CN109740469A - 车道线检测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请提出一种车道线检测方法、装置、计算机设备和存储介质，其中，方法包括：利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量；根据每个像素点所属的类型标签，确定道路图像中包含的各车道参考区域；根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置。该方法大大降低了后处理难度且具有较高的检测精度，对场景的适应性较强，并且不需要引入大量的规则判断，具有较好的扩展性和鲁棒性。

Description

车道线检测方法、装置、计算机设备和存储介质

技术领域

本申请涉及智能汽车自动驾驶和辅助驾驶技术领域，尤其涉及一种车道线检测方法、装置、计算机设备和存储介质。

背景技术

随着智能驾驶技术的发展，车道线检测是智能驾驶的关键技术之一。目前，出现了多种车道线检测方法，例如，基于parsing模型车道线检测方法、利用二值图像和边缘检测的方法等等。

但是，这些车道线检测方法后处理复杂，场景适应性差，并且会引入大量的规则判断，导致扩展性和鲁棒性较差。

发明内容

本申请提出一种车道线检测方法、装置、计算机设备和存储介质，用于解决相关技术中车道线检测方法，存在场景适应性差以及扩展性和鲁棒性差的问题。

本申请一方面实施例提出了一种车道线检测方法，包括：

利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取所述道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量，所述第一偏移量用来表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离；

根据每个像素点所属的类型标签，确定所述道路图像中包含的各车道参考区域，其中，每个车道参考区域内各像素点的类型标签相同；

根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置。

本申请实施例的车道线检测方法，通过预先训练生成的神经网络模型，得到道路图像中每个像素的类型标签和对应的第一偏移量，根据每个像素点的类型标签对像素点进行分类，确定道路图像中各车道参考区域，并利用每个车道参考区域中的像素点的位置和像素点对应的第一偏移量，便可确定每个车道参考区域所属车道的车道线位置，大大降低了后处理难度且具有较高的检测精度，对场景的适应性较强，并且不需要引入大量的规则判断，具有较好的扩展性和鲁棒性。

本申请另一方面实施例提出了一种车道线检测装置，包括：

识别模块，用于利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取所述道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量，所述第一偏移量用来表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离；

第一确定模块，用于根据每个像素点所属的类型标签，确定所述道路图像中包含的各车道参考区域，其中，每个车道参考区域内各像素点的类型标签相同；

第二确定模块，用于每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置。

本申请实施例的车道线检测装置，通过预先训练生成的神经网络模型，得到道路图像中每个像素的类型标签和对应的第一偏移量，根据每个像素点的类型标签对像素点进行分类，确定道路图像中各车道参考区域，并利用每个车道参考区域中的像素点的位置和像素点对应的第一偏移量，便可确定每个车道参考区域所属车道的车道线位置，大大降低了后处理难度且具有较高的检测精度，对场景的适应性较强，并且不需要引入大量的规则判断，具有较好的扩展性和鲁棒性。

本申请另一方面实施例提出了一种计算机设备，包括处理器和存储器；

其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述一方面实施例所述的车道线检测方法。

本申请另一方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一方面实施例所述的车道线检测方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例提供的一种车道线检测方法的流程示意图；

图2为本申请实施例提供的一种车道参考区域示意图；

图3为本申请实施例提供的另一种车道线检测方法的流程示意图；

图4为本申请实施例提供的又一种车道线检测方法的流程示意图；

图5为本申请实施例提供的再一种车道线检测方法的流程示意图；

图6为本申请实施例提供的一种车道线检测装置的结构示意图；

图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的车道线检测方法、装置、计算机设备和存储介质。

本申请实施例，针对相关技术中，基于parsing模型车道线检测方法、利用二值图像和边缘检测的方法等后处理复杂，场景适应性差，并且会引入大量的规则判断，导致扩展性和鲁棒性较差的问题，提出一种车道线检测方法。

本申请实施例的车道线检测方法，通过预先训练生成的神经网络模型，得到道路图像中每个像素的类型标签和对应的第一偏移量，根据每个像素点的类型标签对像素点进行分类，确定道路图像中各车道参考区域，并利用每个车道参考区域中的像素点的位置和像素点对应的第一偏移量，便可确定每个车道参考区域所属车道的车道线位置，大大降低了后处理难度且具有较高的检测精度，对场景的适应性较强，并且不需要引入大量的规则判断，从而具有较好的扩展性和鲁棒性。

