[发明专利]车道线图像的识别方法及装置

权利要求书

1.一种车道线图像的识别方法，其特征在于，包括：

获取当前道路图像；

将所述当前道路图像输入至深度神经网络模型，以获取所述深度神经网络模型输出的m×n×k的矩阵信息，其中，m×n表示将输入至所述深度神经网络模型的图像划分成m×n个相同的矩形区域，k用于表示每个所述矩形区域内的车道线识别信息；以及，

根据输出的所述矩阵信息识别出车道线。

2.如权利要求1所述的识别方法，其特征在于，k为4维的特征向量，所述特征向量包括以下元素：

p，表示所述矩形区域内存在车道线的概率；

s，表示所述矩形区域内存在的车道线区域与所述矩形区域面积的比值；

t_x，表示所述矩形区域内存在的车道线区域的形心横坐标；

t_y，表示所述矩形区域内存在的车道线区域的形心纵坐标。

3.如权利要求2所述的识别方法，其特征在于，执行所述获取当前道路图像的步骤之前，所述识别方法还包括：

基于损失函数及sigmoid函数训练深度神经网络模型，

所述损失函数的计算式如下：

其中，由所述深度神经网络模型输出，并且分别经过所述sigmoid函数计算后，代入所述损失函数进行损失计算，

所述sigmoid函数的计算式如下：

其中，x表示输入的自变量，y表示函数输出值。

4.如权利要求2所述的识别方法，其特征在于，执行所述获取当前道路图像的步骤之前，所述识别方法还包括：

将标签图像划分成m_t×n_t个相同的标签矩形区域，并且针对每个所述标签矩形区域生成一个k_t，k_t为一个4维的特征向量(P_t,S_t,t_xt,t_yt)，以获取与所述标签图像对应的标签数据m_t×n_t×k_t，并且通过获取到的标签数据训练所述深度神经网络模型；

其中，P_t表示所述标签矩形区域内存在车道线的概率，

S_t表示所述标签矩形区域内存在的车道线区域与所述标签矩形区域面积的比值，

t_xt表示所述标签矩形区域内存在的车道线区域的形心横坐标，

t_yt表示所述标签矩形区域内存在的车道线区域的形心纵坐标。

5.如权利要求2所述的识别方法，其特征在于，所述将所述当前道路图像输入至深度神经网络模型的步骤包括：

将所述当前道路图像的三维张量(H,W,C)输入至深度神经网络模型，

其中，H表示输入深度神经网络模型的图像高度，

W表示输入深度神经网络模型的图像的宽度，

C表示输入深度神经网络模型的图像的色彩通道数。

6.如权利要求5所述的识别方法，其特征在于，所述获取所述深度神经网络模型输出的m×n×k的矩阵信息的步骤包括：

将所述当前道路图像划分为m×n个相同的矩形区域；

针对第j行、第i列的矩形区域，通过计算式及计算式计算出对应的宽度w及高度h，通过计算式Xc＝i*w及计算式Yc＝j*h计算出对应的左上角原点的实际横纵坐标(Xc，Yc)，通过计算式So＝S×w×h计算出实际像素面积So，通过计算式Xo＝Xc+w×Tx及Yo＝Yc+h×Ty计算出实际横纵坐标(Xo，Yo)。

7.如权利要求1～6中任意一项中所述的识别方法，其特征在于，所述深度神经网络模型包括分类深度神经网络模型。

8.一种计算机可读介质，其特征在于，其上存储有计算机指令，所述计算机指令在由处理器执行时实现如权利要求1～7中任意一项所述的车道线图像的识别方法的步骤。