[发明专利]一种识别道路线的方法和装置

说明书

本发明实施例公开了一种识别道路线的方法和装置。所述方法包括：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。该深度学习模型在卷积神经网络的基础上增加了递归神经网络。由于递归神经网络能够针对输入的每个像素点的图像特征输出每个像素点的处理结果，因此，道路图像中像素点级别的图像特征得以保留，道路图像中的道路线的空间特征得以体现，从而使得道路线残缺、道路线被部分遮挡、道路线处于剧烈变换环境中等各种环境下的道路线都能够被准确地、有效地识别出来。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种识别道路线的方法和装置。

背景技术

随着智能化系统被应用到车辆驾驶领域中，越来越多的车辆上配置了能够实现自动驾驶功能或辅助驾驶功能的智能系统。为了实现自动驾驶功能或辅助驾驶功能，车辆上的智能系统通常需要从车辆周围的道路图像中识别出道路线，以确定车辆附近的行驶车道，从而指导车辆的驾驶。作为一种机器学习模型，神经网络目前已经被应用到道路线识别技术中。但是，基于神经网络实现的现有识别方案，难以对各种不同环境下的道路线都准确地识别。尤其是，对于道路线残缺、道路线被部分遮挡、道路线所处的环境剧烈变换等特殊情况，现有识别方案难以有效地、准确地识别出道路线。

发明内容

本发明所要解决的技术问题是，提供一种识别道路线的方法和装置，以使得对道路图像处理时能够保留每个像素点的图像特征，从而实现道路线残缺、道路线被部分遮挡、道路线处于剧烈变换环境中等各种环境下的道路线都能够被准确地、有效地识别出来。

第一方面，为解决上述技术问题，本发明实施例提供了一种识别道路线的方法，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。

在一些实施方式中，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。

在一些实施方式中，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领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领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。

在一些实施方式中，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。

第二方面，为解决上述技术问题，本发明实施例提供了一种识别道路线的装置，包括：

图像获取模块，用于获取车辆周围的当前道路图像；