【技术实现步骤摘要】
本专利技术涉及汽车，尤其涉及一种车道线检测方法和装置。
技术介绍
1、自动驾驶汽车需要感知不同环境下的车道线，依靠车道线检测技术能够指导车辆在正确的区域进行行驶，为自动驾驶汽车的自动巡航、车道保持、车道超车等行为提供依据，当车辆偏离车道时可为驾驶员提供预警，有助于汽车安全驾驶。
2、主流的车道线检测方法是：先使用激光雷达采集路面点云数据，然后采用基于transformer的网络对路面点云数据进行特征提取，这种方法一定程度上进行了伪图像的全局特征融合，但是该方法仅依靠分类头对车道线实例进行区分，区分车道线不同实例的精确度较差。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题，为此，本专利技术第一方面提出一种车道线检测方法，所述方法包括：
2、将路面的三维点云数据输入bev编码器，得到二维bev特征图；
3、将所述二维bev特征图输入gfc特征提取器中，得到所述二维bev特征图的全局相关性特征；所述全局相关性特征包括像素点之间的浅层距离特征；
4、将所述全局相关性特征输入检测头中，得到所述二维bev特征图的热力图，所述热力图中包括检测到的车道线像素点；
5、将所述全局相关性特征输入嵌入层中，得到所述二维bev特征图对应的embedding编码，所述embedding编码中包括像素之间的深层距离特征；
6、利用所述深层距离特征，对所述热力图中的车道线像素点进行聚类运算，得到多个聚类簇，每个所述聚类簇
7、将所述属于同一车道线的像素点进行曲线拟合，并将拟合得到的曲线作为车道线。
8、可选地，将所述全局相关性特征输入嵌入层中，得到所述二维bev特征图对应的embedding编码，包括：
9、将所述全局相关性特征输入嵌入层中，利用所述像素点之间的浅层距离特征确定多条预测车道线；
10、获取所述二维bev特征图中各个所述像素点的特征向量，并根据所述特征向量分别计算各条所述预测车道线所包括的像素点的均值向量；
11、根据各条所述预测车道线中的像素点的所述特征向量和所述均值向量，确定各条所述预测车道线中像素点的类内距离；
12、根据每两条所述预测车道线的所述均值向量的差值，确定所述多条预测车道线之间的类间距离；
13、基于所述类内距离和所述类间距离对所述嵌入层进行训练，并利用训练得到的嵌入层确定所述二维bev特征图中的像素点之间的深层距离特征；
14、根据所述深层距离特征确定所述二维bev特征图对应的embedding编码。
15、可选地，所述根据各条所述预测车道线中的像素点的所述特征向量和所述均值向量，确定各条所述预测车道线中像素点的类内距离，包括：
16、对于属于同一条预测车道线的每一个像素点，确定所述像素点的像素向量与所述预测车道线的均值向量之间的差值，得到第一差值；
17、确定所述第一差值与预设的类内距离阈值之间的第二差值，并计算所述第二差值的平方，得到第一平方；
18、确定所述第一平方和0的大小关系，并将所述第一平方和0中的较大值作为所述像素点的类内距离；
19、确定所述预测车道线中的每个像素点对应的所述类内距离的平均值，将所述平均值作为所述预测车道线中像素点的类内距离。
20、可选地，所述根据每两条所述预测车道线的所述均值向量的差值，确定所述多条预测车道线之间的类间距离，包括：
21、对于所述多条预测车道线中的每两条预测车道线的组合，确定所述组合中的两条预测车道线的均值向量的差值，得到第三差值；
22、确定预设的类间距离阈值与所述第三差值之间的第四差值，并计算所述第四差值的平方，得到第二平方；
23、确定所述第二平方和0的大小关系，并将所述第二平方和0中的较大值作为所述组合的类间距离；
24、确定各个所述组合对应的所述类间距离的平均值，并将所述平均值作为所述多条预测车道线之间的类间距离。
25、可选地，所述根据所述类内距离和所述类间距离，确定所述二维bev特征图中的像素点之间的深层距离特征，包括：
26、确定所述类内距离和所述类间距离的和，得到嵌入层残差；
27、当所述嵌入层残差大于预设的残差阈值时，修改所述嵌入层的参数，得到更新嵌入层；
28、利用所述更新嵌入层更新所述多条预测车道线中包括的像素点，得到多个更新预测车道线；
29、确定所述更新预测车道线对应的更新类内距离和更新类间距离；
30、在所述更新类内距离和所述更新类间距离的和小于所述嵌入层残差的情况下，根据所述更新预测车道线确定所述二维bev特征图中的像素点之间的深层距离特征。
