[發明專利]一種道路線檢測模型的訓練方法、道路線檢測方法及裝置

有效

• 申請號: 201910624027.0
• 申請日: 2019-07-11
• 公開（公告）號: CN110458023B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 段翔宇
• 申請（專利權）人: 浙江吉利汽車研究院有限公司;浙江吉利控股集團有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/764;G06K9/62
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

1.一種道路線檢測模型的訓練方法，其特征在于，所述道路線檢測模型的訓練方法包括：

獲取道路樣本圖像，所述道路樣本圖像至少包括標注的道路線數據；

通過卷積網絡提取所述道路樣本圖像的特征，獲得特征圖；

采用連續線形算子提取所述特征圖的深層特征，其中，所述深層特征包括道路線的空間位置連續性和道路線的線形形態；

根據所述深層特征，以標注的道路線數據進行監督訓練，優化深度學習網絡損失函數，調整網絡參數，得到道路線檢測模型；

采用連續線形算子提取所述特征圖的深層特征的步驟包括：

采用卷積核對所述特征圖的橫向和縱向進行迭代卷積；

獲取所述特征圖在一方向上的點概率值；所述點概率值為點的灰度的高低所對應的存在道路線的概率；

根據所述點概率值，判斷所述特征圖在該方向上是否存在線形形態；

若存在，則提取所述特征圖的深層特征；

若不存在，則抑制不存在線形形態的方向。

2.根據權利要求1所述的一種道路線檢測模型的訓練方法，其特征在于，所述判斷所述特征圖在該方向上是否存在線形形態的步驟為：

判斷該方向上的點概率值之和是否大于第一閾值；

若大于，則判斷該方向上的點概率值之差是否小于第二閾值；

若小于，則判定所述特征圖在該方向上存在線形形態。

3.一種道路線檢測方法，其特征在于，所述道路線檢測方法包括：

獲取當前道路圖像，并輸入道路線檢測模型生成當前道路信息，其中，所述當前道路信息至少包括未被遮擋道路線，所述道路線檢測模型是權利要求1-2任意一項所述的道路線檢測模型的訓練方法監督訓練得到的道路線檢測模型；

根據車輛運動軌跡和歷史道路信息生成預測道路信息，其中，所述預測道路信息至少包括預測道路線；

基于未被遮擋道路線和預測道路線，判斷所述當前道路信息與所述預測道路信息是否關聯；

若關聯，則根據預測道路信息校正當前道路信息。

4.根據權利要求3所述的一種道路線檢測方法，其特征在于，判斷所述當前道路信息與所述預測道路信息是否關聯之前，所述道路線檢測方法還包括：

計算所述未被遮擋道路線與所述預測道路線間的距離。

5.根據權利要求4所述的一種道路線檢測方法，其特征在于，判斷所述當前道路信息與所述預測道路信息是否關聯的步驟包括：

判斷所述距離是否小于預設閾值；

若是，則判定所述當前道路信息與所述預測道路信息關聯。

6.一種道路線檢測模型的訓練裝置，其特征在于，所述道路線檢測模型的訓練裝置包括：

道路樣本圖像獲取單元，用于獲取道路樣本圖像；

提取單元，用于提取所述道路樣本圖像的特征和特征圖的深層特征，包括：

采用連續線形算子提取所述特征圖的深層特征的步驟包括：

采用卷積核對所述特征圖的橫向和縱向進行迭代卷積；

獲取所述特征圖在一方向上的點概率值；所述點概率值為點的灰度的高低所對應的存在道路線的概率；

根據所述點概率值，判斷所述特征圖在該方向上是否存在線形形態；

若存在，則提取所述特征圖的深層特征；

若不存在，則抑制不存在線形形態的方向；

訓練單元，用于以標注的道路線數據進行監督訓練，優化深度學習網絡損失函數，調整網絡參數，得到道路線檢測模型。

7.根據權利要求6所述的一種道路線檢測模型的訓練裝置，其特征在于，所述提取單元包括第一提取單元和第二提取單元；

第一提取單元，用于提取所述道路樣本圖像的特征；

第二提取單元，用于提取所述特征圖的深層特征。

8.根據權利要求6所述的一種道路線檢測模型的訓練裝置，其特征在于，所述道路線檢測模型的訓練裝置還包括：

第一判斷單元，用于判斷所述特征圖在一方向上是否存在連續性；

第二判斷單元，用于判斷所述特征圖在局部區域是否存在線形形態。