车道线方程的拟合方法、装置、车辆及存储介质制造方法及图纸

本申请涉及一种车道线方程的拟合方法、装置、车辆及存储介质，其中，方法包括：采集车辆的当前道路图像；将当前道路图像输入至预先训练的边缘坐标识别模型，得到当前道路图像中车道线的多个边缘坐标点，其中，预先训练的边缘坐标识别模型由目标道路图像训练目标卷积神经网络得到；拟合多个边缘坐标点，得到当前道路图像中的车道线方程。本申请实施例的车道线方程的拟合方法将车道线检测与获取采样点放在一个神经网络并联合进行训练，利用神经网络参数学习车道线检测和获取采样点，不仅提高了效率，而且输出的采样点具有像素级别的分辨率，可以更准确的用于车道线拟合。可以更准确的用于车道线拟合。可以更准确的用于车道线拟合。

【技术实现步骤摘要】
车道线方程的拟合方法、装置、车辆及存储介质


[0001]本申请涉及车道检测
，特别涉及一种车道线方程的拟合方法、装置、车辆及存储介质。

技术介绍

[0002]随着人工智能的高速发展，车辆的自动驾驶技术便成为了当前研究的一大热点，车道线检测作为自动驾驶研究的重要组成部分，近年来也有了较多的研究。车道线作为交通系统中道路划分区域的标志，同时也是车辆有序行驶的保证，正确的车道线的检测与分类能够使自动驾驶汽车对自己的位置与状态有进一步的决策与判断，保证车辆以安全的状态行驶。
[0003]相关技术中，通常将图像到获取拟合车道线方程的采样点分为2个步骤，分别为：(1)车道线检测，将车道线检测作为分类任务或者分割任务，作为分割任务时，首先构建神经网络，然后输入一张图像，其输出图像中每一个像素点属于每一种车道线或无车道线的概率；作为分类任务时，将图像分为若干小块进而构建神经网络，对每一块图像进行车道线类型和无车道线的分类。(2)拟合车道线方程，获取步骤(2)的检测结果做联通域分析，并在联通域内进行稀疏点采样，用于拟合车道线方程。
[0004]然而，从道路图像到获得拟合车道线方程的采样点，需要经过神经网络、联通域分析、稀疏点采样等过程，耗费了时间和算力，同时，将车道线检测作为分类任务时，在将图像分为若干小块进而构建神经网络的基础上所提取的联通域分辨率低，进而影响提取的用于拟合车道线方程的采样点的准确性，影响车道线的拟合结果，亟需进行改善。

