直线，与四条车道线相交并得到四个交点（交点1、交点2、交点3、交点4）。取这四个交点在上述左右视角车道图像的二维图像坐标系中的纵坐标值，得到四个纵坐标值。一纵坐标值用于表示一车道线的类别。

第三子步骤，对上述左右视角车道图像中的每条车道线进行高斯处理，以生成高斯车道线，得到高斯车道线组作为左右视角样本标签。即，按列对上述左右视角车道图像中的每条车道线进行高斯处理，以生成高斯车道线（数值随车道线中心向两侧衰减的一个矩阵）。

第四子步骤，将上述左右视角车道图像、上述左右视角类别标签与上述左右视角样本标签组合为左右视角车道图像样本。这里，组合可以是指拼接。

第三步，从各个左右视角车道图像样本中选择出左右视角车道图像样本。这里，可以随机选择出左右视角车道图像样本。

第四步，将上述左右视角车道图像样本输入至初始左右视角车道识别模型中，得到左右视角车道识别结果。这里，初始左右视角车道识别模型可以是指未经训练的卷积神经网络。左右视角车道识别结果可以是指从上述左右视角车道图像样本包括的左右视角车道图像中识别出的各个车道线。

第五步，基于预设的损失函数，确定上述左右视角车道识别结果与上述左右视角车道图像样本包括的左右视角样本标签之间的左右视角损失值。预设的损失函数可以是但不限于：均方误差损失函数（MSE）、合页损失函数（SVM）、交叉熵损失函数（CrossEntropy）、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。这里的损失函数也可以参考初始前后视角车道识别模型的损失函数。

第六步，响应于确定上述左右视角损失值大于等于预设左右视角损失值，调整上述初始左右视角车道识别模型的网络参数。例如，可以对左右视角损失值和预设左右视角损失值，得到左右视角损失差值。在此基础上，利用反向传播、随机梯度下降等方法将左右视角损失差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结（dropout）的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。

可选地，响应于确定上述左右视角损失值小于上述预设左右视角损失值，将上述初始左右视角车道识别模型确定为训练后的左右视角车道线识别模型。

上述步骤102中的相关内容作为本公开的一个发明点，解决了背景技术提及的技术问题二“降低了自动驾驶车辆的安全性”。降低了自动驾驶车辆的安全性的因素往往如下：无法适用于左右车道线的识别，降低了自动驾驶车辆的可操作性。如果解决了上述因素，就能达到提升自动驾驶车辆的安全性的效果。为了达到这一效果，首先，获取左右视角车道图像集。其中，上述左右视角车道图像集中的左右视角车道图像为左右视角的鱼眼车载相机拍摄的图像，上述左右视角车道图像集中的左右视角车道图像显示了四条车道线，上述四条车道线横向显示。由此，为训练识别左右车道线的模型，提供了数据支持。其次，对于上述左右视角车道图像集中的每一左右视角车道图像，执行如下处理步骤：首先，在上述左右视角车道图像中的正中间添加一条垂直直线。其中，上述垂直直线与上述左右视角车道图像的四条车道线存在四个交点。其次，确定上述四个交点中每个交点在上述左右视角车道图像的二维图像坐标系中的纵坐标值，得到四个纵坐标值作为上述左右视角车道图像的左右视角类别标签。由此，可以确定每条车道线的类别。接着，对上述左右视角车道图像中的每条车道线进行高斯处理，以生成高斯车道线，得到高斯车道线组作为左右视角样本标签。由此，可以确定待训练车道图像的样本标签。再接着，将上述左右视角车道图像、上述左右视角类别标签与上述左右视角样本标签组合为左右视角车道图像样本。然后，从各个左右视角车道图像样本中选择出左右视角车道图像样本；将上述左右视角车道图像样本输入至初始左右视角车道识别模型中，得到左右视角车道识别结果。再然后，基于预设的损失函数，确定上述左右视角车道识别结果与上述左右视角车道图像样本包括的左右视角样本标签之间的左右视角损失值。由此，可以对初始左右视角车道识别模型进行参数调整，以提升左右视角车道识别模型对左右车道线识别的准确性。最后，响应于确定上述左右视角损失值小于上述预设左右视角损失值，将上述初始左右视角车道识别模型确定为训练后的左右视角车道线识别模型。由此，可以通过训练出的左右视角车道线识别模型识别左右车道线，从而，提升自动驾驶车辆在左右车道上的可操作性。进而，提升了自动驾驶车辆的安全性。

