[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

本發明公開了一種道路線檢測模型的訓練方法、道路線檢測方法及裝置，涉及圖像處理領域，還涉及智能駕駛領域。采用本發明公開的道路線檢測模型的訓練方法，采用連續線形算子提取特征圖的空間位置連續性和道路線的線性形態，監督訓練獲得深度道路線檢測模型，多幀融合技術根據車輛運動軌跡和歷史道路信息生成預測道路信息，根據預測道路線校正當前道路線中被遮擋的部分，加強了檢測的魯棒性，使得道路線檢測模型更適合在實際工況中應用。

技術領域

本發明涉及圖像處理領域，還涉及智能駕駛領域，尤其涉及一種道路線檢測模型的訓練方法、道路線檢測方法及裝置。

背景技術

近年來，智能化系統被廣泛應用于駕駛領域，目的在于實現自動駕駛功能或輔助駕駛功能。在智能駕駛的視覺感知系統中，車道檢測是一個重要的功能模塊，通常需要從車輛周圍的道路圖像中檢測出車道線，進而指導駕駛車輛。

目前，學術界和工業界針對檢測車道線和道路邊界線，開發了許多深度學習方法，其中，具有代表性的有LaneNet和SCNN。LaneNet引自在2018年IEEE IV conference公開的論文“Towards End-to-End Lane Detection:an Instance Segmentation Approach”。該方法的流程圖如圖1所示，LaneNet訓練了兩個分支，通過對圖像的像素點進行車道線點和非車道線點的語義分割后，再對分割結果進行類聚，得到屬于若干根車道線的像素集合。SCNN引自在2018年AAAI Conference on Artificial Intelligence公開的論文“SpatialAs Deep:Spatial CNN for Traffic Scene Understanding”。該方法的流程圖如圖2所示，SCNN首先通過卷積神經網提取圖像的特征，再采用Spatial CNN對圖像的橫向和縱向連續性進行建模。

上述兩種方法取得了較好的檢測效果，但在實際工況中也存在各自的缺陷。例如，采用LaneNet方法時，容易得到斷斷續續的檢測結果，采用SCNN時，容易將路面的連續污漬等誤檢為車道線或道路邊界線。而且不適用于車道線或道路邊界線被遮擋的情況，而在實際應用場景中，車道線和道路邊界線被遮擋的情況十分常見，采用上述方法中的任意一種均對檢測結果存在干擾。

發明內容

本發明所要解決的技術問題在于，提供一種道路線檢測模型的訓練方法、道路線檢測方法及裝置，解決現有技術無法對車道線和道路分界線進行準確檢測的問題和檢測效果不佳的問題。

有鑒于此，本發明提供一種道路線檢測模型的訓練方法，所述道路線檢測模型的訓練方法包括：

獲取道路樣本圖像，

具體地，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，

具體地，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。

進一步地，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，

具體地，所述橫向和縱向包括從右到左、從左到右、從上到下和從下到上。

獲取所述特征圖在一方向上的點概率值。

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。