图1为本申请实施例提供的一种车道线检测方法的流程示意图。

本申请实施例的车道线检测方法，可由本申请实施例提供的车道线检测装置执行，该装置可配置于计算机设备中，以实现根据每个车道参考区域中的像素点的位置和其到位于其两侧、且与其存在颜色差异的最近像素点间的距离，确定每个车道参考区域所属车道的车道线位置。

如图1所示，该车道线检测方法包括：

步骤101，利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量。

在车辆行驶过程中，可利用安装在车辆上的摄像装置，采集车辆前方的道路图像，并将采集的道路图像输入至预先训练生成的神经网络模型中。神经网络模型提取道路图像中的特征，并对提取的特征进行处理，输出道路图像中各像素点标注信息。

其中，标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量，第一偏移量用来表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离，类型标签可用于对像素点进行分类。

作为一个示例，类型标签可用0、1、2、3表示，可规定类型标签为0的像素点对应的第一偏移量为0，或者为空。神经网络模型如果确定像素点的类型标签为0时，确定该像素点对应的第一偏移量为0，如果是非0，则计算该像素点的颜色值，并查找位于该像素点两侧，与其颜色值不同的像素点，并根据各个像素点的位置，计算位于其两侧、且颜色值不同的最近的像素点间的距离。

神经网络模型在实际处理时，由于车道线可能会存在断续，如车道为虚线或者车道线存在磨损等，那么神经网络模型根据颜色差异只能确定部分像素点的第一偏移量，对于断开部分的车道线，可以根据与该部分内的像素点距离间隔在一定范围内的其他像素点的位置及方向来预测。

比如，图2中，基于颜色差异，可以查找到像素点C，得到像素点B的第一偏移量，也可以查找到像素点K，得到像素点N与像素点N的第一偏移量。那么，根据像素点C与像素点K之间的位置，以及像素点C与其颜色相同的相邻像素点连线的方向，及像素点K与其颜色相同的相邻像素点的连线的方向，确定像素点L的位置。进而，计算像素点L与像素点M之间的距离，从而得到像素点M的第一偏移量。

步骤102，根据每个像素点所属的类型标签，确定道路图像中包含的各车道参考区域。

本实施例中，根据每个像素点的类型标签对像素点进行分类，确定道路图像中包含的各车道的参考区域。也就是说，每个车道具有一个参考区域，且同一参考区域中像素点的类型标签相同。

作为一个示例，若类型标签有四种分别用0、1、2、3表示，并规定类型标签为0的像素点对应的第一偏移量为0，或者为空，那么类型标签为1的像素点组成一个车道的参考区域，类型标签为2的像素点组成一个车道的参考区域，类型标签为3的像素点组成一个车道的参考区域。

也就是说，模型输出的类型标签的种类数量减去1为道路图像中包含的车道的数量，且每个车道都具有参考区域。

如图2所示，该道路图像中包含3个参考区域，每个车道参考区域为车道参考区域所属车道的中心区域。

需要说明的是，上述用0、1、2、3表示类型标签仅是示例，类型标签也可以用其他符号表示，本实施例对此不作限定。

本实施例中，通过根据像素点的类型标签对像素点进行分类，可以得到每个车道参考区域。

步骤103，根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置。

由于每个车道都有参考区域，且第一偏移量是位于参考区域内像素点的两侧、且与其存在颜色差异的最近像素点间的距离，也就是，第一偏移量包括两个距离，那么根据每个车道参考区域内的每个像素点的位置和该像素点对应的第一偏移量，可以确定位于该像素点两侧的、与其存在颜色差异的最近的两个像素点的位置。

在实际应用中，是用颜色与道路颜色不同的车道线区分不同的车道，因此，在道路图像中，同一车道内像素点的颜色值可以认为是相同的，而车道两侧的车道线的像素点的颜色值不同于车道内像素点的颜色值，所以位于车道参考区域内像素点的两侧、且与其存在颜色差异的最近像素点可以认为是车道线中的像素点，那么根据每个车道参考区域内的像素点，可以确定出每个车道参考区域所属车道的左右两侧的车道线的位置。

