[发明专利]一种车道线检测方法、装置、电子设备及存储介质

说明书

本发明公开了一种车道线检测方法、装置、电子设备及存储介质。该方法包括：获取待检测图像，并将待检测图像输入预设检测模型，利用预设检测模型的主干网络模块提取待检测图像中的视觉特征，得到待检测图像的图像特征；利用预设检测模型的层链接模块对待检测图像的图像特征进行多层融合，得到待检测图像的融合特征；利用预设检测模型的特征映射模块将待检测图像的融合特征进行空间映射，得到待检测图像的车道线特征；根据待检测图像的车道线特征确定待检测图像中的车道线信息。即，本发明实施例，通过深度学习的神经网络模块对图像特征进行提取和空间映射，降低模型中参数量，减少模型检测过程中的计算量，提高检测速度，同时提高检测精确度。

技术领域

本发明实施例涉及计算机技术，尤其涉及一种车道线检测方法、装置、电子设备及存储介质。

背景技术

随着辅助自动驾驶系统的普遍应用，利用安装在车上的传感器获取汽车行驶过程中环境信息，并结合导航地图数据防止危险的发生，有效增加汽车驾驶的舒适性和安全性。现有技术中辅助自动驾驶系统所使用的车道线检测方法，一般都基于机器学习，虽然基于机器学习的车道线检测方法速度快，但是识别错误率较高，同时随着深度学习的发展，开始使用基于深度学习的车道线检测方法，由于具备检测精度高的特点，需要较大的计算量，并不适用处理器较低的设备。

发明内容

本发明提供一种车道线检测方法、装置、电子设备及存储介质，以实现在车道线检测的过程中兼顾检测精度同时降低运算量，降低对处理器的要求。

第一方面，本发明实施例提供了一种车道线检测方法，该方法包括：

获取待检测图像，并将所述待检测图像输入预设检测模型，利用所述预设检测模型的主干网络模块提取所述待检测图像中的视觉特征，得到所述待检测图像的图像特征；

利用所述预设检测模型的层链接模块对所述待检测图像的图像特征进行多层融合，得到所述待检测图像的融合特征；

利用所述预设检测模型的特征映射模块将所述待检测图像的融合特征进行空间映射，得到所述待检测图像的车道线特征；

根据所述待检测图像的车道线特征确定所述待检测图像中的车道线信息，其中，所述车道线信息包括车道线的方程、颜色和线型。

进一步的，所述预设检测模型的获取方式如下：

对车道线数据集内每张图像中的车道线进行标注，得到每张图像中的车道线标记信息；

利用训练检测模型对所述每张图像进行检测，得到所述每张图像的检测车道线信息；

根据所述每张图像的检测车道线信息和所述每张图像的车道线标记信息计算损失熵，并利用所述损失熵优化所述训练检测模型，从而得到所述预设检测模型。

进一步的，对车道线数据集内每张图像中的车道线进行标注，得到每张图像中的车道线标记信息，包括：

根据所述每张图像的拍摄视角确定所述每张图像中的车道线，并以所述车道线上的行驶车辆为中心从右至左标记车道线序号以及所述车道线序号对应的颜色和线型。

进一步的，所述预设检测模型的主干网络模块由混合卷积模块ShuffleNet搭建而成。

进一步的，根据所述待检测图像的车道线特征确定所述待检测图像中的车道线信息，包括：

根据所述待检测图像的车道线特征中待拟合特征点确定所述待检测图像中车道线的方程和置信度；

根据所述待检测图像的车道线特征确定所述待检测图像中车道线的颜色和线型。

进一步的，根据所述待检测图像的车道线特征中待拟合特征点确定所述待检测图像中车道线的方程和置信度，包括：