[發明專利]一種車道線檢測方法、裝置、電子設備及存儲介質

有效

• 申請號: 202310027198.1
• 申請日: 2023-01-09
• 公開（公告）號: CN115713750B
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 羅宇亮;鄧志巧;彭易錦;何山波;陳春光
• 申請（專利權）人: 廣汽埃安新能源汽車股份有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/762;G06V20/56
• 代理公司: 北京維飛聯創知識產權代理有限公司 11857
• 代理人: 逯恒

本申請實施例提供一種車道線檢測方法、裝置、電子設備及存儲介質，其中，該方法包括：獲取包含車道線場景的道路場景圖片；對道路場景圖片進行車道線像素點標注，得到標注車道線；將道路場景圖片輸入預先構建的車道線特征提取模型進行訓練，得到前景背景圖和車道線像素特征向量；根據前景背景圖對車道線像素特征向量進行映射，得到車道線像素坐標的像素值；對車道線像素坐標的像素值進行聚類，得到車道線像素坐標集合；對車道線像素坐標集合中的車道線像素坐標進行補全處理，得到補全后的車道線像素坐標集合；對補全后的車道線像素坐標集合和標注車道線進行車道線檢測評估，得到檢測結果。實施本申請實施例，可以提高車道線檢測的準確率。

技術領域

本申請涉及電數字數據處理技術領域，具體而言，涉及一種車道線檢測方法、裝置、電子設備及計算機存儲介質。

背景技術

車道線檢測是自動駕駛環境感知領域中的關鍵問題之一，車道線檢測的目的是獲取道路上每條車道線的準確形狀。由于車道線的形狀細長，并且真實場景下面臨車道線變化復雜、遮擋問題、光照影響和語義模糊等問題，給車道線的識別帶來極大的挑戰。其次，車道線檢測算法應用于車載系統，需要處理實時數據，因此，對算法實時性也提出了非常高的要求。

現有的車道線檢測算法主要有傳統的基于圖像處理的檢測算法和基于深度學習的算法兩大類，其中傳統的基于圖像處理的檢測算法主要是通過提取車道線的顏色、紋理、邊緣、方向和形狀等特征的方式來達到對檢測車道線的目的；基于深度學習的算法主要采用卷積神經網絡提取圖像特征，具有平移不變性、可擴展等特點。基于深度學習的車道線檢測常用算法包括：基于分割的方法、基于檢測的方法、基于參數曲線的方法和基于關鍵點的方法。

現有技術存在很多客觀缺點，如：SCNN分割模型大，在行列之間傳播信息可能導致信息傳遞費時、效率低、長距離信息丟失；LaneATT預設Anchor形狀會影響檢測的靈活性；基于關鍵點的方法在處理遮擋問題時如何構建全局信息是亟待考慮的問題；基于曲線的方法可以自然地學習整體車道線表示，具有較高的推理速度，但在準確度上不高。

發明內容

本申請實施例的目的在于提供一種車道線檢測方法、裝置、電子設備及存儲介質，可以提高車道線檢測的準確率，將道路場景圖片中的車道線完整地檢測出來，縮短檢測時間，節省成本。

第一方面，本申請實施例提供了一種車道線檢測方法，所述方法包括：

獲取包含車道線場景的道路場景圖片；

對所述道路場景圖片進行車道線像素點標注，得到標注車道線；

將所述道路場景圖片輸入預先構建的車道線特征提取模型進行訓練，得到前景背景圖和車道線像素特征向量；

根據所述前景背景圖對所述車道線像素特征向量進行映射，得到車道線像素坐標的像素值；

對所述車道線像素坐標的像素值進行聚類，得到車道線像素坐標集合；

對所述車道線像素坐標集合中的車道線像素坐標進行補全處理，得到補全后的車道線像素坐標集合；

對所述補全后的車道線像素坐標集合和所述標注車道線進行車道線檢測評估，得到檢測結果。

在上述實現過程中，根據車道線特征提取模型對道路場景圖片進行特征提取，并將得到的車道線像素特征向量進行映射、聚類后進行檢測評估，得到車道線像素坐標集合，可以提高車道線檢測的準確率，將道路場景圖片中的車道線完整地檢測出來，縮短檢測時間，節省成本。

進一步地，所述將所述道路場景圖片輸入預先構建的車道線特征提取模型進行訓練，得到前景背景圖和車道線像素特征向量的步驟，包括：

將所述道路場景圖片輸入預先構建的車道線特征提取模型依次進行特征提取和損失計算，得到前景背景圖和車道線像素特征向量。