本申请实施例的车道线检测方法，利用预先训练生成的模型，获取道路图像中每个像素点的标注信息，进而根据标注信息中的类型标签确定每个车道参考区域，进而根据每个车道参考区域内各像素点的位置和各像素点对应的第一偏移量，便可确定每个车道参考区域的车道线位置，后处理简单且具有较高的精度，对场景的适应性较强，也不需要引入大量的规则判断，具有较好的扩展性和鲁棒性。

在本申请的一个实施例中，对于上述步骤103，可通过如下方式实现。图3为本申请实施例提供的另一种车道线检测方法的流程示意图。

如图3所示，上述步骤103包括：

步骤301，根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于每个车道线中的各像素点的位置。

由于可以认为位于参考区域内像素点的两侧、且与其存在颜色差异的最近像素点为车道线中的像素点，那么根据每个车道参考区域内的每个像素点的位置和对应的第一偏移量，可以确定与该像素点对应的分别位于左右两侧车道线上的两个像素点的位置。

假设，某车道参考区域内像素点的像素坐标为(x₀,y₀)，该像素点对应的第一偏移量为(x_l,y_r)，其中，x_l为该像素点与位于其左侧、且与其存在颜色差异的最近像素点间的距离，y_r为该像素点与位于其左侧、且与其存在颜色差异的最近像素点间的距离，那么根据像素坐标为(x₀,y₀)和(x_l,y_r)，可以计算出车道左侧车道线中一个像素点的位置，和车道左侧车道线中一个像素点的位置。

由此，根据各车道参考区域内各像素点的位置以及各像素点对应的第一偏移量，可以确定位于每个车道线中的各像素点的位置。

步骤302，根据位于每个车道线中的各像素点的位置，确定车道线位置。

本实施例中，对位于每个车道中的各像素点的位置进行聚类，可以确定道路图像中每个车道的左右两侧的车道线位置。

由于在实际应用中，路面可能会存在污渍等，其颜色也会与车道线的颜色存在差异，因此，并不能确定位于参考区域中的像素点两侧、且与其存在颜色差异的最近的像素点，就是车道线中的像素点，那么根据参考区域中的像素点与第一偏移量确定的像素点的位置，并不一定是位于车道线中的像素点的位置，因此在对位于每个车道中的各像素点的位置进行聚类之前，统计每个车道线中位置相同的像素点的数量，将数量小于预设数量的位置对应的像素点筛除，那么对剩余的像素点进行聚类，可以得到车道线的位置。由此，将位置异常、不准确地的像素点进行筛除，大大提高了车道线位置的检测精度。

在实际应用中，道路通常会包含多个车道，且部分相邻车道具有公共的车道线，也即车道线为单线。在本申请的一个实施例中，若采集的道路图像中包括左右相邻的第一车道及第二车道，第一车道的右侧车道线与第二车道的左侧车道线重合，可根据图4所示的方法确定车道线位置。图4为本申请实施例提供的又一种车道线检测方法的流程示意图。

如图4所示，上述确定每个车道参考区域所属车道的车道线位置，包括：

步骤401，根据第一车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于第一车道右侧车道线中的各第一像素点的位置。

对于第一车道，可根据第一车道参考区域内各像素点的位置和各像素点对应的第一偏移量，计算出位于第一车道左侧车道线中的各像素点的位置和位于右侧车道线中各第一像素点的位置。

步骤402，根据第二车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于第二车道左侧车道线中的各第二像素点的位置。

对于第二车道，可根据第二车道参考区域内各像素点的位置和各像素点对应的第一偏移量，计算出位于第二车道左侧车道线中的各第二像素点的位置，和右侧车道线中的各像素点的位置。

步骤403，根据各第一像素点的位置及各第二像素点的位置，确定第一车道的右侧车道线位置。

由于第一车道与第二车道相邻，且第一车道的右侧车道线与第二车道的左侧车道线重合，即第一车道与第二车道之间的车道线为单线，那么第一车道右侧车道线中的各第一像素点与第二车道左侧车道线中的各第二像素点，均是位于同一条车道线中的像素点，由此可根据各第一像素点的位置及各第二像素点的位置，确定第一车道的右侧车道线位置，也即第二车道的左侧车道线位置。

