[发明专利]车道线的检测方法、装置、设备及存储介质

说明书

本发明涉及辅助驾驶与自动驾驶领域，公开了一种车道线的检测方法、装置、设备及存储介质，所述方法包括：获取目标车辆前方的图像信息，并对所述图像信息进行特征提取，获得对应的图像特征信息；根据所述图像特征信息对所述车道线的起始点和终点进行预测，获得所述车道线的起始点和终点；根据所述起始点和所述终点，生成初始车道线；预测初始车道线与目标车道线间的偏移量，根据预测偏移量对所述初始车道线的坐标进行调整，获得预测车道线的坐标，以实现目标车辆前方车道线的检测，相较于传统的基于人为设置图像特征的车道线检测方法，本申请能够通过预测初始车道线与目标车道线的偏差，得到车道线上的点，从而有效提高车道线检测的效率和准确性。

技术领域

本发明涉及辅助驾驶与自动驾驶领域，尤其涉及车道线的检测方法、装置、设备及存储介质。

背景技术

近十年来，随着车内智能设备的普及和车路协同系统的不断完善，自动驾驶越来越受到人们的关注。车道线检测是许多智能高级驾驶员辅助系统(Advanced DrivingAssistance System，ADAS)中的一个基本步骤，例如车道偏离警告系统，当车辆偏离其车道时，它会向驾驶员发出警告。当前基于机器学习的车道线检测方法通常采用二维卷积神经网络进行车道线的实例分割。二维卷积神经网络基于方形核函数的分割方法难以捕捉车道的细长曲线特性。由于忽略了高层次的全局语义特征(或上下文信息)，这些方法往往会受到不连续和噪声干扰的检测结果。其次，自动驾驶的期望输出是与控制相关的参数，即车辆侧向偏移、转弯角度和曲率。然而，大多数基于卷积神经网络(Convolutional NeuralNetwork，CNN)的车道检测方法的输出都是属于车道线的像素点。为了填补这一空白，需要一些后处理程序，例如，反透视图(Inverse Perspective Mapping，IPM)和车道模型拟合。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种车道线的检测方法、装置、设备及存储介质，旨在提高车道线检测的效率和准确性。

为实现上述目的，本发明提供了一种车道线的检测方法，所述车道线的检测方法包括以下步骤:

获取目标车辆前方的图像信息，并对所述图像信息进行特征提取，获得对应的图像特征信息；

根据所述图像特征信息对所述车道线的起始点和终点进行预测，获得所述车道线的起始点和终点；

根据所述起始点和所述终点，生成初始车道线；

预测初始车道线与目标车道线间的偏移量，根据预测偏移量对所述初始车道线的坐标进行调整，获得预测车道线的坐标，以实现目标车辆前方车道线的检测。

可选地，所述获取目标车辆前方的图像信息，并对所述图像信息进行特征提取，获得对应的图像特征信息，包括：

获取布设在所述目标车辆上的预设采集设备，根据所述预设采集设备对所述目标车辆前方的图像信息进行采集；

获取预设骨干网络模型，根据所述预设骨干网络模型对采集的图像信息进行特征提取，获得对应的图像特征信息。

可选地，所述根据所述图像特征信息对所述车道线的起始点和终点进行预测，获得所述车道线的起始点和终点，包括：

获取卷积层头网络，根据所述头网络对所述图像特征信息进行通道转换，获得用于关键点检测的热图；

根据所述关键点预设策略对所述热图进行分析，获得所述热图的峰值点，并将所述峰值点的坐标作为所述车道线的起始点；

根据所述图像特征信息对所述车道线的终点进行预测，获得所述车道线的终点。

可选地，所述将所述峰值点的坐标作为所述车道线的起始点之前，还包括：