[发明专利]一种识别道路线的方法和装置

权利要求书

1.一种识别道路线的方法，其特征在于，包括：

获取车辆周围的当前道路图像；

将所述当前道路图像输入到深度学习模型中，并基于所述深度学习模型的输出结果，确定所述当前道路图像中的道路线区域；

其中，所述深度学习模型已基于历史道路图像与所述历史道路图像中已知的道路线区域之间的对应关系进行了训练；

所述深度学习模型包括第一模型单元和第二模型单元，所述第一模型单元的输出作为所述第二模型单元的输入；

所述第一模型单元至少包括一个第一模型子单元，所述第一模型子单元包括一个卷积神经网络和一个第一递归神经网络，所述卷积神经网络的输出作为所述第一递归神经网络的输入；

所述第二模型单元至少包括一个第二模型子单元，所述第二模型子单元包括一个反卷积神经网络和一个第二递归神经网络，所述反卷积神经网络的输出作为所述第二递归神经网络的输入。

2.根据权利要求1所述的方法，其特征在于，所述第一递归神经网络和所述第二递归神经网络均为双向长时间记忆网络。

3.根据权利要求1所述的方法，其特征在于，

在所述第一模型子单元中，对于每个像素点，所述卷积神经网络针对该像素点的输出结果以及针对该像素点邻域内的各像素点的输出结果组成一个第一序列，以用于输入所述第一递归神经网络；

在所述第二模型子单元中，对于每个像素点，所述反卷积神经网络针对该像素点的输出结果以及针对该像素点邻域内的各像素点的输出结果组成一个第二序列，以用于输入所述第二递归神经网络。

4.根据权利要求1所述的方法，其特征在于，所述深度学习模型还包括第三递归神经网络；

对于包括所述当前道路图像在内的最近预设时段内获取到的不同时刻下的多帧道路图像，以所述深度学习模型分别对各帧道路图像处理而在所述第二模型单元输出的结果组成第三序列，以用于输入所述第三递归神经网络。

5.一种识别道路线的装置，其特征在于，包括：

图像获取模块，用于获取车辆周围的当前道路图像；

模型处理模块，用于将所述当前道路图像输入到深度学习模型中，并基于所述深度学习模型的输出结果，确定所述当前道路图像中的道路线区域；

其中，所述深度学习模型已基于历史道路图像与所述历史道路图像中已知的道路线区域之间的对应关系进行了训练；

所述深度学习模型包括第一模型单元和第二模型单元，所述第一模型单元的输出作为所述第二模型单元的输入；

所述第一模型单元至少包括一个第一模型子单元，所述第一模型子单元包括一个卷积神经网络和一个第一递归神经网络，所述卷积神经网络的输出作为所述第一递归神经网络的输入；

所述第二模型单元至少包括一个第二模型子单元，所述第二模型子单元包括一个反卷积神经网络和一个第二递归神经网络，所述反卷积神经网络的输出作为所述第二递归神经网络的输入。

6.根据权利要求5所述的装置，其特征在于，所述第一递归神经网络和所述第二递归神经网络均为双向长时间记忆网络。

7.根据权利要求5所述的装置，其特征在于，

在所述第一模型子单元中，对于每个像素点，所述卷积神经网络针对该像素点的输出结果以及针对该像素点邻域内的各像素点的输出结果组成一个第一序列，以用于输入所述第一递归神经网络；

在所述第二模型子单元中，对于每个像素点，所述反卷积神经网络针对该像素点的输出结果以及针对该像素点邻域内的各像素点的输出结果组成一个第二序列，以用于输入所述第二递归神经网络。

8.根据权利要求5所述的装置，其特征在于，所述深度学习模型还包括第三递归神经网络；

对于包括所述当前道路图像在内的最近预设时段内获取到的不同时刻下的多帧道路图像，以所述深度学习模型分别对各帧道路图像处理而在所述第二模型单元输出的结果组成第三序列，以用于输入所述第三递归神经网络。