【技术实现步骤摘要】
本申请涉及计算机视觉领域，尤其涉及一种3d车道线检测方法、一种3d车道线检测系统及一种电子设备。
技术介绍
1、现有的3d车道线检测方法通常是将前视图像或特征通过逆透视变换转换为鸟瞰图空间的特征，从鸟瞰图特征检测车道线。一方面，逆透视变换需要假设地面都是平坦的，遇到有高度差的地面，会导致变换不准确，从而导致3d车道线检测不准确，如果直接从前视图像特征表示预测3d车道线，会缺乏3d车道线的结构化表示；另一方面，现有的车道线检测采用的锚线设计通常是基于2d图像的等间距采样，占用的算力较大，并且锚线不能完全覆盖所有车道线，检测准确性低。
技术实现思路
1、有鉴于此，本申请提出了一种3d车道线检测方法、一种3d车道线检测系统及一种电子设备，以解决上述
技术介绍
所体现的问题。
2、本申请一方面的技术方案，提供了一种3d车道线检测方法，包括以下步骤：
3、根据采集装置信息、标准车道信息和标注后的数据集，结合空间信息设定3d锚线；其中，采集装置信息至少包括采集装置的参数信息；
4、获取采集装置采集到的图像，从图像中提取2d图像特征，生成第一特征图像；
5、根据采集装置的参数信息将3d锚线投影到第一特征图像上，生成第二特征图像；
6、从第二特征图像中提取锚线特征，生成第三特征图像；
7、根据第三特征图像计算得到3d车道线信息。
8、进一步地，采集装置信息至少还包括：采集装置的视野范围以及采集装置的高度；
10、构建自车坐标系；
11、根据标准车道信息，在自车坐标系中设定锚线初始x轴的采样点，组成锚线初始x轴的采样点数组；
12、根据采集装置的视野范围，在自车坐标系中设定锚线初始y轴的采样点，组成锚线初始y轴的采样点数组；
13、根据采集装置的高度，在自车坐标系中设定锚线初始z轴的采样点；
14、根据空间信息，结合锚线初始x、y轴的采样点数组和锚线初始z轴的采样点，生成3d锚线。
15、进一步地，根据标准车道信息，在自车坐标系中设定锚线初始x轴的采样点，组成锚线初始x轴的采样点数组之后，还包括：
16、统计计算数据集中车道线x轴的坐标分布；
17、根据车道线x轴的坐标分布，优化锚线初始x轴的采样点数组中的采样点，组成优化后的锚线初始x轴的采样点数组；
18、优化后的锚线初始x轴的采样点数组用于生成3d锚线。
19、进一步地，空间信息至少包括偏航角信息和俯仰角信息；
20、根据空间信息，结合锚线初始x、y轴的采样点数组和锚线初始z轴的采样点，生成3d锚线，包括：
21、统计计算数据集中车道线x轴和z轴的偏移分布，得到偏航角信息和俯仰角信息；
22、根据偏航角信息计算偏航角范围，构建偏航角数组；
23、根据俯仰角信息计算俯仰角范围，构建俯仰角数组；
24、根据锚线初始x、y轴的采样点数组、锚线初始z轴的采样点和偏航角数组、俯仰角数组生成3d锚线。
25、进一步地，根据第三特征图像计算得到3d车道线信息，包括：
26、输入第三特征图像；
27、使用神经网络模型的输出头从第三特征图像中预测3d车道线信息，得到第一3d车道线信息；
28、基于第一3d车道线信息，使用损失函数训练神经网络模型；
29、使用训练后的最优模型检测并输出第二3d车道线信息。
30、进一步地，使用损失函数训练神经网络模型，包括：
31、构建分类损失函数，分类损失函数用于计算第一3d车道线信息中分类部分的损失；
32、构建回归损失函数，回归损失函数用于计算第一3d车道线信息中回归部分的损失；
33、构建总损失函数，总损失函数用于计算分类损失函数和回归损失函数的加权求和；
34、通过最小化分类损失函数和回归损失函数，将总损失函数最小化，根据总损失函数训练神经网络模型，神经网络模型用于执行提取2d图像特征到计算得到3d车道线信息的所有步骤；
35、当总损失函数满足设定条件时，结束训练，保存最优模型。
36、进一步地，构建分类损失函数的过程包括：
37、从第一3d车道线信息中获取锚线的类别预测概率；
