一种车道线识别方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种车道线识别方法、装置、设备和存储介质，该方法包括通过获取车辆周围的道路图像；基于Hadoop平台中的MapReduce模型，对道路图像进行分片处理，得到目标道路图像；基于MapReduce模型，对目标道路图像进行计算，得到输出数据；根据输出数据，确定道路图像中的车道线，实现了管理输出数据的持久化与分发，避免了单独维护一个具有散列功能的可靠网络队列，降低了车道识别系统的复杂度。采用本发明专利技术的技术方案，能够简化车道识别系统识别图像的过程，进而提高车道线的识别效率。

【技术实现步骤摘要】
一种车道线识别方法、装置、设备和存储介质
本专利技术实施例涉及土建施工
，具体涉及一种车道线识别方法、装置、设备和存储介质。
技术介绍
车道线识别是自动驾驶中高精地图的重要环节，目前主要依赖卷积神经网络来进行图像识别。卷积神经网络有着很高的计算资源要求，单个加速器的计算资源(比如计算单元和内存)有限，无法处理大规模神经网络。因此，人们提出了并行训练算法以解决这个问题。这也让科技巨头们在云服务中部署可扩展深度学习工具成为可能，从而提高了深度学习模型的训练效率。在应用深度学习模型进行预测时，仍然需要通过使用多核CPU、众核GPU、多GPU和集群等硬件来实现高吞吐率。主流的做法是：集群多机多卡，使用容器(docker)来管理“预测服务”，使用资源管理工具(Kubenetes)来管理集群资源与预测服务，输入数据通过队列散列到分布式的预测服务中，实现大量数据预测时的并行化。这种架构实现了宿主机和运行环境的隔离，集群资源(cpu/gpu/内存等)的有效管理，动态扩容。但是，现有技术的深度学习模型需要维护一个具有散列功能的可靠网络队列，再由这个队列将输入数据均匀地散列到Kubenetes里的所有docker服务，并管理输出的持久化与分发，使得车道识别系统识别图像的过程比较复杂，进而降低了车道线的识别效率。
技术实现思路
为此，本专利技术实施例提供一种车道线识别方法、装置、设备和存储介质，以解决现有技术中车道识别系统识别图像的过程比较复杂，进而降低了车道线的识别效率的问题。为了实现上述目的，本专利技术的实施方式提供如下技术方案：在本专利技术的实施方式的第一方面中，提供了一种车道线识别方法，包括：获取车辆周围的道路图像；基于Hadoop平台中的MapReduce模型，对所述道路图像进行分片处理，得到目标道路图像；基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据；根据所述输出数据，确定所述道路图像中的车道线。进一步地，上述所述的方法中，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据之前，还包括：基于所述Hadoop平台中的自定义资源管理模块，分配第一图像运算集群；对应地，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据，包括：基于所述MapReduce模型，利用所述第一图像运算集群，对所述目标道路图像进行计算，得到输出数据。进一步地，上述所述的方法中，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据之前，还包括：基于所述MapReduce模型和所述目标道路图像，自适应分配所述目标道路图像对应的第二图像运算集群；对应地，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据，包括：基于所述MapReduce模型，利用所述第二图像运算集群，对所述目标道路图像进行计算，得到输出数据。进一步地，上述所述的方法中，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据之后，还包括：确定所述输出数据的类型；根据所述输出数据的类型，确定目标数据库；将所述输出数据发送至所述目标数据库。在本专利技术的实施方式的第二方面中，提供了一种车道线识别装置，包括：获取模块，用于获取车辆周围的道路图像；分片模块，用于基于Hadoop平台中的MapReduce模型，对所述道路图像进行分片处理，得到目标道路图像；计算模块，用于基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据；确定模块，用于根据所述输出数据，确定所述道路图像中的车道线。进一步地，上述所述的装置，还包括：第一分配模块，用于基于所述Hadoop平台中的自定义资源管理模块，分配第一图像运算集群；所述计算模块，具体用于：基于所述MapReduce模型，利用所述第一图像运算集群，对所述目标道路图像进行计算，得到输出数据。进一步地，上述所述的装置，还包括：第二分配模块，用于基于所述MapReduce模型和所述目标道路图像，自适应分配所述目标道路图像对应的第二图像运算集群；所述计算模块，具体用于：基于所述MapReduce模型，利用所述第二图像运算集群，对所述目标道路图像进行计算，得到输出数据。进一步地，上述所述的装置，还包括发送模块：所述确定模块，用于确定所述输出数据的类型，以及，根据所述输出数据的类型，确定目标数据库；所述发送模块，用于将所述输出数据发送至所述目标数据库。在本专利技术的实施方式的第三方面中，提供了一种车道线识别设备，包括处理器和存储器；所述处理器与所述存储器相连；所述存储器，用于存储计算机程序，所述计算机程序至少用于执行上述所述的车道线识别方法；所述处理器，用于调用并执行所述计算机程序。在本专利技术的实施方式的第四方面中，提供了一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的车道线识别方法的各个步骤。根据本专利技术的实施方式，具有如下优点：本专利技术实施例的车道线识别方法、装置、设备和存储介质，通过获取车辆周围的道路图像；基于Hadoop平台中的MapReduce模型，对道路图像进行分片处理，得到目标道路图像；基于MapReduce模型，对目标道路图像进行计算，得到输出数据；根据输出数据，确定道路图像中的车道线，实现了管理输出数据的持久化与分发，避免了单独维护一个具有散列功能的可靠网络队列，降低了车道识别系统的复杂度。采用本专利技术的技术方案，能够简化车道识别系统识别图像的过程，进而提高车道线的识别效率。附图说明为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。图1为本专利技术的一实施例提供的一种车道线识别方法的流程图；图2为本专利技术的一实施例提供的一种车道线识别装置的结构示意图；图3为本专利技术的另一实施例提供的一种车道线识别装置的结构示意图。具体实施方式以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术的一实施例提供的一种车道线识别方法的流程图，如图1所示，本实施例的车道线识别方法具体可以包括如下步骤：100、获取车辆周围的道路图像；车辆周围的道路图像可以理解为当前车辆所能获取的道路的图像。车辆周围的道路图像中可以包括车道线，该车道线可以被识别出来，从而可以给驾驶员驾驶车辆提供帮助。车辆周围的道路图像可以从车辆的存储设备中获取，也可以通过摄像头等实时采集得到。在一种可能的实现方式中，可以通过车辆的前视摄像头采集获取。本申请实施例对获取车辆周围的道路图像的获取方式不做限定，任意有效获取车辆周围的道路图像的方法均可以应用于本申请实施例。101、基于Hadoop平台中的MapReduce模型，对道路图像进行分片处理，得到目标道路图像；102、本文档来自技高网...

