[发明专利]车道线检测方法、装置、计算机设备和存储介质

权利要求书

1.一种车道线检测方法，所述方法包括：

接收待检测车道线图像及其帧序列号；

调用预先训练好的分割网络，将所述待检测车道线图像输入至所述分割网络的主干网络，提取所述待检测车道线图像的共享特征；

当根据所述帧序列号确定所述待检测车道线图像不为关键帧图像时，根据所述帧序列号获取对应关键帧图像的车道线实例聚类图像；其中，所述关键帧图像的车道线实例聚类图像通过所述分割网络的实例分割分支网络根据所述关键帧图像的共享特征检测得到；

将所述共享特征输入所述分割网络的语义分割分支网络，通过所述语义分割分支网络对所述待检测车道线图像进行语义分割，得到所述待检测车道线图像对应的二进制车道线图像；

根据所述关键帧图像的车道线实例聚类图像对所述二进制车道线图像进行实例分类，得到实例车道线结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当根据所述帧序列号确定所述待检测车道线图像为关键帧图像时，将所述共享特征输入所述实例分割分支网络，通过所述实例分割分支网络对所述待检测车道线图像进行实例分割，得到所述待检测车道线图像的车道线实例分割图像；

对所述车道线实例分割图像对应的图像矩阵进行聚类，得到所述待检测车道线图像对应的车道线实例聚类图像；

根据所述待检测车道线图像对应的车道线实例聚类图像对所述二进制车道线图像进行实例分类，得到实例车道线结果。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练数据集；所述训练数据集中包括训练样本以及所述训练样本对应的标注结果；

将所述训练样本输入所述待训练分割网络的待训练主干网络，通过所述待训练主干网络提取所述训练样本的共享特征；

将所述训练样本的共享特征分别输入所述待训练分割网络的待训练语义分支分割网络和待训练实例分割分支网络，通过所述待训练语义分割分支网络和所述待训练实例分割分支网络分别对所述训练样本进行语义分割和实例分割，得到训练结果；

获取损失函数，基于所述损失函数的约束对所述训练结果和所述标注结果进行收敛，直至满足结束条件，得到训练好的分割网络。

4.根据权利要求3所述的方法，其特征在于，所述基于所述损失函数的约束对所述训练结果和所述标注结果进行收敛，直至满足收敛条件，得到训练好的分割网络，包括：

基于所述损失函数的约束计算所述训练结果和所述标注结果的损失值；所述损失函数包括背景点的约束，所述背景点为与质心的距离不大于类间的距离边缘的特征点；

根据所述损失值对所述待训练分割网络的参数进行调整，迭代训练调整参数后的待训练分割网络，直至满足结束条件，得到训练好的分割网络。

5.根据权利要求3或4任一项所述的方法，其特征在于，所述损失函数为：

L_final＝a·L+b·L_bk+c·CrossEntropyLoss(l_pred,l_truth)；

其中，L_final表示损失函数，L表示常规损失函数，a表示常规损失函数的权重，L_bk表示背景点的约束函数，b表示背景点约束函数的权重，c表示车道线分割权重，CrossEntropyLoss为交叉熵，l_pred表示待训练语义分割分支网络输出的分割结果，l_truth表示标注结果。

6.根据权利要求5所述的方法，其特征在于，所述背景点的约束函数L_bk为：

其中，C表示真实值中车道线的条数，Y表示符合约束条件的背景点集合，背景点集合里面的背景点y_i满足与质心μ_c的距离小于类间的距离边缘δ_d，δ_v表示类内的距离边缘，N_Y表示每个背景集合点的个数，BK表示所有背景点集合。