38、将每根锚线的每个可能类别的预测概率与标注标签的类别进行对比，计算类别损失；
39、使用超参数平衡每个类别的损失贡献；
40、基于平衡后的损失，构建分类损失函数。
41、进一步地，构建回归损失函数的过程包括：
42、从第一3d车道线信息中获取锚线采样点的预测坐标和预测可见属性；
43、将每根锚线中每个预测可见采样点的预测坐标与标注标签的坐标进行对比，计算坐标损失；
44、将每根锚线中每个采样点的预测可见属性与标注标签的可见属性进行对比，计算可见损失；
45、基于坐标损失与可见损失，构建回归损失函数。
46、本申请另一方面的技术方案，提供了一种3d车道线检测系统，包括：
47、锚线设定模块，用于根据采集装置信息、标准车道信息和标注后的数据集，结合空间信息设定3d锚线；
48、图像特征提取模块，用于获取采集装置采集到的图像，从图像中提取2d图像特征，生成第一特征图像；
49、锚线投影模块，用于根据采集装置的参数信息将3d锚线投影到第一特征图像上，生成第二特征图像；
50、锚线特征提取模块，用于从第二特征图像中提取锚线特征，生成第三特征图像；
51、车道线信息计算模块，用于根据第三特征图像计算得到3d车道线信息。
52、本申请又一方面的技术方案，提供了一种电子设备，包括：
53、处理器；
54、用于存储处理器可执行指令的存储器；
55、其中，处理器被配置为执行可执行指令时实现上述的3d车道线检测方法。
56、本申请的有益效果：
57、本申请通过结合空间信息设定3d锚线，可以考虑到车道线拐弯和上下坡的情况，更好的覆盖真实的车道线，提高检测率；将3d锚线投影到2d特征图像中，并进行采样，可以在保留图像关键信息的情况下，降低特征映射的维度，减少计算量和内存消耗；使用损失函数训练模型，检测3d车道线信息，可以进一步提高检测质量。
本文档来自技高网...【技术保护点】
1.一种3D车道线检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的3D车道线检测方法，其特征在于，所述采集装置信息至少还包括：所述采集装置的视野范围以及所述采集装置的高度；
3.根据权利要求2所述的3D车道线检测方法，其特征在于，所述根据所述标准车道信息，在所述自车坐标系中设定锚线初始x轴的采样点，组成锚线初始x轴的采样点数组之后，还包括：
4.根据权利要求2所述的3D车道线检测方法，其特征在于，所述空间信息至少包括偏航角信息和俯仰角信息；
5.根据权利要求1-4任一项所述的3D车道线检测方法，其特征在于，所述根据所述第三特征图像计算得到3D车道线信息，包括：
6.根据权利要求5所述的3D车道线检测方法，其特征在于，所述使用损失函数训练所述神经网络模型，包括：
7.根据权利要求6所述的3D车道线检测方法，其特征在于，所述构建分类损失函数的过程包括：
8.根据权利要求6所述的3D车道线检测方法，其特征在于，所述构建回归损失函数的过程包括：
9.一种3D车道线检测系统，其特征
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种3d车道线检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的3d车道线检测方法，其特征在于，所述采集装置信息至少还包括：所述采集装置的视野范围以及所述采集装置的高度；
3.根据权利要求2所述的3d车道线检测方法，其特征在于，所述根据所述标准车道信息，在所述自车坐标系中设定锚线初始x轴的采样点，组成锚线初始x轴的采样点数组之后，还包括：
4.根据权利要求2所述的3d车道线检测方法，其特征在于，所述空间信息至少包括偏航角信息和俯仰角信息；
5.根据权利要求1-4...
【专利技术属性】
技术研发人员：刘晓莉，王鑫，任杰，
申请(专利权)人：元橡科技北京有限公司，
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。