车道线识别及模型的训练方法、装置、设备、介质制造方法及图纸

本公开提供了车道线识别及模型的训练方法、装置、设备、介质，涉及自动驾驶、智能交通和高精地图技术领域，尤其涉及高精地图数据处理技术领域。车道线识别模型的训练方法的具体实现方案为：获取多组训练样本；其中，每组训练样本包括道路的反射值底图样本以及采集反射值底图样本的采集设备的轨迹，反射值底图样本标注有车道线标注信息；对于每组训练样本，沿采集设备的轨迹从反射值底图样本中截取反射值图像块，并将反射值图像块输入车道线识别模型，以由车道线识别模型根据反射值图像块识别反射值底图样本中的车道线识别结果；根据车道线识别结果和车道线标注信息确定损失误差，并根据损失误差调整车道线识别模型的模型参数。根据损失误差调整车道线识别模型的模型参数。根据损失误差调整车道线识别模型的模型参数。

【技术实现步骤摘要】
车道线识别及模型的训练方法、装置、设备、介质


[0001]本公开涉及自动驾驶、智能交通和高精地图
，尤其涉及高精地图数据处理


技术介绍

[0002]高精地图在自动驾驶的感知、定位、决策、控制等过程中发挥重要作用，车道线作为高精地图的基础要素，在高精地图生成过程中是转关重要的。
[0003]现有技术，在生成车道线时，先将获取的道路图像输入至语义分割网络中，并基于语义分割网络的方法生成车道线。但是由于道路图像中的车道线存在磨损或者被遮挡等情况，使得基于语义分割网络生成的车道线存在不连续的现象，后续还需要再通过人工方式进行车道线的连接，才能生成车道线。
[0004]因此，采用现有的车道线生成方法，生成过程比较复杂，导致车道线的生成效率较低。