【技术保护点】
1.一种车道线识别方法，其特征在于，包括：获取车辆周围的道路图像；基于Hadoop平台中的MapReduce模型，对所述道路图像进行分片处理，得到目标道路图像；基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据；根据所述输出数据，确定所述道路图像中的车道线。

【技术特征摘要】
1.一种车道线识别方法，其特征在于，包括：获取车辆周围的道路图像；基于Hadoop平台中的MapReduce模型，对所述道路图像进行分片处理，得到目标道路图像；基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据；根据所述输出数据，确定所述道路图像中的车道线。2.根据权利要求1所述的方法，其特征在于，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据之前，还包括：基于所述Hadoop平台中的自定义资源管理模块，分配第一图像运算集群；对应地，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据，包括：基于所述MapReduce模型，利用所述第一图像运算集群，对所述目标道路图像进行计算，得到输出数据。3.根据权利要求1所述的方法，其特征在于，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据之前，还包括：基于所述MapReduce模型和所述目标道路图像，自适应分配所述目标道路图像对应的第二图像运算集群；对应地，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据，包括：基于所述MapReduce模型，利用所述第二图像运算集群，对所述目标道路图像进行计算，得到输出数据。4.根据权利要求1-3任一所述的方法，其特征在于，所述基于所述MapReduce模型，对所述目标道路图像进行计算，得到输出数据之后，还包括：确定所述输出数据的类型；根据所述输出数据的类型，确定目标数据库；将所述输出数据发送至所述目标数据库。5.一种车道线识别装置，其特征在于，包括：获取模块，用于获取车辆...

【专利技术属性】
技术研发人员：崔延良，
申请(专利权)人：宽凳北京科技有限公司，
类型：发明
国别省市：北京,11