[發明專利]檢測車道線的方法、裝置、終端設備及可讀存儲介質

在審

• 申請號: 202011481079.6
• 申請日: 2020-12-15
• 公開（公告）號: CN112528878A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 王磊;鐘宏亮;馬森煒;程俊;林佩珍;范筱媛
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 張全文

本申請適用于計算機視覺和圖像處理技術領域，提供了一種檢測車道線的方法、裝置、終端設備及可讀存儲介質，所述方法包括：獲取當前場景的道路圖像；將所述道路圖像輸入訓練后的神經網絡模型中處理，輸出所述當前場景的道路圖像中的車道線的檢測結果；其中，所述訓練后的神經網絡模型為根據訓練集中的樣本圖像以及語義分割模型訓練得到，所述訓練集中的樣本圖像包括采集的多個場景的道路圖像以及與多個場景的道路圖像對應的標記圖像。通過本申請可以解決目前大部分用于車道識別的深度學習模型計算量較大，模型較為復雜，不利于自動駕駛任務的實際應用場景中對實時性的要求的問題。

技術領域

本申請屬于計算機視覺和圖像處理技術領域，尤其涉及一種檢測車道線的方法、裝置、終端設備及可讀存儲介質。

背景技術

隨著人工智能及汽車行業的極速發展，車輛的自動駕駛(如全自動無人駕駛或半自動輔助駕駛)在汽車安全行駛上發揮著重要的作用；而車道識別是自動駕駛系統的重要組成部分，通過車道識別結果為自動駕駛的控制系統提供依據，在自動泊車、防碰撞預警以及無人駕駛等領域起到不可替代的作用。

近年來，語義分割模型在車道識別任務上取得了很好的表現，但受限于全局信息與上下文信息的缺失，普通的語義分割模型無法很好的處理不良光照條件或存在車道遮擋等情況下的車道識別任務。且目前大部分用于車道識別的深度學習模型計算量較大，模型較為復雜，不利于自動駕駛任務的實際應用場景中對實時性的要求。

發明內容

本申請實施例提供了一種檢測車道線的方法、裝置、終端設備及可讀存儲介質，可以解決目前大部分用于車道識別的深度學習模型計算量較大，模型較為復雜，不利于自動駕駛任務的實際應用場景中對實時性的要求的問題。

第一方面，本申請實施例提供了一種檢測車道線的方法，包括：

獲取當前場景的道路圖像；將所述道路圖像輸入訓練后的神經網絡模型中處理，輸出所述當前場景的道路圖像中的車道線的檢測結果；其中，所述訓練后的神經網絡模型為根據訓練集中的樣本圖像以及語義分割模型訓練得到，所述訓練集中的樣本圖像包括采集的多個場景的道路圖像以及與多個場景的道路圖像對應的標記圖像。

在第一方面的一種可能的實現方式中，所述訓練后的神經網絡模型包括殘差網絡層、空洞卷積網絡層、上采樣網絡層以及檢測器；所述將所述道路圖像輸入訓練后的神經網絡模型中處理，包括：

將所述道路圖像輸入所述殘差網絡層，經過所述殘差網絡層的卷積處理，輸出包含語義特征的第一特征圖；將所述第一特征圖輸入所述空洞卷積網絡層，經過所述空洞卷積網絡層的特征提取，輸出包含細節特征的第二特征圖；將所述第二特征圖輸入所述上采樣網絡層，經過所述上采樣網絡層的上采樣處理，輸出第三特征圖；將所述第三特征圖輸入所述檢測器，經過所述檢測器的卷積處理，輸出所述當前場景的道路圖像中的車道線的所述檢測結果。

在第一方面的一種可能的實現方式中，所述殘差網絡層包括第一殘差模塊、第二殘差模塊和第三殘差模塊；所述將所述道路圖像輸入所述殘差網絡層，經過所述殘差網絡層的卷積處理，輸出包含語義特征的第一特征圖，包括：

將所述道路圖像輸入所述第一殘差模塊，經過所述第一殘差模塊進行卷積處理，得到第一結果；將所述第一結果輸入所述第二殘差模塊，經過第二殘差模塊的卷積處理，得到第二結果；將所述第二結果輸入所述第三殘差模塊，經過所述第三殘差模塊的卷積處理，輸出所述第一特征圖。

在第一方面的一種可能的實現方式中，所述空洞卷積網絡層包括第一卷積模塊、第二卷積模塊、第三卷積模塊、第四卷積模塊以及全局平均池化模塊；將所述第一特征圖輸入所述空洞卷積網絡層，經過所述空洞卷積網絡層的特征提取，包括：

將所述第一特征圖分別輸入所述第一卷積模塊、所述第二卷積模塊、所述第三卷積模塊、所述第四卷積模塊以及所述全局平均池化模塊，對所述第一特征圖進行特征提取。