[發明專利]一種車道線檢測的方法以及裝置

有效

• 申請號: 202110397326.2
• 申請日: 2021-04-14
• 公開（公告）號: CN112990099B
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 趙雨婷;高紅星;史信楚;劉博聰;夏華夏
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京曼威知識產權代理有限公司 11709
• 代理人: 方志煒

本說明書公開了一種車道線檢測的方法以及裝置，獲取無人駕駛設備采集到的道路圖像，根據道路圖像，確定道路圖像對應的俯視圖像，其次，將道路圖像以及俯視圖像輸入到預先訓練的車道線識別模型中，得到以俯視圖像包含的車道線特征為參考，針對道路圖像所包含的車道線的識別結果。最后，根據識別結果，進行車道線檢測。本方法參考俯視圖像包含的車道線特征，在確定道路圖像所包含的車道線的識別結果的過程中，融合了車道線在俯視圖像中是平行的車道線特征，使得確定出的車道線的識別結果更加準確的，進而有效地提高了車道線檢測的準確性。

技術領域

本說明書涉及無人駕駛技術領域，尤其涉及一種車道線檢測的方法以及裝置。

背景技術

目前，在無人駕駛的技術領域中，通常通過無人駕駛設備采集到的圖像，確定出無人駕駛設備行進過程中的當前道路的車道線信息，再通過確定出的車道線信息，對無人駕駛設備進行路徑規劃和環境感知。

在現有技術中，通過無人駕駛設備采集到的圖像往往是攝像機在水平方向上拍攝的圖像，這種圖像中的車道線一般體現出由遠及近的匯聚情況，而車道線在現實中是平行的，攝像機拍攝的圖像并沒有體現這個特征，因此，僅根據該圖像數據對車道線進行識別，最終得到的識別結果往往是不準確的。

所以，如何能夠有效地提高車道線檢測的準確性，則是一個亟待解決的問題。

發明內容

本說明書提供一種車道線檢測的方法以及裝置，以部分的解決現有技術存在的上述問題。

本說明書采用下述技術方案：

本說明書提供了一種車道線檢測的方法，包括：

獲取無人駕駛設備采集到的道路圖像；

根據所述道路圖像，確定所述道路圖像對應的俯視圖像；

將所述道路圖像以及所述俯視圖像輸入到預先訓練的車道線識別模型中，得到以所述俯視圖像包含的車道線特征為參考，針對所述道路圖像所包含的車道線的識別結果；

根據所述識別結果，進行車道線檢測。

可選地，所述車道線識別模型包含有道路圖像子模型以及俯視圖像子模型；

將所述道路圖像以及所述俯視圖像輸入到預先訓練的車道線識別模型中，得到以所述俯視圖像包含的車道線特征為參考，針對所述道路圖像所包含的車道線的識別結果，具體包括：

將所述俯視圖像輸入到預先訓練的所述俯視圖像子模型中，得到所述俯視圖像對應的車道線特征；

將所述道路圖像以及所述俯視圖像對應的車道線特征輸入到預先訓練的所述道路圖像子模型中，得到所述道路圖像所包含的車道線的識別結果。

可選地，將所述道路圖像以及所述俯視圖像對應的車道線特征輸入到預先訓練的所述道路圖像子模型中，得到所述道路圖像所包含的車道線的識別結果，具體包括：

按照所述俯視圖像與所述道路圖像之間的視角空間差異，將所述俯視圖像對應的車道線特征進行轉化，得到在所述道路圖像下的所述俯視圖像對應的車道線特征，作為轉化后車道線特征；

將所述轉化后車道線特征以及所述道路圖像輸入到預先訓練的車道線識別模型的道路圖像子模型中，確定所述道路圖像所包含的車道線的識別結果。

可選地，所述道路圖像子模型與所述俯視圖像子模型均包含有特征網絡，所述道路圖像子模型與所述俯視圖像子模型包含的特征網絡中設有若干個特征提取層；

將所述轉化后車道線特征以及所述道路圖像輸入到預先訓練的車道線識別模型的道路圖像子模型中，確定所述道路圖像所包含的車道線的識別結果，具體包括：