【技术实现步骤摘要】
本公开涉及自动驾驶，具体地，涉及一种车道线检测方法、装置、车辆及存储介质。
技术介绍
1、车道线检测技术是自动驾驶感知中的一项关键技术，为了满足规则控制(例如，驾驶路线规划、车道保持等)、高精度定位等下游任务的需求，车道线检测技术往往需要尽可能识别输入图像中的所有车道线。现阶段的车道线检测技术通常仅能够识别输入图像中的车道线，无法预测得到车道线类别。
技术实现思路
1、为克服相关技术中存在的问题，本公开提供一种车道线检测方法、装置、车辆及存储介质。
2、根据本公开实施例的第一方面，提供一种车道线检测方法，包括：
3、获取车辆前方的道路图像；
4、通过预先训练的车道线检测模型对所述道路图像进行车道线检测，得到所述道路图像中的车道线信息，所述车道线信息包括n条车道线和每一所述车道线的预测类别，n≥1；
5、其中，所述车道线检测模型包括特征提取网络、第一任务头以及第二任务头；
6、所述特征提取网络，用于对所述道路图像进行特征提取，得到中间特征图和多尺度特征图；
7、所述第一任务头，与所述特征提取网络连接，用于根据所述中间特征图，生成车道线起点热图和动态卷积参数，并确定所述车道线起点热图中、每一车道线起点所属车道线的预测类别，其中，类别输出模块包括与预设的多个车道线类别一一对应的多个通道，参数输出模块包括与所述多个车道线类别一一对应的多个通道组，所述类别输出模块为所述第一任务头中、用于输出所述车道线起点热图的模块，所述
8、所述第二任务头，与所述特征提取网络和所述第一任务头分别连接，用于根据所述动态卷积参数和所述多尺度特征图，生成所述n条车道线。
9、可选地，所述第一任务头用于针对所述车道线起点热图中的每一车道线起点，将目标通道对应的车道线类别确定为该车道线起点所属车道线的预测类别，其中，所述目标通道为所述车道线起点热图中、该车道线起点所在的通道。
10、可选地，所述第二任务头用于针对所述车道线起点热图中的每一车道线起点，将目标卷积参数与所述多尺度特征图做动态卷积，得到该车道线起点所在的车道线，其中，所述目标卷积参数为所述动态卷积参数中、与该车道线起点对应的动态卷积子参数。
11、可选地，在n＞1时，所述方法还包括：
12、对所述n条车道线进行重叠消除，得到目标车道线。
13、可选地，所述对所述n条车道线进行重叠消除，得到目标车道线，包括：
14、从检测结果中确定待遍历车道线，其中，所述检测结果初始为所述n条车道线；
15、针对所述检测结果中、除所述待遍历车道线外的每一其他车道线，确定该其他车道线与所述待遍历车道线是否重叠；若该其他车道线与所述待遍历车道线重叠，则从所述检测结果中剔除该其他车道线；
16、从剔除后所得的检测结果中剔除所述待遍历车道线，并返回所述从检测结果中确定待遍历车道线的步骤，直到剔除后所得的检测结果所包含的车道线数小于或等于2时为止；
17、若所述检测结果所包含的车道线数小于或等于2，则将所述剔除后所得的检测结果和每次循环确定出的所述待遍历车道线确定为所述目标车道线。
18、可选地，所述确定该其他车道线与所述待遍历车道线是否重叠，包括：
19、确定该其他车道线与所述待遍历车道线之间的线距离；
20、若所述线距离小于预设距离阈值，则确定该其他车道线与所述待遍历车道线重叠。
21、可选地，每一所述车道线包括多个特征点；
22、所述确定该其他车道线与所述待遍历车道线之间的线距离，包括：
23、针对所述待遍历车道线中的每一目标特征点，确定该目标特征点与该其他车道线中相应特征点的点距离，其中，所述目标特征点与该其他车道线中的相应特征点沿水平方向排布；
24、将每一所述点距离的平均值确定为该其他车道线与所述待遍历车道线之间的线距离。
25、可选地，所述从检测结果中确定待遍历车道线，包括：
26、将检测结果中对应的置信度最高的车道线确定为待遍历车道线。
27、根据本公开实施例的第二方面，提供一种车道线检测装置，包括：
28、图像获取模块，被配置为获取车辆前方的道路图像；
29、检测模块，被配置为通过预先训练的车道线检测模型对所述道路图像进行车道线检测，得到所述道路图像中的车道线信息，所述车道线信息包括n条车道线和每一所述车道线的预测类别，n≥1；其中，所述车道线检测模型包括特征提取网络、第一任务头以及第二任务头；所述特征提取网络，用于对所述道路图像进行特征提取，得到中间特征图和多尺度特征图；所述第一任务头，与所述特征提取网络连接，用于根据所述中间特征图，生成车道线起点热图和动态卷积参数，并确定所述车道线起点热图中、每一车道线起点所属车道线的预测类别，其中，类别输出模块包括与预设的多个车道线类别一一对应的多个通道，参数输出模块包括与所述多个车道线类别一一对应的多个通道组，所述类别输出模块为所述第一任务头中、用于输出所述车道线起点热图的模块，所述参数输出模块为所述第一任务头中、用于输出所述动态卷积参数的模块；所述第二任务头，与所述特征提取网络和所述第一任务头分别连接，用于根据所述动态卷积参数和所述多尺度特征图，生成所述n条车道线。
