[发明专利]车道线检测方法、装置、计算机设备和存储介质

说明书

本申请涉及一种车道线检测方法、装置、计算机设备和存储介质。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，将待检测车道线图像输入至分割网络的主干网络，提取待检测车道线图像的共享特征；当根据帧序列号确定待检测车道线图像不为关键帧图像时，根据帧序列号获取对应关键帧图像的车道线实例聚类图像；将共享特征输入分割网络的语义分割分支网络，通过语义分割分支网络对待检测车道线图像进行语义分割，得到待检测车道线图像对应的二进制车道线图像；根据关键帧图像的车道线实例聚类图像对二进制车道线图像进行实例分类，得到实例车道线图像。采用本方法能够提高精度且减少耗时。

技术领域

本申请涉及自动驾驶技术领域，特别是涉及一种车道线检测方法、装置、计算机设备和存储介质。

背景技术

随着计算机软硬件能力的不断提升，以及各种传感器精度的普遍提升，自动驾驶技术成为一个重要的研究领域，受到了学术界和工业界广泛的关注。在辅助驾驶系统中，当车辆偏离行驶车道并且未打转向灯时，车道偏离预警系统(Lane Departure WarningSystem，LDWS)会利用车道线检测的结果发出偏离报警信号。而车道保持辅助系统(LaneKeeping Assist System，LKAS)会将车道线检测结果和车辆的基本控制单元联动起来，当车辆偏离行驶车道时，该系统会自动控制方向盘，将车辆矫正回本车道。无论是在辅助驾驶系统还是自动驾驶系统中都发挥着关键性的作用。在自动驾驶系统中，通常会利用车道线检测结果来确认车辆和道路的相对位置关系，并且进一步分析车辆的航向角以确定行驶方向。因此，无论是辅助驾驶系统还是自动驾驶系统，车道线检测是一项基础而重要的任务。

然而，传统的车道线检测通常基于人工特征的车道线提点算法，并通过反投影变换将提取的车道线候选点投影到鸟瞰图中进行车道线的检测。但是，基于人工特征的检测算法通常都不能较好的适应复杂环境，因此无法在真实场景中稳定工作。同时，由于反投影变换非常容易受到外界道路情况的影响，从而容易使得后续处理出现问题，导致降低了检测的精度。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高精度且减少耗时的车道线检测方法、装置、计算机设备和存储介质。

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

在其中一个实施例中，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。

在其中一个实施例中，所述方法还包括：