步骤103，将上述车道图像输入至上述目标车道线识别模型中，得到车道线集。

在一些实施例中，上述执行主体可以将上述车道图像输入至上述目标车道线识别模型中，得到车道线集。这里，车道线集可以是从上述车道图像中识别出的各个车道线。

步骤104，根据上述车道线集，控制相关联的车辆进行自动驾驶。

在一些实施例中，上述执行主体可以根据上述车道线集，控制相关联的车辆进行自动驾驶。这里，相关联的车辆可以是指上述执行主体控制的车辆。即，上述执行主体可以根据识别出的各个车道线，控制车辆进行行驶。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车道线识别方法，提升了自动驾驶车辆的安全性。具体来说，降低了自动驾驶车辆的安全性的原因在于：通过边缘线提取或边缘线点集拟合等技术识别车道线，车道线识别的精度较低，影响自动驾驶车辆的自动驾驶操作。基于此，本公开的一些实施例的车道线识别方法，首先，响应于接收到鱼眼车载相机拍摄的车道图像，确定上述鱼眼车载相机对应的相机视角类型。由此，便于根据鱼眼车载相机的视角类型，对车道图像中的车道进行识别。接着，根据上述相机视角类型，确定目标车道线识别模型。由此，可以根据不同的相机视角类型，确定不同的车道线识别模型。从而，可以提升对车道线识别的准确性。然后，将上述车道图像输入至上述目标车道线识别模型中，得到车道线集。最后，根据上述车道线集，控制相关联的车辆进行自动驾驶。由此，可以根据不同的图像，采用不同的车道线识别模型进行识别。从而，提升了对车道线识别的精度，减小了对自动驾驶操作的影响。进而，提升了自动驾驶车辆的安全性。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种车道线识别装置的一些实施例，这些车道线识别装置实施例与图1所示的那些方法实施例相对应，该车道线识别装置具体可以应用于各种电子设备中。

如图6所示，一些实施例的车道线识别装置600包括：第一确定单元601、第二确定单元602、输入单元603与控制单元604。其中，第一确定单元601，被配置成响应于接收到鱼眼车载相机拍摄的车道图像，确定上述鱼眼车载相机对应的相机视角类型；第二确定单元602，被配置成根据上述相机视角类型，确定目标车道线识别模型；输入单元603，被配置成将上述车道图像输入至上述目标车道线识别模型中，得到车道线集；控制单元604，被配置成根据上述车道线集，控制相关联的车辆进行自动驾驶。

可以理解的是，该车道线识别装置600中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于车道线识别装置600及其中包含的单元，在此不再赘述。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备（例如，自动驾驶车辆的车载终端）700的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置（例如中央处理器、图形处理器等）701，其可以根据存储在只读存储器（ROM）702中的程序或者从存储装置708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM702以及RAM 703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于接收到鱼眼车载相机拍摄的车道图像，确定上述鱼眼车载相机对应的相机视角类型；根据上述相机视角类型，确定目标车道线识别模型；将上述车道图像输入至上述目标车道线识别模型中，得到车道线集；根据上述车道线集，控制相关联的车辆进行自动驾驶。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、第二确定单元、输入单元与控制单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，控制单元还可以被描述为“根据上述车道线集，控制相关联的车辆进行自动驾驶的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (5)

1.一种车道线识别方法，包括：

响应于接收到鱼眼车载相机拍摄的车道图像，确定所述鱼眼车载相机对应的相机视角类型；

根据所述相机视角类型，确定目标车道线识别模型；

将所述车道图像输入至所述目标车道线识别模型中，得到车道线集；

根据所述车道线集，控制相关联的车辆进行自动驾驶；

其中，所述根据所述相机视角类型，确定目标车道线识别模型，包括：

响应于确定所述相机视角类型表示前后相机视角类型，从预先训练的各个车道线识别模型中选取对应所述前后相机视角类型的前后视角车道线识别模型作为目标车道线识别模型；

响应于确定所述相机视角类型表示左右相机视角类型，从预先训练的各个车道线识别模型中选取对应所述左右相机视角类型的左右视角车道线识别模型作为目标车道线识别模型；

其中，所述前后视角车道线识别模型是通过以下步骤训练得到的：

获取前后视角车道图像集，其中，所述前后视角车道图像集中的前后视角车道图像为前后视角的鱼眼车载相机拍摄的图像，所述前后视角车道图像集中的前后视角车道图像显示了六条车道线，所述六条车道线纵向显示；