可以理解的是，若第一车道左侧有相邻的车道，且该车道右侧的车道线与第一车道左侧车道线重合，从而可以根据图4所示的方法确定第一车道左侧车道线位置。同样地，若第二车道右侧有相邻的车道，且该车道的左侧车道线与第二车道右侧车道线重合，那么根据上述图4所示的方法可以确定第二车道右侧车道线位置。

本实施例中，可规定不同的类型标签，可以代表道路图像中从左到右，或者从右到左的车道参考区域中的像素点，那么根据车道参考区域中像素点的类型标签，可以确定车道参考区域所属车道是否为道路图像中边界的车道，因此若根据类型标签确定第一车道或者第二车道为道路图像中边界的车道时，可以根据确定的第一车道左侧车道线中的各像素点的位置，确定第一车道左侧车道线位置，或者根据第二车道右侧车道中各像素点的位置，确定第二车道右侧车道线位置。例如，图2中左边的第一条车道为道路图像中左侧边界的车道，那么根据确定的该车道左侧车道线中的各像素点的位置，可以确定该车道的左侧车道线位置。

本申请实施例的车道线检测方法，若相邻车道之间的车道线重合，可通过两个车道参考区域内的像素点和像素点对应的第一偏移量，确定共同车道线上的像素点的位置，进而确定该共同车道线的位置，从而实现了结合道路的结构信息，确定车道线的位置，提高了车道线的检测精度。

在实际应用中，车道线具有多种类型，如实线、虚线等，本实施例中，每个像素点的标注信息中还包括该像素点所属车道的线形标签，其中，线形标签用于表示车道线的类型。

在确定每个车道参考区域所属车道的车道线位置之后，可根据每个像素点所属车道的线形标签及车道线位置，构建车道线。具体而言，根据车道线的线形标签和车道线的位置，可以构建车道线。

例如，车道线的线形标签为虚线，那么根据车道线的位置，可构建出虚线车道线。

在实际应用，由于视角度问题，拍摄的道路图像中，车道线与横向并不是垂直的，例如，图2中，左边车道的左侧车道线以及右边车道的右侧车道线，与横向并不垂直。因此，为了便于计算，第一偏移量可表征该像素点与位于其两侧、且与其存在颜色差异的最近的同行像素点间的距离。也就是说，车道参考区域内的像素点对应的第一偏移量是同行像素点中，位于车道参考区域内的像素点两侧、且与其存在颜色差异的最近的像素点间的距离。

如图2所示，左边车道参考区域内的像素点B对应的第一偏移量，是B与像素点A之间的距离，以及B与像素点C之间的距离。

本实施例中，第一偏移量表征该像素点与位于其两侧、且与其存在颜色差异的最近的同行像素点间的距离，因此，在计算时只需要根据该像素点的位置，在同行像素点中查找到两个与该像素点颜色存在差异的最近的像素点。相比，第一像素点表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离，是查找到位于该像素点两侧存在颜色差异的所有像素点，再根据该像素点的位置，选出最近的像素点，并计算距离，减少了位置计算。

若第一偏移量表征该像素点与位于其两侧、且与其存在颜色差异的最近的同行像素点间的距离，那么在根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于每个车道线中的各像素点的位置时，可针对每行像素点，根据每个车道参考区域内各像素点的位置和各像素点对应的第一偏移量的加减运算，得到位于每个车道参考区域所属车道的两侧车道线中的像素点的位置。

如图2所示，像素点D为中间车道参考区域内的像素点，假设像素点D的像素坐标为(X0,Y0)，像素点D对应的第一偏移量为(Xl,Xr)，其中，Xl、Xr是同行像素点中位于像素点D两侧、且与像素点D存在颜色差异的最近的像素点E和像素点F分别与像素点D之间的距离。那么，像素点E的像素坐标为(X0-Xl,Y0)，像素点F的像素坐标为(X0+Xr,Y0)，即根据像素点D的位置和像素点D对应的偏移量，可以得到位于中间车道左侧车道线中的像素点E的位置，和位于右侧车道线中的像素点F的位置。

