[发明专利]无需精确标注数据的车道线分割方法及装置

说明书

本申请涉及一种无需精确标注数据的车道线分割方法及装置，该方法包括：将车道线样本图像输入初始语义分割网络得到预测图像，根据预测图像和车道线样本图像训练初始语义分割网络，得到目标语义分割网络；其中，训练初始语义分割网络包括第一训练过程和第二训练过程：在第一训练过程中，根据第一车道线数据生成的损失函数，生成候选语义分割网络；根据候选语义分割网络输出的第二车道线数据的预测结果，修正第二车道线数据以更新样本训练集，并对候选语义分割网络进行训练得到目标语义分割网络模型，基于目标语义分割网络模型识别待检测道路图像的车道线。本申请提供的方案能够根据不精准标注的数据完成车道线图像中的车道线分割。

技术领域

本申请涉及地图图像处理领域，尤其涉及一种无需精确标注数据的车道线分割方法及装置。

背景技术

自动驾驶车在行驶时，或者在制作高精度地图时，需要知道车道线的准确位置，以便确定行驶安全区域，或者根据车道线做出一些决策。

目前，逐渐出现了多种图像分割模型，用于对各类图像进行分割。图像分割模型一般是对图像进行像素级的类别，可以对图像进行精细的分割。在对车道线进行语义分割前需要人工对图像中车道线部分的每一个像素进行标注，标注很难精确到像素级，很难保证每一个像素被标注的都是准确的，所以通常人工标注的数据都存在一些像素被错误标注的情况。

由于使用错误的数据，对模型的估计比实际要糟糕。另外，标记数据还被用来更新权重，错误标记的数据会导致图像分割权重更新错误。但想要标注的数据精确到每一个像素，一方面标注人员需要花更多的时间标注，标注成本变高，另一方面，即使花了大量时间标注，最后也很难保证每一个像素都被标注正确。

因此，在现有技术中，在训练语义分割网络中车道线标注数据不精准情况下，如何实现对车道线的精准分割是亟待解决的问题。

发明内容

为解决或部分解决相关技术中存在的问题，本申请提供一种无需精确标注数据的车道线分割方法及装置，能够剔除车道线标注异常的车道线数据并提高对车道线分割的准确性。

本申请第一方面提供一种无需精确标注数据的车道线分割方法，包括：

获取车道线样本图像，识别车道线样本图像的第一车道线数据和第二车道线数据，第一车道线数据为车道线样本图像中车道线标注准确的车道线区域像素，第二车道线数据为车道线样本图像中标注不准确的车道线区域像素；

在第一训练过程中，将所述车道线样本图像输入初始语义分割网络，所述初始语义分割网络的输出结果包括第一车道线数据的预测结果；根据第一车道线数据的预测结果和第一车道线数据计算初始语义分割网络的第一损失函数，根据第一损失函数训练初始语义分割网络，得到候选语义分割网络；

在第二训练过程中，获取所述候选语义分割网络输出的第二车道线预测结果，判断第二车道线预测结果是否符合预设预测条件，在第二车道线预测结果符合预设预测条件的情况下，根据第二车道线预测结果修正第二车道线数据，并将修正后的第二车道线数据更新至候选语义分割网络模型的训练集；

根据更新后的训练集对候选语义分割网络模型进行训练，得到目标语义分割网络模型，基于目标语义分割网络模型识别待检测道路图像的车道线。

可选地，识别车道线样本图像的第一车道线数据和第二车道线数据，包括：

基于边缘检测算法识别车道线样本图像的车道线像素，车道线像素携带有车道线标注；

检测车道线像素的边缘像素，将车道线像素的边缘像素设置为未标注像素，并基于携带有车道线标注的像素生成第一车道线数据；

剔除车道线像素中的第一车道线数据，得到第二车道线数据。

可选地，根据第一车道线数据的预测结果和第一车道线数据计算初始语义分割网络的第一损失函数，根据第一损失函数训练初始语义分割网络，得到候选语义分割网络，包括：