31、可选地，所述利用所述深层距离特征，对所述热力图中的车道线像素点进行聚类运算，包括：
32、根据所述深层距离特征，确定所述热力图中的每两个所述车道线像素点之间的像素距离；
33、根据所述像素距离对所述车道线像素点进行mean-shift聚类运算。
34、可选地，所述将所述属于同一车道线的像素点进行曲线拟合，包括：
35、对所述属于同一车道线的多个像素点，确定各个所述像素点在所述二维bev特征图中的位置坐标；
36、根据所述位置坐标，使用最小二乘法对所述多个像素点进行曲线拟合，并将拟合得到的曲线作为车道线。
37、本专利技术第二方面提出一种车道线检测装置，所述装置包括：
38、第一输入模块，用于将路面的三维点云数据输入bev编码器，得到二维bev特征图；
39、第二输入模块，用于将所述二维bev特征图输入gfc特征提取器中，得到所述二维bev特征图的全局相关性特征；所述全局相关性特征包括像素点之间的浅层距离特征；
40、第三输入模块，用于将所述全局相关性特征输入检测头中，得到所述二维bev特征图的热力图，所述热力图中包括检测到的车道线像素点；
41、第四输入模块，用于将所述全局相关性特征输入嵌入层中，得到所述二维bev特征图对应的embedding编码，所述embedding编码中包括像素之间的深层距离特征；
42、聚类模块，用于利用所述深层距离特征，对所述热力图中的车道线像素点进行聚类运算，得到多个聚类簇，每个所述聚类簇中包含的像素点为属于同一车道线的像素点；
43、拟合模块，用于将所述属于同一车道线的像素点进行曲线拟合，并将拟合得到的曲线作为车道线。
44、本专利技术第三方面提出一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的车道线检测方法。
45、本发本文档来自技高网...
【技术保护点】
1.一种车道线检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，将所述全局相关性特征输入嵌入层中，得到所述二维BEV特征图对应的embedding编码，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据各条所述预测车道线中的像素点的所述特征向量和所述均值向量，确定各条所述预测车道线中像素点的类内距离，包括：
4.根据权利要求2所述的方法，其特征在于，所述根据每两条所述预测车道线的所述均值向量的差值，确定所述多条预测车道线之间的类间距离，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述类内距离和所述类间距离，确定所述二维BEV特征图中的像素点之间的深层距离特征，包括：
6.根据权利要求2所述的方法，其特征在于，所述利用所述深层距离特征，对所述热力图中的车道线像素点进行聚类运算，包括：
7.根据权利要求1所述的方法，其特征在于，所述将所述属于同一车道线的像素点进行曲线拟合，包括：
8.一种车道线检测装置，其特征在于，所述装置包括：
9.一
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任一项所述的车道线检测方法。
...【技术特征摘要】
1.一种车道线检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，将所述全局相关性特征输入嵌入层中，得到所述二维bev特征图对应的embedding编码，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据各条所述预测车道线中的像素点的所述特征向量和所述均值向量，确定各条所述预测车道线中像素点的类内距离，包括：
4.根据权利要求2所述的方法，其特征在于，所述根据每两条所述预测车道线的所述均值向量的差值，确定所述多条预测车道线之间的类间距离，包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述类内距离和所述类间距离，确定所述二维bev特征图中的像素点之间的深层距离特征，包括：
6.根据权利要求2所述的方法，其特征在于，所述利用所述...
【专利技术属性】
技术研发人员：张茂林，曹哲，袁金伟，张振林，
申请(专利权)人：中汽创智科技有限公司，
类型：发明
国别省市：
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。