同理，图2中，像素点H为右边车道参考区域中的像素点，假设像素点H的像素坐标为(X₁,Y₁)，对应的第一偏移量为(X_1l,X_1r)，其中，X_1l、X_1r是同行像素点中位于与像素点H两侧、且与其存在颜色差异最近的像素点I和像素点J与像素点H之间的距离。那么，根据像素点H的像素坐标(X₁,Y₁)和第一偏移量为(X_1l,X_1r)，可以得到像素点I的像素坐标为(X₁-X_1l,Y₁)，像素点J的像素坐标为(X₁+X_1r,Y₁)，即确定位于右边车道左侧车道线中的像素点I的位置，和位于右侧车道线中的像素点J的位置。

本申请实施例中，通过根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于每个车道线中的各像素点的位置，进而根据位于每个车道线中的各像素点的位置，确定车道线位置，从而实现了对车道线点级检测，提高了车道线检测的精度。

为了保证车辆行驶在车道的中间区域，提高车辆的安全性，本实施例中，每个像素点的标注信息还可包括第二偏移量。其中，第二偏移量用来表征该像素点与其所在车道的中心点间的距离、且小于预设的值。

其中，中心点是在根据该像素点的第一偏移量，确定位于该像素点两侧的、且与其最近的存在颜色差异的两个像素点的位置后，根据这两个像素点的位置确定的。例如，图2中，根据像素点D的第一偏移量，可以确定像素点E与像素点F的位置，之后，确定像素点E与像素点F，确定像素点E与像素点F的中心点G的位置，而像素点G是位于车道中心线上的像素点。

本实施例中，由于非车道参考区域内像素点的第一偏移量为0或者为空，那么第二偏移量也为0或者空，对于车道参考区域中的像素点，第一偏移量是该像素点与两侧车道线上像素点间的距离，第二偏移量是像素点与其所在车道的中心点间的距离，由于车道参考区域是车道的中心区域，因此第二偏移量小于第一偏移量。

其中，第二偏移量的范围可以根据预先设定的车道参考区域的宽度确定，即第二偏移量的小于或者等于预先设定的参考区域的宽度。

本实施例中，根据每个车道参考区域内各像素点的位置，和该像素点对应的第二偏移量，可以确定位于每个车道参考区域所属车道的车道中心线中的各像素点的位置，进而根据位于每个车道的车道中心线中的各像素点的位置，确定车道中心线的位置，从而使得车辆根据当前所在车道的车道中心线行驶，可以提高车辆的安全性。

以图2为例，中间车道参考区域内的像素点D的右侧、与像素点D存在颜色差异的最近像素点为像素点G，像素点D对应的第二偏移量为像素点D与中心点像素点G之间的距离为cx。那么，根据像素点D的像素坐标(X0,Y0)，和像素点D对应的第二偏移量cx，可以确定像素点G的像素坐标为(X0+cx,Y0)，即确定位于中间车道的车道中心线中的像素点G的位置。

在本申请的一个实施例中，在利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理之前，可先通过训练得到神经网络模型。图5为本申请实施例提供的再一种车道线检测方法的流程示意图。

如图5所示，在在利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理之前，该车道线检测方法还包括：

步骤501，获取样本图像集。

本实施例中，可获取大量的道路图像，以构成样本图像集。其中，样本图像中各道路图像包含的车道可以相同，也可以不同。

步骤502，对样本图像集中的每个样本图像进行标注处理，以确定每个样本图像中每个像素点的目标标注信息。

针对每个样本图像，对每个样本图像中的各像素点进行标注。具体而言，可选取每个车道预设宽度的中心区域作为车道参考区域，对于同一车道参考区域内的像素点用相同的类型标签进行标注，并计算出车道参考区域每个像素点到所在车道的两侧的车道线的垂直距离，即第一偏移量，以及对于非车道参考区域内的像素点标注类型标签，非车道参考区域内的像素点对应的第一偏移量可标注为0或标注为空。

本实施例中，用不同的类型标签标注非参考区域内像素点，以及不同车道参考区域内的像素点，并且车道参考区域的宽度可以是所在车道宽度的预设倍数，如0.3倍或者0.2倍等，具体可以根据实际需要进行设定。

以图2为例，该道路图像中共有3个车道，左边车道参考区域内的像素点类型标签可以标注为1，中间车道参考区域内的像素点的类型标签可标注为2，右边车道参考区域内的像素点的类型标签可标注为3，非车道参考区域内的像素点的类型标签可标注为0。