30、根据本公开实施例的第三方面，提供一种车辆，包括：
31、处理器；
32、用于存储处理器可执行指令的存储器；
33、其中，所述处理器被配置为运行所述可执行指令，以实现本公开第一方面所提供的车道线检测方法的步骤。
34、根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的车道线检测方法的步骤。
35、本公开的实施例提供的技术方案可以包括以下有益效果：在获取到车辆前方的道路图像后，首先通过车道线检测模型中的特征提取网络对该道路图像进行特征提取，得到中间特征图和多尺度特征图；然后，车道线检测模型的第一任务头根据中间特征图，生成车道线起点热图和动态卷积参数，并确定车道线起点热图中、每一车道线起点所属车道线的预测类别；最后，车道线检测模型的第二任务头根据动态卷积参数和多尺度特征图，生成n条车道线。其中，第一任务头中用于输出车道线起点热图的类别输出模块，包括与预设的多个车道线类别一一对应的多个通道，这样，类别输出模块能够输出各通道各自对应的车道线起点子热图，即可以得到每一车道线类别下的车道线起点子热图，进而可以根据车道线起点子热图对应的通道，确定该车道线起点子热图中各车道线起点所属车道线的车道线类别。由此，可以在实现道路图像中车道线检测的同时，识别出各车道线的车道线类别，从而满足驾驶规则控制、高精度定位等下游任务的不同需求，提升自动驾驶安全性。
<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，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一任务头用于针对所述车道线起点热图中的每一车道线起点，将目标通道对应的车道线类别确定为该车道线起点所属车道线的预测类别，其中，所述目标通道为所述车道线起点热图中、该车道线起点所在的通道。
3.根据权利要求1所述的方法，其特征在于，所述第二任务头用于针对所述车道线起点热图中的每一车道线起点，将目标卷积参数与所述多尺度特征图做动态卷积，得到该车道线起点所在的车道线，其中，所述目标卷积参数为所述动态卷积参数中、与该车道线起点对应的动态卷积子参数。
4.根据权利要求1所述的方法，其特征在于，在N＞1时，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述对所述N条车道线进行重叠消除，得到目标车道线，包括：
6.根据权利要求5所述的方法，其特征在于，所述确定该其他车道线与所述待遍历车道线是否重叠，包括：
7.根据权利要求6所述的方法，其特征在于，每一所述车道线包括多个特征点；
8.根据权利要求5所述的方法
9.一种车道线检测装置，其特征在于，包括：
10.一种车辆，其特征在于，包括：
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～8中任一项所述车道线检测方法的步骤。
...【技术特征摘要】
1.一种车道线检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一任务头用于针对所述车道线起点热图中的每一车道线起点，将目标通道对应的车道线类别确定为该车道线起点所属车道线的预测类别，其中，所述目标通道为所述车道线起点热图中、该车道线起点所在的通道。
3.根据权利要求1所述的方法，其特征在于，所述第二任务头用于针对所述车道线起点热图中的每一车道线起点，将目标卷积参数与所述多尺度特征图做动态卷积，得到该车道线起点所在的车道线，其中，所述目标卷积参数为所述动态卷积参数中、与该车道线起点对应的动态卷积子参数。
4.根据权利要求1所述的方法，其特征在于，在n＞1时，所述方法还包括：
【专利技术属性】
技术研发人员：王加华，贾麒霏，张亚森，
申请(专利权)人：小米汽车科技有限公司，
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。