技术实现思路

[0005]本公开提供了一种车道线识别及模型的训练方法、装置、设备、介质。
[0006]根据本公开的第一方面，提供了一种车道线识别模型的训练方法，包括：
[0007]获取多组训练样本；其中，每组训练样本包括道路的反射值底图样本以及采集所述反射值底图样本的采集设备的轨迹，所述反射值底图样本标注有车道线标注信息；
[0008]对于每组训练样本，沿所述采集设备的轨迹从所述反射值底图样本中截取反射值图像块，并将所述反射值图像块输入车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图样本中的车道线识别结果；
[0009]根据所述车道线识别结果和所述车道线标注信息确定损失误差，并根据所述损失误差调整所述车道线识别模型的模型参数。。
[0010]根据本公开的第二方面，提供了一种车道线识别方法，包括：
[0011]获取待识别的反射值底图和采集所述反射值底图的采集设备的轨迹；
[0012]对沿所述采集设备的轨迹从所述反射值底图中截取反射值图像块，并将所述反射值图像块输入训练得到的车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图中的车道线识别结果；其中，所述车道线识别模型基于多组训练对初始的车道线识别模型训练得到，每组训练包括道路的反射值底图以及采集所述反射值底图的采集设备的轨迹，所述反射值底图标注有车道线标注信息。
[0013]根据本公开的第三方面，提供了一种车道线识别模型的训练装置，包括：
[0014]获取模块，用于获取多组训练样本；其中，每组训练样本包括道路的反射值底图样本以及采集所述反射值底图样本的采集设备的轨迹，所述反射值底图样本标注有车道线标注信息；
[0015]预处理模块，用于对于每组训练样本，沿所述采集设备的轨迹从所述反射值底图
样本中截取反射值图像块，并将所述反射值图像块输入车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图样本中的车道线识别结果；
[0016]训练模型，用于根据所述车道线识别结果和所述车道线标注信息确定损失误差，并根据所述损失误差调整所述车道线识别模型的模型参数。
[0017]根据本公开的第四方面，提供了一种车道线识别装置，包括：
[0018]获取模块，用于获取待识别的反射值底图和采集所述反射值底图的采集设备的轨迹；
[0019]识别模块，用于对沿所述采集设备的轨迹从所述反射值底图中截取反射值图像块，并将所述反射值图像块输入训练得到的车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图中的车道线识别结果；其中，所述车道线识别模型基于多组训练对初始的车道线识别模型训练得到，每组训练包括道路的反射值底图以及采集所述反射值底图的采集设备的轨迹，所述反射值底图标注有车道线标注信息。
[0020]根据本公开的第五方面，提供了一种电子设备，包括：
[0021]至少一个处理器；以及
[0022]与所述至少一个处理器通信连接的存储器；其中，
[0023]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
[0024]根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述任一项所述的方法。
[0025]根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一项所述的方法。
[0026]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0027]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0028]图1为本公开一示例性实施例提供的一种车道线识别模型的训练方法的流程图；
[0029]图2为本公开一示例性实施例提供的一种在反射值底图样本中截取反射值图像块的场景示意图；
[0030]图3为本公开一示例性实施例提供的一种车道线识别模型的网络架构图；
[0031]图4为本公开一示例性实施例提供的一种采用本公开实施例得到的车道线识别模型提取的车道线与其他方式提取的车道线的结果对比图；
[0032]图5为本公开一示例实施例提供的一种车道线识别方法的流程图；
[0033]图6为本公开一示例实施例提供的一种车道线识别模型的训练装置的模块示意图；
[0034]图7为本公开一示例实施例提供的一种车道线识别装置的模块示意图；
[0035]图8为本公开一示例实施例提供的一种电子设备的框图。
具体实施方式
[0036]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0037]图1为本公开一示例性实施例提供的一种车道线识别模型的训练方法的流程图，该车道线识别模型的训练方法包括以下步骤：
[0038]步骤101、获取多组训练样本。
[0039]其中，每组训练样本包括道路的反射值底图样本以及反射值底图样本的采集设备的轨迹，反射值底图样本标注有车道线标注信息。
[0040]训练样本的数量可以根据实际情况自行确定，可以理解地，训练样本的数量越多、道路形式越丰富训练得到的车道线识别模型的精确度越高、鲁棒性越强。
[0041]反射值底图样本根据道路的点云数据得到，具体的，将点云数据投影到二维空间中，得到反射值底图，反射值底图为二维灰度图。
[0042]点云数据可以基于激光测量原理和/或摄影测量原理得到。根据激光测量原理得到的点云数据包括三维坐标(XYZ)和激光反射信息；根据摄影测量原理得到的点云数据包括三维坐标(XYZ)；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线识别模型的训练方法，包括：获取多组训练样本；其中，每组训练样本包括道路的反射值底图样本以及采集所述反射值底图样本的采集设备的轨迹，所述反射值底图样本标注有车道线标注信息；对于每组训练样本，沿所述采集设备的轨迹从所述反射值底图样本中截取反射值图像块，并将所述反射值图像块输入车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图样本中的车道线识别结果；根据所述车道线识别结果和所述车道线标注信息确定损失误差，并根据所述损失误差调整所述车道线识别模型的模型参数。2.根据权利要求1所述的车道线识别模型的训练方法，其中，所述车道线识别模型包括特征提取层和输出层；所述根据所述车道线识别模型预测所述反射值底图样本的车道线识别结果，包括：触发所述特征提取层从所述反射值图像块中提取图像特征和各个反射值图像块之间的关联特征，并根据所述图像特征和所述关联特征得到至少两个特征图层；触发所述输出层根据所述至少两个特征图层预测所述车道线识别结果。3.根据权利要求2所述的车道线识别模型的训练方法，其中，所述触发所述输出层根据所述至少两个特征图层预测所述车道线识别结果，包括：触发所述输出层沿所述特征图层的行方向计算第一车道线信息，沿所述特征图层的列方向计算第二车道线信息；根据所述第一车道线信息和所述第二车道线信息预测所述车道线识别结果。4.根据权利要求2所述的车道线识别模型的训练方法，其中，所述触发所述输出层根据所述至少两个特征图层预测所述车道线识别结果，包括：触发所述输出层从所述至少两个特征图层中挑选目标层的特征图层；根据所述目标层的特征图层预测所述车道线识别结果。5.根据权利要求2所述的车道线识别模型的训练方法，其中，所述损失误差包括车道线包含的点的位置损失函数值、点沿行方向的损失函数值、点沿列方向的损失函数值、点长度的损失函数值的加权结果。6.根据权利要求1
‑
5中任一项所述的车道线识别模型的训练方法，其中，每张反射值底图样本根据所述道路的多组点云数据得到；采集各组点云数据的采集设备的轨迹相同。7.一种车道线识别方法，包括：获取待识别的反射值底图和采集所述反射值底图的采集设备的轨迹；对沿所述采集设备的轨迹从所述反射值底图中截取反射值图像块，并将所述反射值图像块输入训练得到的车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图中的车道线识别结果；其中，所述车道线识别模型基于多组训练对初始的车道线识别模型训练得到，每组训练包括道路的反射值底图以及采集所述反射值底图的采集设备的轨迹，所述反射值底图标注有车道线标注信息。8.根据权利要求7所述的车道线识别方法，其中，所述车道线识别模型包括特征提取层和输出层；所述根据所述车道线识别模型预测所述反射值底图的车道线识别结果，包括：触发所述特征提取层从所述反射值图像块中提取图像特征和各个反射值图像块之间
的关联特征，并根据所述图像特征和所述关联特征得到至少两个特征图层；触发所述输出层根据所述至少两个特征图层预测所述车道线识别结果。9.根据权利要求8所述的车道线识别方法，其中，所述触发所述输出层根据所述至少两个特征图层预测所述车道线识别结果，包括：触发所述输出层沿所述特征图层的行方向计算第一车道线信息，沿所述特征图层的列方向计算第二车道线信息；根据所述第一车道线信息和所述第二车道线信息预测所述车道线识别结果。10.根据权利要求8所述的车道线识别方法，其中，所述触发所述输出层根据所述至少两个特征图层预测所述车道线识别结果，包括：触发所述输出层从所述至少两个特征图层中挑选目标层的特征图层；根据所述目标层的特征图层预测所述车道线识别结果。11.根据权利要求7
‑
10中任一项所述的车道线识别方法，其中，所述反射值底图根据所述道路的多组点云数据得到；采集各组点云数据的采集设备的轨迹相同。12.一种车道线识别模型的训练装置，包括：获取模块，用于获取多组训练样本；其中，每组训练样本包括道路的反射值底图样本以及采集所述反射值底图样本的采集设备的轨迹，...

【专利技术属性】
技术研发人员：朱丽娟，孙增怡，卢维欣，万国伟，白宇，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：