[發(fā)明專利]一種識別道路線的方法和裝置

有效

• 申請?zhí)枺?/td>: 201711237254.5
• 申請日: 2017-11-30
• 公開（公告）號: CN109858309B
• 公開（公告）日: 2021-04-20
• 發(fā)明（設計）人: 田歡;胡駿;程帥;劉威
• 申請（專利權(quán)）人: 東軟睿馳汽車技術(shù)（上海）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 劉佳;王寶筠

本發(fā)明實施例公開了一種識別道路線的方法和裝置。所述方法包括：獲取車輛周圍的當前道路圖像；將所述當前道路圖像輸入到深度學習模型中，并基于所述深度學習模型的輸出結(jié)果，確定所述當前道路圖像中的道路線區(qū)域。該深度學習模型在卷積神經(jīng)網(wǎng)絡的基礎上增加了遞歸神經(jīng)網(wǎng)絡。由于遞歸神經(jīng)網(wǎng)絡能夠針對輸入的每個像素點的圖像特征輸出每個像素點的處理結(jié)果，因此，道路圖像中像素點級別的圖像特征得以保留，道路圖像中的道路線的空間特征得以體現(xiàn)，從而使得道路線殘缺、道路線被部分遮擋、道路線處于劇烈變換環(huán)境中等各種環(huán)境下的道路線都能夠被準確地、有效地識別出來。

技術(shù)領域

本發(fā)明涉及圖像處理技術(shù)領域，特別是涉及一種識別道路線的方法和裝置。

背景技術(shù)

隨著智能化系統(tǒng)被應用到車輛駕駛領域中，越來越多的車輛上配置了能夠?qū)崿F(xiàn)自動駕駛功能或輔助駕駛功能的智能系統(tǒng)。為了實現(xiàn)自動駕駛功能或輔助駕駛功能，車輛上的智能系統(tǒng)通常需要從車輛周圍的道路圖像中識別出道路線，以確定車輛附近的行駛車道，從而指導車輛的駕駛。作為一種機器學習模型，神經(jīng)網(wǎng)絡目前已經(jīng)被應用到道路線識別技術(shù)中。但是，基于神經(jīng)網(wǎng)絡實現(xiàn)的現(xiàn)有識別方案，難以對各種不同環(huán)境下的道路線都準確地識別。尤其是，對于道路線殘缺、道路線被部分遮擋、道路線所處的環(huán)境劇烈變換等特殊情況，現(xiàn)有識別方案難以有效地、準確地識別出道路線。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是，提供一種識別道路線的方法和裝置，以使得對道路圖像處理時能夠保留每個像素點的圖像特征，從而實現(xiàn)道路線殘缺、道路線被部分遮擋、道路線處于劇烈變換環(huán)境中等各種環(huán)境下的道路線都能夠被準確地、有效地識別出來。

第一方面，為解決上述技術(shù)問題，本發(fā)明實施例提供了一種識別道路線的方法，包括：

獲取車輛周圍的當前道路圖像；

將所述當前道路圖像輸入到深度學習模型中，并基于所述深度學習模型的輸出結(jié)果，確定所述當前道路圖像中的道路線區(qū)域；

其中，所述深度學習模型已基于歷史道路圖像與所述歷史道路圖像中已知的道路線區(qū)域之間的對應關系進行了訓練；

所述深度學習模型包括第一模型單元和第二模型單元，所述第一模型單元的輸出作為所述第二模型單元的輸入；

所述第一模型單元至少包括一個第一模型子單元，所述第一模型子單元包括一個卷積神經(jīng)網(wǎng)絡和一個第一遞歸神經(jīng)網(wǎng)絡，所述卷積神經(jīng)網(wǎng)絡的輸出作為所述第一遞歸神經(jīng)網(wǎng)絡的輸入；

所述第二模型單元至少包括一個第二模型子單元，所述第二模型子單元包括一個反卷積神經(jīng)網(wǎng)絡和一個第二遞歸神經(jīng)網(wǎng)絡，所述反卷積神經(jīng)網(wǎng)絡的輸出作為所述第二遞歸神經(jīng)網(wǎng)絡的輸入。

在一些實施方式中，所述第一遞歸神經(jīng)網(wǎng)絡和所述第二遞歸神經(jīng)網(wǎng)絡均為雙向長時間記憶網(wǎng)絡。

在一些實施方式中，在所述第一模型子單元中，對于每個像素點，所述卷積神經(jīng)網(wǎng)絡針對該像素點的輸出結(jié)果以及針對該像素點領域內(nèi)的各像素點的輸出結(jié)果組成一個第一序列，以用于輸入所述第一遞歸神經(jīng)網(wǎng)絡；

在所述第二模型子單元中，對于每個像素點，所述反卷積神經(jīng)網(wǎng)絡針對該像素點的輸出結(jié)果以及針對該像素點領域內(nèi)的各像素點的輸出結(jié)果組成一個第二序列，以用于輸入所述第二遞歸神經(jīng)網(wǎng)絡。

在一些實施方式中，所述深度學習模型還包括第三遞歸神經(jīng)網(wǎng)絡；

對于包括所述當前道路圖像在內(nèi)的最近獲取到的不同時刻下的多幀道路圖像，以所述深度學習模型分別對各幀道路圖像處理而在所述第二模型單元輸出的結(jié)果組成第三序列，以用于輸入所述第三遞歸神經(jīng)網(wǎng)絡。

第二方面，為解決上述技術(shù)問題，本發(fā)明實施例提供了一種識別道路線的裝置，包括：

圖像獲取模塊，用于獲取車輛周圍的當前道路圖像；