用于检测车道线的方法、设备和存储介质技术

本公开涉及用于检测车道线的方法、设备和存储介质。该方法包括获取将用于训练车道线检测模型的车道线图像集，车道线图像集包括目标车辆在相同时刻捕获的左前、左后、右前、右后视角图像；确定与车道线图像集中图像的车道线相关联的车道线实例点集信息和车道线实例分类信息；合并左前与右前视角图像以得到前视合并图像，合并左后和右后视角图像以得到后视合并图像，并且分别将前视合并图像和后视合并图像进行缩放；对缩放后图像的车道线实例点集信息进行转换；以及基于车道线实例分类信息和经转换的车道线实例点集信息，得到用于训练车道线检测模型的目标数据集。以此方式，能够实现对侧向视角下不同表现形式、位置和特征的车道线的准确检测。的准确检测。的准确检测。

【技术实现步骤摘要】
用于检测车道线的方法、设备和存储介质


[0001]本公开一般地涉及智能交通和图像检测领域，特别地涉及用于检测车道线的方法、设备和存储介质。

技术介绍

[0002]车道线作为道路交通中的基本组成部分，车道线检测技术在自动驾驶领域中是实现自动导航和车辆轨迹规划的重要依据。通过对车道线的准确检测，自动驾驶车辆可以实现在车道内自动行驶、超车、换道等操作，从而提高安全性和效率，并且也可以为驾驶员提供实时的车道线信息和警告，帮助驾驶员保持车辆在正确的车道内行驶，减少交通事故的风险。
[0003]目前车道线检测方法主要分为两类：传统车道线检测算法和基于深度学习的车道线检测算法。
[0004]传统的车道线检测方法通常基于视觉信息线索来解决车道线检测问题，例如通过提取图像特征、应用边缘检测算法、拟合直线或曲线等方式进行车道线检测，然而，这样的车道线检测方法对于因光照变化、复杂背景、遮挡等情况的鲁棒性较差，检测的效果容易受到环境因素的影响。
[0005]基于深度学习的车道线检测算法能够对于目标特征在模型训练过程中自动学习并自动修正学习参数，能够在一定程度上提升车道线检测算法的鲁棒性和准确性。然而，目前对车道线检测算法的研究方向主要集中在前向视角，对侧向视角车道线检测的检测研究较少。
[0006]为了保证自动驾驶安全，自动驾驶系统不能仅依靠前视摄像头，还要进行多视角的感知。对于多视角的感知，其感知的范围不仅局限于前向视角下的车道线，同时也需要检测出侧向视角的车道线，由于侧向和前向视角的车道线表现形式、位置和特征不一致，直接将训练好的前视车道线检测模型应用在侧视上，对网络本身的泛化能力要求特别高，通常难以实现。对于某些模型，其由于侧向车道线相对于前向的车道线特征发生较大变化，导致其无法用于侧向的检测。
[0007]中国专利申请CN115205800A《自动驾驶周视车道线模型训练和检测方法》中针对Line Anchor难以适用侧向小视角车道线的检测，将侧向视角采取“先旋转后合并”的策略使侧向视角车道线与前向视角样本空间一致，进而实现对侧向车道线的检测。然而，这种方法需要依赖较强的先验信息，对于车道线检测的泛化性和准确率较差。而且，该模型计算量较大，对于硬件要求较高。
[0008]因此，急需一种侧向多视角下车道线检测方案，以至少部分地解决现有技术中存在的技术问题。