技术实现思路

[0005]本申请提供一种车道线方程的拟合方法、装置、车辆及存储介质，以解决相关技术中需要将车道线检测结果进行联通域分析、稀疏点采样等过程，造成了联通域分辨率低，进而影响拟合车道线采样点的准确性等问题。
[0006]本申请第一方面实施例提供一种车道线方程的拟合方法，包括以下步骤：采集车辆的当前道路图像；将所述当前道路图像输入至预先训练的边缘坐标识别模型，得到所述当前道路图像中车道线的多个边缘坐标点，其中，所述预先训练的边缘坐标识别模型由所述目标道路图像训练目标卷积神经网络得到；以及拟合所述多个边缘坐标点，得到所述当前道路图像中的车道线方程。
[0007]根据上述技术手段，通过向神经网络中输入当前道路图像，并输出用于拟合车道线方程的边缘坐标点，提高了车道线拟合的准确性。
[0008]进一步地，在本申请的一个实施例中，在将所述当前道路图像输入至所述预先训练的边缘坐标识别模型之前，还包括：采集所述车辆的目标道路图像；将所述目标道路图像网格化处理，并标注所述目标道路图像中每一个矩形所属的车道线类型和边界点，并根据所述目标道路图像中每一个矩形的车道线类型和边界点构建所述目标卷积神经网络；基于
分类和回归损失函数，利用所述目标道路图像训练所述目标卷积神经网络，得到所述预先训练的边缘坐标识别模型，输出矩形属于各类型车道线的概率及边界点坐标。
[0009]根据上述技术手段，通过将车道线检测与边界点回归放入一个网络神经进行联合训练，直接由图像输出准确的采样点，提高了车道线拟合的准确性。
[0010]进一步地，在本申请的一个实施例中，所述将所述当前道路图像网格化处理，并标注所述当前道路图像中每一个矩形的车道线类型和边界点，包括：基于预设长度和预设宽度，按照网格方式对所述当前道路图像进行划分，得到多个矩形；标注每个矩形内的车道线类型和所述每个矩形内车道线的多个预设位置的边界点。
[0011]根据上述技术手段，通过神经网络将车道线检测和采样拟合车道线方程所需的点通过端到端模型实现，提高了准确性。
[0012]进一步地，在本申请的一个实施例中，所述多个预设位置的边界点包括所述车道线左上位置的边界点、所述车道线右上位置的边界点、所述车道线左下位置的边界点、所述车道线右下位置的边界点。
[0013]根据上述技术手段，通过神经网络将车道线检测和采样拟合车道线方程所需的点通过端到端模型实现，提高了采样点的分辨率和准确性。
[0014]进一步地，在本申请的一个实施例中，所述分类和回归损失函数为：
[0015][0016]其中，L
cls
为车道线种类分类的损失函数，L
reg
为边界点坐标的回归函数，row为行，column为列，Clane为车道线类型，q
ijc
为网格第i行第j列小矩形是否属于第c种车道线的标签，p
ijc
为网格第i行第j列小矩形是否属于第c种车道线的预测概率，为第i行第j列小矩形第k个边界点的横坐标标签，x
ijk
为预测的第i行第j列小矩形第k个边界点的边界点横坐标，为第i行第j列小矩形第k个边界点的纵坐标标签，y
ijk
为预测的第i行第j列小矩形第k个边界点的边界点纵坐标，λ为调节L
cls
和L
reg
的权重。
[0017]根据上述技术手段，通过分类和回归损失函数对卷积神经网络进行训练，提高了采样点的准确性。
[0018]本申请第二方面实施例提供一种车道线方程的拟合装置，包括：采集模块，用于采集车辆的当前道路图像；输入模块，用于将所述当前道路图像输入至预先训练的边缘坐标识别模型，得到所述当前道路图像中车道线的多个边缘坐标点，其中，所述预先训练的边缘坐标识别模型由所述目标道路图像训练目标卷积神经网络得到；以及拟合模块，用于拟合所述多个边缘坐标点，得到所述当前道路图像中的车道线方程。
[0019]进一步地，在本申请的一个实施例中，在将所述当前道路图像输入至所述预先训练的边缘坐标识别模型之前，所述输入模块，还包括：采集单元，用于采集所述车辆的目标道路图像；构建单元，用于将所述目标道路图像网格化处理，并标注所述目标道路图像中每一个矩形所属的车道线类型和边界点，并根据所述目标道路图像中每一个矩形的车道线类型和边界点构建所述目标卷积神经网络；获取单元，用于基于分类和回归损失函数，利用所
述目标道路图像训练所述目标卷积神经网络，得到所述预先训练的边缘坐标识别模型，输出矩形属于各类型车道线的概率及边界点坐标。
[0020]进一步地，在本申请的一个实施例中，所述构建单元，具体用于：基于预设长度和预设宽度，按照网格方式对所述当前道路图像进行划分，得到多个矩形；标注每个矩形内的车道线类型和所述每个矩形内车道线的多个预设位置的边界点。
[0021]进一步地，在本申请的一个实施例中，所述多个预设位置的边界点包括所述车道线左上位置的边界点、所述车道线右上位置的边界点、所述车道线左下位置的边界点、所述车道线右下位置的边界点。
[0022]进一步地，在本申请的一个实施例中，所述分类和回归损失函数为：
[0023][0024]其中，L
cls
为车道线种类分类的损失函数，L
reg
为边界点坐标的回归函数，row为行，column为列，Clane为车道线类型，q
ijc
为网格第i行第j列小矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线方程的拟合方法，其特征在于，包括以下步骤：采集车辆的当前道路图像；将所述当前道路图像输入至预先训练的边缘坐标识别模型，得到所述当前道路图像中车道线的多个边缘坐标点，其中，所述预先训练的边缘坐标识别模型由所述目标道路图像训练目标卷积神经网络得到；以及拟合所述多个边缘坐标点，得到所述当前道路图像中的车道线方程。2.根据权利要求1所述的方法，其特征在于，在将所述当前道路图像输入至所述预先训练的边缘坐标识别模型之前，还包括：采集所述车辆的目标道路图像；将所述目标道路图像网格化处理，并标注所述目标道路图像中每一个矩形所属的车道线类型和边界点，并根据所述目标道路图像中所有矩形的车道线类型和边界点构建所述目标卷积神经网络；基于分类和回归损失函数，利用所述目标道路图像训练所述目标卷积神经网络，得到所述预先训练的边缘坐标识别模型。3.根据权利要求2所述的方法，其特征在于，所述将所述当前道路图像网格化处理，并标注所述当前道路图像中每一个矩形的车道线类型和边界点，包括：基于预设长度和预设宽度，按照网格方式对所述当前道路图像进行划分，得到多个矩形；标注每个矩形内的车道线类型和所述每个矩形内车道线的多个预设位置的边界点。4.根据权利要求3所述的方法，其特征在于，所述多个预设位置的边界点包括所述车道线左上位置的边界点、所述车道线右上位置的边界点、所述车道线左下位置的边界点、所述车道线右下位置的边界点。5.根据权利要求2所述的方法，其特征在于，所述分类和回归损失函数为：其中，L
cls
为车道线种类分类的损失函数，L
reg
为边界点坐标的回归函数，row为行，column为列，Clane为车道线类型，q
ijc
为网格第i行第j列小矩形是否属于第c种车道线的标签，p
ijc
为网格第i行第j列小矩形是否属于第c种车道线的预测概率，为第i行第j列小矩形第k个边界点的横坐标标签，x
ijk
为预测...

【专利技术属性】
技术研发人员：叶德贤，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：