[发明专利]一种实时车道线分割方法、装置、终端及存储介质

说明书

本申请涉及车道线识别领域，尤其是涉及一种实时车道线分割方法、装置、终端及存储介质，该方法包括：实时获取路面图像信息；采用深度学习模型对所述路面图像信息进行分割识别并输出车道线图像信息；其中，所述深度学习模型包括编码器、连接部和解码器，所述路面图像信息依次经过所述编码器、连接部和解码器处理后，获得所述车道线图像信息。本申请能够提高车道线识别的环境鲁棒性和实时性。

技术领域

本申请涉及车道线识别领域，尤其是涉及一种实时车道线分割方法、装置、终端及存储介质。

背景技术

随着现代生活日益发展，汽车在生活中越来越普及，汽车数量的迅速增加给人们带来了便利，但是也导致了更多的交通事故，其中，由驾驶员个人因素导致的事故比例高达70％以上。因此，开发高级辅助驾驶系统是有效降低交通事故发生率的手段，而车道线识别是高级辅助驾驶系统必不可少的功能，例如车道偏离预警、车道保持辅助等功能模块都依赖于连续稳定的车道线识别，如何精确地识别、分割车道线是高级辅助驾驶系统的核心技术问题。

相关技术中，基于特征的传统算法，大多通过安装在车辆上的传感器、摄像头、雷达等进行获取路面信息，利用获取路面信息的颜色、纹理和边缘等，采用亮度阈值、边缘检测、曲线拟合等方法进行车道线识别检测。

针对上述中的相关技术，发明人认为基于特征的传统算法在车道清晰、路面均匀的结构化道路，检测效果较好，但有较强的局限性、容易受到道路环境的干扰、检测精确度低、且存在计算成本过大的问题。

发明内容

为了提高车道线识别的环境鲁棒性和实时性，本申请提供了一种实时车道线分割方法、装置、终端及存储介质。

第一方面，本申请提供一种实时车道线分割方法，采用如下的技术方案：

一种实时车道线分割方法，包括：

实时获取路面图像信息；

采用深度学习模型对所述路面图像信息进行分割识别并输出车道线图像信息；

其中，所述深度学习模型包括编码器、连接部和解码器，所述路面图像信息依次经过所述编码器、连接部和解码器处理后，获得所述车道线图像信息。

通过采用上述技术方案，本申请能够提高车道线识别的环境鲁棒性和实时性。

可选的，所述编码器采用OSA结构与MSA结构组合成的OSA-MSA结构作为网络的backbone。

通过采用上述技术方案，针对OSA结构与MSA结构的优点将两者进行结合得到OSA-MSA结构，因此，本申请的车道线分割网络中OSA-MSA结构不仅具有OSA结构的较强的提取特征能力、参数量少、计算量小，同时具有MSA结构的空间-通道注意力机制来增强有用特征和提升像素之间空间上联系的能力。

可选的，所述MSA结构的注意力分支通道先采用Maxpooling进行步长为1的特征采样，然后经过常规卷积，再采用Sigmoid激活函数进行激活，获得携带所有attention机制权重信息的特征图。

通过采用上述技术方案，MSA结构的注意力分支通道先采用 Maxpooling进行步长为1的特征采样，使得输出特征图分辨率大小与输入特征图分辨率大小一致，经过Maxpooling能够选出特征辨识度更好的特征，提供了非线性并保留了更多的纹理信息，使得背景与车道线边缘更易区分；池化后的特征经过常规卷积，再进行激活，采用Sigmoid激活函数对所有参数进行归一化到0～1之间，此时该特征图为所有attention机制的权重。根据实际应用对SE结构进行改进，得到适用于语义分割的MSA结构，该结构针对车道线分割在全局特征在个通道上进行加权，对有利于损失函数的特征图权重进行增强；在局部上针对车道线像素之间存在较强的关联进行局部增强，该方法对车道线分割效果有明显提升。