技术实现思路

[0009]根据本公开的示例实施例，提供了一种用于检测车道线的方案。
[0010]在本公开的第一方面中，提供了一种用于训练车道线检测模型的方法。该车道线检测模型用于侧向多视角下的车道线检测，该方法包括：获取将用于训练车道线检测模型的车道线图像集，车道线图像集包括目标车辆在相同时刻捕获的左前视角图像、左后视角图像、右前视角图像、右后视角图像；确定与车道线图像集中图像的车道线相关联的车道线实例点集信息和车道线实例分类信息；合并左前视角图像与右前视角图像以得到前视合并图像，合并左后视角图像和右后视角图像以得到后视合并图像，并且分别将前视合并图像和后视合并图像进行缩放；对缩放后的前视合并图像和缩放后的后视合并图像的车道线实例点集信息进行转换；以及基于车道线实例分类信息和经转换的车道线实例点集信息，得到用于训练车道线检测模型的目标数据集。
[0011]在一些实施例中，获取将用于训练车道线检测模型的车道线图像集可以包括：利用设置在目标车辆上的摄像头获得左前侧向视角、左后侧向视角、右前侧向视角和右后侧向视角的多段视频数据；以及基于预设抽帧频率，在多段视频数据中抽取得到车道线图像集。
[0012]在一些实施例中，确定与车道线图像集中图像的车道线相关联的车道线实例点集信息和车道线实例分类信息可以包括：以点集的方式对车道线进行标注并且针对车道线进行分类信息标注，以得到车道线实例点集信息。
[0013]在一些实施例中，合并左前视角图像与右前视角图像以得到前视合并图像，合并左后视角图像和右后视角图像以得到后视合并图像，并且分别将前视合并图像和后视合并图像进行缩放可以包括：将左前视角图像与右前视角图像在水平方向上合并，并且左前视角图像处于左侧，右前视角图像处于右侧；将左后视角图像和右后视角图像在水平方向上合并，并且左后视角图像处于右侧，右后视角图像处于左侧；以及将前视合并图像和后视合并图像缩放为单一尺寸图像大小。
[0014]在一些实施例中，对缩放后的前视合并图像和缩放后的后视合并图像的车道线实例点集信息进行转换可以包括：对于左前视角图像和右后视角图像中车道线实例点集转换规则可以为：U
after
= U
before
/ 2，V
after
= V
before
；对于右前视角图像和左后视角图像中车道线实例点集转换规则可以为：U
after
= U
before
/ 2 + w / 2，V
after
= V
before
；其中U
after
和V
after
表示转换后的坐标点，U
before
和V
before
表示转换前的坐标点，w为缩放后的前视合并图像或缩放后的后视合并图像的宽度。
[0015]在一些实施例中，基于车道线实例分类信息和经转换的车道线实例点集信息，得到用于训练车道线检测模型的目标数据集可以包括：将车道线实例点集信息进行连接，得到车道线实例分割图；对车道线起始点坐标进行处理，得到车道线实例起点热图；根据车道线实例分类信息进行进一步标识，生成车道线实例分类参数；以及基于车道线实例分割图、车道线实例起点热图以及车道线实例分类参数得到目标数据集。
[0016]在本公开的第二方面中，提供了一种用于检测车道线的方法。车道线包括侧向多视角车道线，并且该方法包括：获取待检测图像，待检测图像包括目标车辆在相同时刻捕获的左前视角图像、左后视角图像、右前视角图像、右后视角图像；以及利用根据本公开第一方面的车道线检测模型对待检测图像进行检测，获得车道线检测结果。
[0017]在一些实施例中，该方法还可以包括：分别合并左前视角图像与右前视角图像以得到前视合并图像、左后视角图像与右后视角图像以得到后视合并图像，并且分别将前视
合并图像和后视合并图像进行缩放；确定缩放后的前视合并图像和缩放后的后视合并图像所对应的车道线实例分割图和车道线实例分类信息；基于确定的车道线实例分割图和车道线实例分类信息，确定左右车道线的实际坐标。
[0018]在本公开的第三方面中，提供了一种电子设备。该设备包括一个或多个处理器；以及与处理器耦合的存储器，存储器具有存储于其中的指令，指令在被处理器执行时使设备执行动作，动作包括：获取将用于训练车道线检测模型的车道线图像集，车道线图像集包括目标车辆在相同时刻捕获的左前视角图像、左后视角图像、右前视角图像、右后视角图像；确定与车道线图像集中图像的车道线相关联的车道线实例点集信息和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练车道线检测模型的方法，所述车道线检测模型用于侧向多视角下的车道线检测，其特征在于，包括：获取将用于训练所述车道线检测模型的车道线图像集，所述车道线图像集包括目标车辆在相同时刻捕获的左前视角图像、左后视角图像、右前视角图像、右后视角图像；确定与所述车道线图像集中图像的车道线相关联的车道线实例点集信息和车道线实例分类信息；合并所述左前视角图像与所述右前视角图像以得到前视合并图像，合并所述左后视角图像和所述右后视角图像以得到后视合并图像，并且分别将所述前视合并图像和所述后视合并图像进行缩放；对缩放后的所述前视合并图像和缩放后的所述后视合并图像的所述车道线实例点集信息进行转换；以及基于所述车道线实例分类信息和经转换的所述车道线实例点集信息，得到用于训练所述车道线检测模型的目标数据集。2.根据权利要求1所述的方法，其特征在于，获取将用于训练所述车道线检测模型的车道线图像集包括：利用设置在所述目标车辆上的摄像头获得左前侧向视角、左后侧向视角、右前侧向视角和右后侧向视角的多段视频数据；以及基于预设抽帧频率，在多段所述视频数据中抽取得到所述车道线图像集。3.根据权利要求1所述的方法，其特征在于，确定与所述车道线图像集中图像的车道线相关联的车道线实例点集信息和车道线实例分类信息包括：以点集的方式对所述车道线进行标注并且针对所述车道线进行分类信息标注，以得到所述车道线实例点集信息。4.根据权利要求1所述的方法，其特征在于，合并所述左前视角图像与所述右前视角图像以得到前视合并图像，合并所述左后视角图像和所述右后视角图像以得到后视合并图像，并且分别将所述前视合并图像和所述后视合并图像进行缩放包括：将所述左前视角图像与所述右前视角图像在水平方向上合并，并且所述左前视角图像处于左侧，所述右前视角图像处于右侧；将所述左后视角图像和所述右后视角图像在水平方向上合并，并且所述左后视角图像处于右侧，所述右后视角图像处于左侧；以及将所述前视合并图像和所述后视合并图像缩放为单一尺寸图像大小。5.根据权利要求1所述的方法，其特征在于，对缩放后的所述前视合并图像和缩放后的所述后视合并图像的所述车道线实例点集信息进行转换包括：对于所述左前视角图像和所述右后视角图像中车道线实例点集转换规则为：U
after = U
before / 2；V
after = V
before
；以及对于所述右前视角图像和所述左后视角图像中车道线实例点集转换规则为：U
after = U
before / 2 + w / 2；V
after = V
before
；其中U
after
和V
after
表示转换后的坐标点，U
before
和V
before
表示转换前的坐标点，w为缩放后
的所述前视合...

【专利技术属性】
技术研发人员：王鸿飞，姚佳丽，李波，赖福辉，
申请(专利权)人：吉咖智能机器人有限公司，
类型：发明
国别省市：