[發明專利]車道線實例聚類方法、裝置、電子設備和存儲介質

在審

• 申請號: 202010972488.X
• 申請日: 2020-09-16
• 公開（公告）號: CN112084988A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 李宇明;劉國清;鄭偉;楊廣
• 申請（專利權）人: 深圳佑駕創新科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06K9/62
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 謝曲曲

本申請涉及一種車道線實例聚類方法、裝置、電子設備和存儲介質。所述方法包括：獲取車道線二進制分割結果和車道線特征向量，根據車道線二進制分割結果和車道線特征向量，得到車道線特征向量直方圖，將車道線特征向量直方圖輸入至已訓練的聚類網絡，得到聚類中心和聚類半徑，基于聚類中心和聚類半徑，對車道線特征向量進行距離判斷，得到車道線特征向量對應的聚類標識，將車道線特征向量和車道線特征向量對應的聚類標識與車道線二進制分割結果進行對應映射，得到車道線實例分割結果。整個過程，使用聚類網絡替代傳統聚類算法得到聚類中心和聚類半徑，可將聚類算法的處理轉移到GPU操作，節省CPU計算量，提高車道線實例分割效率。

技術領域

本申請涉及自動駕駛技術領域，特別是涉及一種車道線實例聚類方法、裝置、電子設備和存儲介質。

背景技術

隨著人工智能技術的發展和傳感器精度的提升，自動駕駛技術成為當下熱門的研究領域，備受社會關注。其中，車道線檢測是其中一項基礎而重要的任務，在輔助駕駛系統和自動駕駛系統中都發揮著關鍵性的作用。

為克服傳統車道線檢測方法的穩定性差和檢測耗時的問題，有研究者采用了采用深度神經網絡替換傳統的車道線檢測方法，該方法在車道線檢測的精度和魯棒性上，有明顯的提升。其中，最具代表性的基于深度學習的車道線實例分割方法，是將實例分割算法用在車道線檢測上，在輸出車道線二進制分割結果的同時，還會輸出一支車道線特征向量分支，結合特征向量分支的結果，進一步將車道線語義分割的輸出轉化成實例分割。

然而，上述方法在實際工程應用中仍然存在一些問題：車道線特征向量分支還需要復雜的后處理聚類算法，才能得到最終的聚類結果并將車道線語義分割轉化為實例分割，過程復雜且耗時，且車載嵌入式設備上的CPU(Central Processing Unit，中央處理器)算力有限，一般支持不了頻繁聚類這種復雜操作。由此，可見目前基于深度學習的車道線實例分割方法存在車道線實例分割效率不高的問題。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高車道線實例分割效率的車道線實例聚類方法、裝置、電子設備和存儲介質。

一種車道線實例聚類方法，所述方法包括：

獲取車道線二進制分割結果和車道線特征向量；

根據車道線二進制分割結果和車道線特征向量，得到車道線特征向量直方圖；

將車道線特征向量直方圖輸入至已訓練的聚類網絡，得到聚類中心和聚類半徑；

基于聚類中心和聚類半徑，對車道線特征向量進行距離判斷，得到車道線特征向量對應的聚類標識；

將車道線特征向量和車道線特征向量對應的聚類標識與車道線二進制分割結果進行對應映射，得到車道線實例分割結果；

其中，距離判斷用于區分車道線聚類向量所屬的聚類中心，已訓練的聚類網絡基于歷史車道線特征向量直方圖、由預設聚類算法得到的聚類中心和聚類半徑訓練得到。

在其中一個實施例中，將車道線特征向量直方圖輸入至已訓練的聚類網絡，得到聚類中心和聚類半徑包括：

將車道線特征向量直方圖輸入至已訓練的聚類網絡，得到聚類中心分類結果；

基于聚類中心分類結果，采用連通域標定算法提取聚類中心的坐標；

根據聚類中心的坐標，索引出各聚類中心對應的聚類半徑。

在其中一個實施例中，已訓練的聚類網絡包括聚類中心分類分支和聚類半徑回歸分支；

將車道線特征向量直方圖輸入至已訓練的聚類網絡，得到聚類中心和聚類半徑包括：

將車道線特征向量直方圖輸入至已訓練的聚類網絡，從聚類中心分類分支提取出聚類中心分類結果；