[发明专利]用于自主驾驶机器的基于回归的线检测

权利要求书

1.一种方法，包括：接收表示图像的图像数据；将第一空间分辨率的所述图像数据应用于机器学习模型；由所述机器学习模型至少部分地基于所述图像数据来计算对应于第二空间分辨率的多个第二像素中的每个第二像素的像素距离，所述第二空间分辨率小于所述第一空间分辨率，所述像素距离对应于所述第一空间分辨率的第一像素与对应于所述图像中的线的所述第一空间分辨率的最近线像素之间的距离；将所述第二空间分辨率的所述第二像素的第二像素坐标转换到所述第一空间分辨率的第一像素坐标；以及至少部分地基于所述转换，使用相对于所述第一空间分辨率的所述第一像素坐标的所述像素距离来确定所述图像中的线像素的位置。

2.根据权利要求1所述的方法，其中所述第二空间分辨率包括相比所述第一空间分辨率小因子N的分辨率，并且将所述第二像素坐标转换到所述第一像素坐标包括：将所述第二像素坐标乘以N。

3.根据权利要求1所述的方法，其中使用相对于所述第一空间分辨率的所述第一像素坐标的所述像素距离来确定所述图像中的所述线像素的所述位置包括：至少部分地基于所述像素距离来确定针对所述第一空间分辨率的所述第一像素中的每个第一像素的投票的数目；以及针对具有大于阈值投票数的投票的所述第一像素中的每个第一像素，确定所述线像素之一位于所述第一像素处。

4.根据权利要求3所述的方法，其中针对所述第一像素的自投票被给予比针对所述第一像素的其他像素投票更高的权重。

5.根据权利要求1所述的方法，进一步包括：由所述机器学习模型至少部分地基于所述图像数据来计算与所述第二空间分辨率的所述第二像素中的每个第二像素相对应的标签类。

6.根据权利要求5所述的方法，其中所述标签类被计算为对应于所述标签类的位值。

7.根据权利要求1所述的方法，进一步包括：由所述机器学习模型至少部分地基于所述图像数据来计算与所述第二空间分辨率的所述第二像素中的每个第二像素相对应的角度；以及使用所述角度来确定所述图像中的线的至少部分的几何形状。

8.根据权利要求1所述的方法，进一步包括：由所述机器学习模型至少部分地基于所述图像数据来计算与所述线像素中的每个线像素相对应的切线值；以及使用所述切线值来确定所述图像中的线的至少部分的几何形状。

9.根据权利要求1所述的方法，进一步包括：由所述机器学习模型至少部分地基于所述图像数据来计算高维向量的集群；

至少部分基于所述集群确定对应于所述图像中的同一条线的所述线像素；以及使用对应于所述同一条线的所述线像素来生成相对于所述图像的所述线的表示。

10.一种方法，包括：接收表示图像的图像数据；

接收表示与所述图像相关联的一个或更多个标签和相应的标签类的注释数据；针对所述图像的像素中的每个像素：确定到与所述一个或更多个标签中的标签相关联的最近线像素的像素距离；以及

对到所述像素的所述像素距离以及与所述标签相关联的标签类进行编码以生成地面实况数据；以及使用所述地面实况数据来训练神经网络。

11.根据权利要求10所述的方法，进一步包括：针对对应于所述一个或更多个标签的所述像素中的每个标签像素：确定平行于所述线像素中的像素的行延伸的水平线与对应于所述线像素的标签之间的角度；以及用所述地面实况数据编码对应于所述角度的角度数据；以及

进一步使用所述地面实况数据与经编码的角度数据来训练所述神经网络。

12.根据权利要求10所述的方法，其中对与所述标签相关联的所述标签类进行编码包括：对与所述标签相对应的位值进行编码。