[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

说明书

本发明实施例涉及人工智能领域，公开了一种基于端到端的车道线检测方法、装置、设备及存储介质，该方法包括：获取训练样本集，并对训练样本集中的每个样本图像添加车道线标签；将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，得到预测结果；根据预测结果调整指定的深度多项式回归模型中的模型参数，并重新训练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拍摄的待检测图像，并将待检测图像输入车道线检测模型，得到目标车辆的车道线。这种方式可以更准确有效地确定车道线，提高了车道线检测的效率和实时性。本发明涉及区块链技术，如可将图像数据写入区块链中，以用于数据取证等场景。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于端到端的车道线检测方法、装置、设备及存储介质。

背景技术

自动驾驶是近年来备受关注的具有挑战性的研究领域。与这一领域相关的感知问题受到了深度学习的巨大影响。自动驾驶车辆应该具有估计车道线的能力，因为除了作为空间限制外，每条车道还提供了控制行驶的特定视觉线索。在这种情况下，两条最重要的交通线(即车道线)是定义车辆车道的线。这些车道线设置了驾驶员的限制动作，它们的类型决定了操纵车辆(例如变道)是否允许。此外，对相邻车道进行检测是非常有用的，对交通场景的全面理解可以对系统有更好的决策。

车道线检测虽然看起来简单，但它非常具有挑战性。许多基于深度学习的模型将车道标线估计分为两个步骤：特征提取和曲线拟合。大多数的研究都是通过基于分割思想的模型来提取特征，这对于自主驾驶来说效率低下，实时性差。此外，由于分割图必须经过后期处理才能输出交通线，因此，单独的分割步骤不足以提供车道标记估计值。此外，这种方式可能会忽略全局信息，当缺少视觉线索时(如在强阴影和遮挡中)，全局信息尤其重要。因此，如何更有效地确定车道线非常重要。

发明内容

本发明实施例提供了一种基于端到端的车道线检测方法、装置、设备及存储介质，可以更准确有效地确定车道线，提高了车道线检测的效率和实时性，满足了用户对车道线检测的智能化和自动化需求。

第一方面，本发明实施例提供了一种基于端到端的车道线检测方法，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。

进一步地，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。

进一步地，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；