【技术实现步骤摘要】
基于人工智能的车道线检测方法、装置、终端及存储介质
本专利技术涉及人工智能中的深度学习
,具体涉及一种基于人工智能的车道线检测方法、装置、终端及存储介质。
技术介绍
实例分割是人工智能领域中和计算机视觉任务中非常重要的一种。在交通领域中,车道线由于其特征不明显,位置精度需求较高,其检测更加依赖于实例分割技术来完成。现有的基于实例分割技术的车道线检测技术在公开数据集上的测试精度可高达96%以上,然而在真实的数据上的表现一般,车道线检测结果准确率较低,鲁棒性差。原因在于,现有实例分割忽视了检测过程与分割过程的内在关联,使用卷积下采样技术提取了图像特征后,又使用了一组参数来训练用于对特征的分割,最终将在特征图上的分割映射回到原图像。因此造成了参数冗余,导致实例分割在空间上的不必要扩张,成为模型鲁棒性低的一大原因。
技术实现思路
鉴于以上内容,有必要提出一种基于人工智能的车道线检测方法、装置、终端及存储介质,能够提高分割车道线图像中的车道线的准确率。本专利技术的第一方面提供一种基于人工智能的车道线检测方法,所述基于人工智能的车道线检测方法包括:获取多张历史车道线图像;标注每张历史车道线图像中的车道线区域;将标注所述车道线区域的历史车道线图像输入神经网络中进行迭代训练;获取当次迭代结束时所述神经网络中的每个神经元输出的权值参数;采用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数,并将所述新的权值参数作为当次迭代结果,所 ...
【技术保护点】
1.一种基于人工智能的车道线检测方法,其特征在于,所述基于人工智能的车道线检测方法包括:/n获取多张历史车道线图像;/n标注每张历史车道线图像中的车道线区域;/n将标注所述车道线区域的历史车道线图像输入神经网络中进行迭代训练;/n获取当次迭代结束时所述神经网络中的每个神经元输出的权值参数;/n利用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数,并将所述新的权值参数作为当次迭代结果,所述广义归一化模型为
【技术特征摘要】
1.一种基于人工智能的车道线检测方法,其特征在于,所述基于人工智能的车道线检测方法包括:
获取多张历史车道线图像;
标注每张历史车道线图像中的车道线区域;
将标注所述车道线区域的历史车道线图像输入神经网络中进行迭代训练;
获取当次迭代结束时所述神经网络中的每个神经元输出的权值参数;
利用广义归一化模型对所述每个神经元输出的权值参数进行广义归一化得到新的权值参数,并将所述新的权值参数作为当次迭代结果,所述广义归一化模型为,其中,为权值参数,为的各阶上的维度总和,为平衡系数,为新的权值参数;
根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型;
利用所述车道线检测模型检测待测车道线图像中的车道线。
2.如权利要求1所述的基于人工智能的车道线检测方法,其特征在于,所述基于人工智能的车道线检测方法还包括:
预先定义第一平衡参数范围和第二平衡参数范围;
获取所述多张历史车道线图像的数量;
判断所述数量是否大于预设数量阈值;
当所述数量大于所述预设数量阈值,从所述第一平衡参数范围中随机选取一个数作为最终的平衡参数;
当所述数量小于或者等于所述预设数量阈值,从所述第二平衡参数范围中随机选取一个数作为最终的平衡参数。
3.如权利要求1所述的基于人工智能的车道线检测方法,其特征在于,所述根据所述当次迭代结果进行下一轮的迭代训练直至满足训练结束条件时得到车道线检测模型包括:
获取每次迭代结束时所述神经网络预测的每张历史车道线图像中的车道线区域;
计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率;
当所述误差率低于预设误差率阈值时,确定满足训练结束条件得到车道线检测模型,并将所述车道线检测模型存储于区块链节点中;
当所述误差率高于所述预设误差率阈值时,通过反向传播算法根据所述误差率继续训练所述神经网络直至当所述误差率低于所述预设误差率阈值时,结束对所述神经网络的训练。
4.如权利要求3所述的基于人工智能的车道线检测方法,其特征在于,所述计算标注的历史车道线图像中的车道线区域与所述神经网络预测的历史车道线图像中的车道线区域之间的误差率包括:
计算所述标注的历史车道线图像中的车道线区域在所述历史车道线图像中的第一面积;
确定所述神经网络预测的历史车道线图像中的车道线区域与所述标注的历史车道线图像中的车道线区域的重合区域;
计算所述重合区域...
【专利技术属性】
技术研发人员:韩浩瀚,
申请(专利权)人:平安国际智慧城市科技股份有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。