由此，根据车道参考区域内的像素点的类型标签，可以确定各车道参考区域的位置关系，如，类型标签为1的像素点组成的车道参考区域所在的车道，与类型标签为2的像素点所组成的参考区域所在的车道相邻，并且标注出参考区域内像素点到左右两边车道线的距离。

可见，本申请实施例，在训练神经网络模型时，将道路结构训练到网络中，从而大大提高了车道线检测准确度。

需要说明的是，在进行标注处理时，可以将车道参考区域内的像素点与所在车道的左侧车道线和右侧车道的垂直距离作为第一偏移量，也可以将车道参考区域内的像素点与所在车道左右两侧车道线中的同行像素点之间的距离作为第一偏移量，以图2为例，可将像素点H与右边车道左侧车道线和右侧车道线中的同行像素点H和像素点J之间的距离，作为像素点H的第一偏移量。

步骤503，将每个样本图像输入初始神经网络模型，以获取初始神经网络模型输出的各像素点的预测标注信息。

本申请实施例中，将每个样本图像输入初始神经网络模型，以获取初始神经网络输出的每个样本图像中各像素点的预测标注信息。

步骤504，根据预测标注信息与目标标注信息的差异，对初始神经网络模型进行修正，以生成神经网络模型。

针对每个样本图像，根据每个像素点的目标标注信息和预测标注信息，确定样本图像中各像素点的目标标注信息与预测标注信息之间的差异。其中，差异包括像素点的预测标注信息中类型标签是否与目标标注信息中类型标签相同，以及预测标注信息中像素点对应的第一偏移量，与目标标注信息中像素点对应的第一偏移量之间的差值。

之后，通过利用每个样本图像中各像素点的目标标注信息和预测标注信息的差异，进行多次迭代对初始神经网络模型参数进行修正，得到神经网络模型的最优参数，从而最终生成神经网络模型。

本申请实施例的车道线检测方法，通过像素点标注信息训练生成神经网络模型，可以大大降低后处理复杂难度，并且利用参考区域内的像素点与左侧车道线和右侧车道线的距离，即利用道路结构信息训练神经模型，从而当车道线磨损严重或者部分遮挡时，利用该神经网模型，也可稳定地确定车道线的位置，具有较好的鲁棒性。

为了实现上述实施例，本申请实施例还提出一种车道线检测装置。图6为本申请实施例提供的一种车道线检测装置的结构示意图。

如图6所示，该车道线检测装置包括：识别模块610、第一确定模块620和第二确定模块630。

识别模块610，用于利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量，第一偏移量用来表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离；

第一确定模块620，用于根据每个像素点所属的类型标签，确定道路图像中包含的各车道参考区域，其中，每个车道参考区域内各像素点的类型标签相同；

第二确定模块630，用于每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置。

在本申请实施例一种可能的实现方式中，上述第一确定模块620具体用于：

根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于每个车道线中的各像素点的位置；

根据位于每个车道线中的各像素点的位置，确定所线位置。

在本申请实施例一种可能的实现方式中，采集的道路图像中包括左右相邻的第一车道及第二车道，第一车道的右侧车道线与第二车道的左侧车道线重合；

上述第一确定模块620还用于：根据第一车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于第一车道右侧车道线中的各第一像素点的位置；

根据第二车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于第二车道左侧车道线中的各第二像素点的位置；

根据各第一像素点的位置及各第二像素点的位置，确定第一车道的右侧车道线位置。

在本申请实施例一种可能的实现方式中，每个像素点的标注信息中还包括该像素点所属车道的线形标签；该装置还包括：

构建模块，用于根据每个像素点所属车道的线形标签及车道线位置，构建车道线。

在本申请实施例一种可能的实现方式中，第一偏移量表征该像素点与位于其两侧、且与其存在颜色差异的最近的同行像素点间的距离。

在本申请实施例一种可能的实现方式中，每个像素点的标注信息还包括第二偏移量，第二偏移量用来表征该像素点与其所在车道的中心点间的距离、且第二偏移量小于第一偏移量、且小于预设的值。