对于所述前后视角车道图像集中的每一前后视角车道图像，执行如下处理步骤：

在所述前后视角车道图像的正中间添加一条垂直直线，其中，所述垂直直线的一端为目标交点；

将所述前后视角车道图像中的六条车道线的末端进行延伸，以使得所述六条车道线与所述前后视角车道图像的图像边界存在交点，且将所述目标交点与所述六条车道线对应的交点进行连接，其中，所述目标交点远离所述六条车道线的末端；

通过反正切函数，确定每条连接线与所述垂直直线的弧度值，得到弧度值组，其中，所述连接线为所述目标交点与每条车道线对应的交点的连接线；

根据所述六条车道线，对所述弧度值组进行排序，得到弧度值序列作为所述前后视角车道图像的类别标签；

对所述前后视角车道图像中的每条车道线进行高斯处理，以生成高斯车道线，得到高斯车道线组作为样本标签；

将所述前后视角车道图像、所述类别标签与所述样本标签组合为前后视角车道图像样本；

从各个前后视角车道图像样本中选择出前后视角车道图像样本；

将所述前后视角车道图像样本输入至初始前后视角车道识别模型中，得到前后视角车道识别结果；

基于预设的损失函数，确定所述前后视角车道识别结果与所述前后视角车道图像样本包括的样本标签之间的损失值；

响应于确定所述损失值大于等于预设损失值，调整所述初始前后视角车道识别模型的网络参数。

2.根据权利要求1所述的方法，其中，所述方法还包括：

响应于确定所述损失值小于所述预设损失值，将所述初始前后视角车道识别模型确定为训练后的前后视角车道线识别模型。

3.一种车道线识别装置，包括：

第一确定单元，被配置成响应于接收到鱼眼车载相机拍摄的车道图像，确定所述鱼眼车载相机对应的相机视角类型；

第二确定单元，被配置成根据所述相机视角类型，确定目标车道线识别模型；第二确定单元，被进一步配置成：

响应于确定所述相机视角类型表示前后相机视角类型，从预先训练的各个车道线识别模型中选取对应所述前后相机视角类型的前后视角车道线识别模型作为目标车道线识别模型；

响应于确定所述相机视角类型表示左右相机视角类型，从预先训练的各个车道线识别模型中选取对应所述左右相机视角类型的左右视角车道线识别模型作为目标车道线识别模型；

其中，所述前后视角车道线识别模型是通过以下步骤训练得到的：

获取前后视角车道图像集，其中，所述前后视角车道图像集中的前后视角车道图像为前后视角的鱼眼车载相机拍摄的图像，所述前后视角车道图像集中的前后视角车道图像显示了六条车道线，所述六条车道线纵向显示；

对于所述前后视角车道图像集中的每一前后视角车道图像，执行如下处理步骤：

在所述前后视角车道图像的正中间添加一条垂直直线，其中，所述垂直直线的一端为目标交点；

将所述前后视角车道图像中的六条车道线的末端进行延伸，以使得所述六条车道线与所述前后视角车道图像的图像边界存在交点，且将所述目标交点与所述六条车道线对应的交点进行连接，其中，所述目标交点远离所述六条车道线的末端；

通过反正切函数，确定每条连接线与所述垂直直线的弧度值，得到弧度值组，其中，所述连接线为所述目标交点与每条车道线对应的交点的连接线；

根据所述六条车道线，对所述弧度值组进行排序，得到弧度值序列作为所述前后视角车道图像的类别标签；

对所述前后视角车道图像中的每条车道线进行高斯处理，以生成高斯车道线，得到高斯车道线组作为样本标签；

将所述前后视角车道图像、所述类别标签与所述样本标签组合为前后视角车道图像样本；

从各个前后视角车道图像样本中选择出前后视角车道图像样本；

将所述前后视角车道图像样本输入至初始前后视角车道识别模型中，得到前后视角车道识别结果；

基于预设的损失函数，确定所述前后视角车道识别结果与所述前后视角车道图像样本包括的样本标签之间的损失值；

响应于确定所述损失值大于等于预设损失值，调整所述初始前后视角车道识别模型的网络参数；

输入单元，被配置成将所述车道图像输入至所述目标车道线识别模型中，得到车道线集；

控制单元，被配置成根据所述车道线集，控制相关联的车辆进行自动驾驶。

4.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-2中任一所述的方法。

5.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-2中任一所述的方法。