[发明专利]基于端到端的车道线检测方法、装置、设备及存储介质

权利要求书

1.一种基于端到端的车道线检测方法，其特征在于，所述方法包括：

获取训练样本集，所述训练样本集包括车辆的前视拍摄装置在所述车辆行驶过程中采集的多个样本图像，并对所述训练样本集中的多个样本图像中的每个样本图像添加车道线标签；

将所述训练样本集中添加车道线标签的样本图像输入指定的深度多项式回归模型，得到与所述添加车道线标签的样本图像对应的预测结果；

根据所述预测结果调整所述指定的深度多项式回归模型中的模型参数，并根据调整后的所述模型参数重新训练所述指定的深度多项式回归模型，得到车道线检测模型；

获取目标车辆的前视拍摄装置在所述目标车辆行驶过程中拍摄的待检测图像，并将所述待检测图像输入所述车道线检测模型，得到所述待检测图像对应的所述目标车辆的车道线。

2.根据权利要求1所述的方法，其特征在于，所述将所述训练样本集中添加车道线标签的样本图像输入指定的深度多项式回归模型，得到与所述添加车道线标签的样本图像对应的预测结果，包括：

将所述训练样本集中添加车道线标签的样本图像输入指定的深度多项式回归模型，得到与所述添加车道线标签的样本图像对应的车道线特征信息；

根据与所述添加车道线标签的样本图像对应的车道线特征信息，得到与所述添加车道线标签的样本图像对应的多项式、垂直偏移以及每个车道线的置信度。

3.根据权利要求2所述的方法，其特征在于，所述根据所述预测结果调整所述指定的深度多项式回归模型中的模型参数，并根据调整后的所述模型参数重新训练所述指定的深度多项式回归模型，包括：

根据所述预测结果中与所述添加车道线标签的样本图像对应的多项式、垂直偏移以及每个车道线的置信度确定所述添加车道线标签的样本图像的损失函数值；

根据所述损失函数值调整所述指定的深度多项式回归模型中的模型参数，并根据调整后的所述模型参数重新训练所述指定的深度多项式回归模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述预测结果中与所述添加车道线标签的样本图像对应的多项式、垂直偏移以及每个车道线的置信度确定所述添加车道线标签的样本图像的损失函数值，包括：

根据所述车道线标签确定所述训练样本集中添加车道线标签的样本图像中车道线的数量；

根据所述预测结果中与所述添加车道线标签的样本图像对应的多项式、垂直偏移以及每个车道线的置信度和所述样本图像中车道线的数量确定所述添加车道线标签的样本图像的损失函数值。

5.根据权利要求1所述的方法，其特征在于，所述将所述待检测图像输入所述车道线检测模型，得到所述待检测图像对应的所述目标车辆当前行驶道路上的车道线，包括：

将所述待检测图像输入所述车道线检测模型，得到所述待检测图像对应的多项式、每个车道线的车道线标签、垂直偏移以及每个车道线的置信度；

根据所述待检测图像对应的多项式、每个车道线的车道线标签、垂直偏移以及每个车道线的置信度确定所述目标车辆当前行驶道路上的车道线。

6.根据权利要求5所述的方法，其特征在于，所述将所述待检测图像输入所述车道线检测模型，得到所述待检测图像对应的多项式、每个车道线的车道线标签、垂直偏移以及每个车道线的置信度，包括：

将所述待检测图像输入所述车道线检测模型，得到所述待检测图像对应的多项式以及水平线的垂直位置；

根据所述待检测图像对应的多项式以及水平线的垂直位置确定得到所述待检测图像对应的每个车道线的车道线标签、垂直偏移以及每个车道线的置信度。

7.根据权利要求6所述的方法，其特征在于，所述根据所述待检测图像对应的多项式、每个车道线的车道线标签、垂直偏移以及每个车道线的置信度确定所述目标车辆的车道线，包括：

根据所述待检测图像对应的多项式、每个车道线的车道线标签、垂直偏移检测每个车道线的置信度是否大于每个车道线对应的预设阈值；

当检测结果为所述置信度大于对应的预设阈值，则确定所述置信度大于预设阈值的车道线标签对应的车道线为所述目标车辆的车道线。