[發明專利]一種車道線識別方法、裝置、設備和存儲介質

在審

• 申請號: 201910020829.0
• 申請日: 2019-01-09
• 公開（公告）號: CN109711385A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 崔延良
• 申請（專利權）人: 寬凳（北京）科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京知呱呱知識產權代理有限公司 11577
• 代理人: 孫進華;吳林

本發明實施例公開了一種車道線識別方法、裝置、設備和存儲介質，該方法包括通過獲取車輛周圍的道路圖像；基于Hadoop平臺中的MapReduce模型，對道路圖像進行分片處理，得到目標道路圖像；基于MapReduce模型，對目標道路圖像進行計算，得到輸出數據；根據輸出數據，確定道路圖像中的車道線，實現了管理輸出數據的持久化與分發，避免了單獨維護一個具有散列功能的可靠網絡隊列，降低了車道識別系統的復雜度。采用本發明的技術方案，能夠簡化車道識別系統識別圖像的過程，進而提高車道線的識別效率。

技術領域

本發明實施例涉及土建施工技術領域，具體涉及一種車道線識別方法、裝置、設備和存儲介質。

背景技術

車道線識別是自動駕駛中高精地圖的重要環節，目前主要依賴卷積神經網絡來進行圖像識別。卷積神經網絡有著很高的計算資源要求，單個加速器的計算資源(比如計算單元和內存)有限，無法處理大規模神經網絡。因此，人們提出了并行訓練算法以解決這個問題。這也讓科技巨頭們在云服務中部署可擴展深度學習工具成為可能，從而提高了深度學習模型的訓練效率。

在應用深度學習模型進行預測時，仍然需要通過使用多核CPU、眾核GPU、多GPU和集群等硬件來實現高吞吐率。主流的做法是：集群多機多卡，使用容器(docker)來管理“預測服務”，使用資源管理工具(Kubenetes)來管理集群資源與預測服務，輸入數據通過隊列散列到分布式的預測服務中，實現大量數據預測時的并行化。這種架構實現了宿主機和運行環境的隔離，集群資源(cpu/gpu/內存等)的有效管理，動態擴容。

但是，現有技術的深度學習模型需要維護一個具有散列功能的可靠網絡隊列，再由這個隊列將輸入數據均勻地散列到Kubenetes里的所有docker服務，并管理輸出的持久化與分發，使得車道識別系統識別圖像的過程比較復雜，進而降低了車道線的識別效率。

發明內容

為此，本發明實施例提供一種車道線識別方法、裝置、設備和存儲介質，以解決現有技術中車道識別系統識別圖像的過程比較復雜，進而降低了車道線的識別效率的問題。

為了實現上述目的，本發明的實施方式提供如下技術方案：

在本發明的實施方式的第一方面中，提供了一種車道線識別方法，包括：

獲取車輛周圍的道路圖像；

基于Hadoop平臺中的MapReduce模型，對所述道路圖像進行分片處理，得到目標道路圖像；

基于所述MapReduce模型，對所述目標道路圖像進行計算，得到輸出數據；

根據所述輸出數據，確定所述道路圖像中的車道線。

進一步地，上述所述的方法中，所述基于所述MapReduce模型，對所述目標道路圖像進行計算，得到輸出數據之前，還包括：

基于所述Hadoop平臺中的自定義資源管理模塊，分配第一圖像運算集群；

對應地，所述基于所述MapReduce模型，對所述目標道路圖像進行計算，得到輸出數據，包括：

基于所述MapReduce模型，利用所述第一圖像運算集群，對所述目標道路圖像進行計算，得到輸出數據。

進一步地，上述所述的方法中，所述基于所述MapReduce模型，對所述目標道路圖像進行計算，得到輸出數據之前，還包括：

基于所述MapReduce模型和所述目標道路圖像，自適應分配所述目標道路圖像對應的第二圖像運算集群；

對應地，所述基于所述MapReduce模型，對所述目標道路圖像進行計算，得到輸出數據，包括：

基于所述MapReduce模型，利用所述第二圖像運算集群，對所述目標道路圖像進行計算，得到輸出數據。