[发明专利]一种车道线实例检测方法和装置

权利要求书

1.一种车道线实例检测方法，其特征在于，包括：

将车辆驾驶环境的图像数据作为输入提供给预先训练得到的语义分割模型，从所述语义分割模型中输出得到一个车道线图像的车道线图像数据；其中，所述一个车道线图像中包括多个车道线像素；

根据预先训练的车道线实例检测模型从所述车道线图像数据中识别出多组车道线像素，包括：

确定所述多个车道线像素中的任意两个在特征空间中的距离，以区分出距离一个车道线像素距离最近的像素和距离最远的像素；及

根据确定得到的所述距离，得到距离度量空间中的所述多组车道线像素；其中，在距离度量空间中，组内任意两个车道线像素之间的距离小于组间任意两个车道线像素之间的距离；及

将一组车道线像素确定为一个车道线实例，得到多个车道线实例。

2.根据权利要求1所述的方法，其特征在于，还包括：

预先根据所述驾驶环境的历史图像数据和真实数据迭代训练神经网络得到用于车道线检测的所述语义分割模型。

3.根据权利要求1所述的方法，其特征在于，从所述车道线图像数据中识别出所述多组车道线像素，还包括：

将所述车道线图像数据中的车道线像素作为输入提供给预先根据三元损失函数训练得到的车道线实例检测模型；其中，所述车道线实例检测模型用以确定所述多个车道线像素中的任意两个在特征空间中的所述距离，且用以根据确定得到的所述距离，得到距离度量空间中的所述多组车道线像素。

4.根据权利要求3所述的方法，其特征在于，还包括：

预先根据真实数据并使用所述三元损失函数对神经网络进行有监督的迭代训练，得到所述车道线实例检测模型；其中，所述车道线实例检测模型表达多个像素和像素之间的距离的对应关系。

5.根据权利要求3所述的方法，其特征在于，将一组车道线像素确定为一个车道线实例，得到所述多个车道线实例，包括：

对距离度量空间中的所有车道线像素进行聚类，提取得到所述多组车道线像素；及

将一组车道线像素确定为一个车道线实例，得到所述多个车道线实例。

6.一种车道线实例检测装置，其特征在于，包括：

提取模块，用于将车辆驾驶环境的图像数据作为输入提供给预先训练得到的语义分割模型，从所述语义分割模型中输出得到一个车道线图像的车道线图像数据；其中，所述一个车道线图像中包括多个车道线像素；

识别模块，用于根据预先训练的车道线实例检测模型从所述车道线图像数据中识别出多组车道线像素，包括：

确定所述多个车道线像素中的任意两个在特征空间中的距离，以区分出距离一个车道线像素距离最近的像素和距离最远的像素；及

根据确定得到的所述距离，得到距离度量空间中的所述多组车道线像素；其中，在距离度量空间中，组内任意两个车道线像素之间的距离小于组间任意两个车道线像素之间的距离；及

确定模块，用于将一组车道线像素确定为一个车道线实例，得到多个车道线实例。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

第一预训练模块，用于预先根据所述驾驶环境的历史图像数据和真实数据迭代训练神经网络得到用于车道线检测的所述语义分割模型。

8.根据权利要求6所述的装置，其特征在于，所述识别模块从所述车道线图像数据中识别出所述多组车道线像素，还包括：

将所述车道线图像数据中的车道线像素作为输入提供给预先根据三元损失函数训练得到的车道线实例检测模型；其中，所述车道线实例检测模型用以确定所述多个车道线像素中的任意两个在特征空间中的所述距离，且用以根据确定得到的所述距离，得到距离度量空间中的所述多组车道线像素。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第二预训练模块，用于预先根据真实数据并使用所述三元损失函数对神经网络进行有监督的迭代训练，得到用于车道线实例检测的所述车道线实例检测模型；其中，所述车道线实例检测模型表达多个像素和像素之间的距离的对应关系。