在本申请实施例一种可能的实现方式中，该装置还可包括：

第一获取模块，用于获取样本图像集；

第三确定模块，用于对样本图像集中的每个样本图像进行标注处理，以确定每个样本图像中每个像素点的目标标注信息；

第二获取模块，用于将每个样本图像输入初始神经网络模型，以获取初始神经网络模型输出的各像素点的预测标注信息；

生成模块，用于根据预测标注信息与目标标注信息的差异，对初始神经网络模型进行修正，以生成神经网络模型。

需要说明的是，前述对车道线检测方法实施例的解释说明，也适用于该实施例的车道线检测装置，故在此不再赘述。

本申请实施例的车道线检测装置，通过预先训练生成的神经网络模型，得到道路图像中每个像素的类型标签和对应的第一偏移量，根据每个像素点的类型标签对像素点进行分类，确定道路图像中各车道参考区域，并利用每个车道参考区域中的像素点的位置和像素点对应的第一偏移量，便可确定每个车道参考区域所属车道的车道线位置，大大降低了后处理难度且具有较高的检测精度，对场景的适应性较强，并且不需要引入大量的规则判断，具有较好的扩展性和鲁棒性。

为了实现上述实施例，本申请实施例还提出一种计算机设备，包括处理器和存储器；

其中，处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现如上述实施例所述的车道线检测方法。

图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。

为了实现上述实施例，本申请实施例还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所述的车道线检测方法。

在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种车道线检测方法，其特征在于，包括：

利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取所述道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量，所述第一偏移量用来表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离；

根据每个像素点所属的类型标签，确定所述道路图像中包含的各车道参考区域，其中，每个车道参考区域内各像素点的类型标签相同；

根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置。

2.如权利要求1所述的方法，其特征在于，所述根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置，包括：

根据每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于每个车道线中的各像素点的位置；

根据位于每个车道线中的各像素点的位置，确定所述车道线位置。

3.如权利要求2所述的方法，其特征在于，所述采集的道路图像中包括左右相邻的第一车道及第二车道，第一车道的右侧车道线与第二车道的左侧车道线重合；

所述确定每个车道参考区域所属车道的车道线位置，包括：

根据所述第一车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于所述第一车道右侧车道线中的各第一像素点的位置；

根据所述第二车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定位于所述第二车道左侧车道线中的各第二像素点的位置；

根据所述各第一像素点的位置及所述各第二像素点的位置，确定所述第一车道的右侧车道线位置。

4.如权利要求1所述的方法，其特征在于，所述每个像素点的标注信息中还包括该像素点所属车道的线形标签；

所述确定每个车道参考区域所属车道的车道线位置之后，还包括：

根据所述每个像素点所属车道的线形标签及车道线位置，构建所述车道线。

5.如权利要求1-4任一所述的方法，其特征在于，所述第一偏移量表征该像素点与位于其两侧、且与其存在颜色差异的最近的同行像素点间的距离。

6.如权利要求5所述的方法，其特征在于，每个像素点的标注信息还包括第二偏移量，所述第二偏移量用来表征该像素点与其所在车道的中心点间的距离、且所述第二偏移量小于所述第一偏移量、且小于预设的值。

7.如权利要求1-4任一所述的方法，其特征在于，所述利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理之前，还包括：

获取样本图像集；

对所述样本图像集中的每个样本图像进行标注处理，以确定每个样本图像中每个像素点的目标标注信息；

将所述每个样本图像输入初始神经网络模型，以获取所述初始神经网络模型输出的各像素点的预测标注信息；

根据所述预测标注信息与所述目标标注信息的差异，对所述初始神经网络模型进行修正，以生成所述神经网络模型。

8.一种车道线检测装置，其特征在于，包括：

识别模块，用于利用预先训练生成的神经网络模型，对采集的道路图像进行识别处理，以获取所述道路图像中各像素点的标注信息，其中每个像素点的标注信息包括该像素点所属的类型标签及该像素点对应的第一偏移量，所述第一偏移量用来表征该像素点与位于其两侧、且与其存在颜色差异的最近像素点间的距离；

第一确定模块，用于根据每个像素点所属的类型标签，确定所述道路图像中包含的各车道参考区域，其中，每个车道参考区域内各像素点的类型标签相同；

第二确定模块，用于每个车道参考区域内各像素点的位置及各像素点对应的第一偏移量，确定每个车道参考区域所属车道的车道线位置。

9.一种计算机设备，其特征在于，包括处理器和存储器；

其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-7中任一所述的车道线检测方法。

10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的车道线检测方法。