[发明专利]识别车道线模型的训练方法、车道线识别方法及装置

说明书

本申请公开了一种识别车道线模型的训练方法，通过获取标注有目标线的道路图像样本，将道路样本图像输入识别车道线模型，获得特征图，道路图像样本中的目标线与特征图在左边缘、右边缘以及下边缘方向的建议线分别进行比较，根据比较结果调整识别车道线模型中的参数，最小化识别车道线模型的损失函数。由于该识别车道线模型为深度学习模型，通过权值共享可以学习目标线的图像特征，大幅度提升了车道线线检测功能，即使车道线被遮挡、光照或车道线为曲线、不规整线，或者存在合并分离等情况，也可以进行检测，具有较好的鲁棒性。本申请还公开了一种基于上述模型的车道线识别方法。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种车道线识别方法和装置。

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车道线，以确定车辆附近的行驶车道，从而指导车辆的驾驶。

现有车道线检测技术通常基于传统的图像处理，利用人为设计的特征提取边缘，然后对边缘进行霍夫变换等操作后处理得到车道线，但是该种方式无法有效处理车道线遮挡、模糊、弯道、曲线、雨天等复杂路况。另外，现有技术中深度学习检测算法都是基于局部的物体进行检测，而车道线是一个全局的物体，由于线的细长结构，一个刚好包含车道线的外切框包含线的信息极少，对于竖直的线无法找到一个外切框，因此现有的基于深度学习的物体检测算法不适用于车道线检测，无法对车道线进行准确识别。

发明内容

有鉴于此，本申请提供一种车道线识别和装置，以解决现有技术中无法对车道线进行准确识别的技术问题。

为解决上述问题，本申请实施例提供的技术方案如下：

第一方面，本申请实施例提供了一种识别车道线模型的训练方法，该方法包括：

获取道路样本图像，所述道路样本图像中包括目标线，所述目标线为标注了的车道线；

将所述道路样本图像输入识别车道线模型，获得特征图，所述特征图包括多个网格，在所述特征图的左边缘、下边缘以及右边缘的网格上分别设置有不同斜率的建议线，所述识别车道线模型为深度神经网络模型；

从所述特征图中提取所述目标线，将所述目标线与各个所述建议线相比较，获得比较结果；

根据所述比较结果调整所述识别车道线模型中的参数，使得所述识别车道线模型的损失函数最小。

可选的，所述将所述目标线与各个所述建议线相比较，获得比较结果包括：

比较各个所述建议线与所述目标线的距离；

若所述距离小于或等于正样本阈值，将所述建议线确定为正样本；

若所述距离大于或等于负样本阈值，将所述建议线确定为负样本。

可选的，所述损失函数为：

所述p_i表示第i个建议线被预测为车道线的概率，所述表示第i个建议线的分类标签，当所述建议线为正样本时，所述赋值为1，当所述建议线为负样本时，所述赋值为0；所述r_i表示第i个建议线被预测为车道线的回归结果，所述r_i^*表示第i个建议线的回归标签；所述λ为平衡权重；

所述Loss(p_i，r_i)为包括分类损失和回归损失的多任务损失目标函数，所述L_cls表示分类损失，所述L_reg表示回归损失。

可选的，所述建议线与所述目标线的距离为所述建议线与所述目标线在纵坐标方向公共部分误差的绝对值的平均值。