车道线检测方法及装置与流程

1.本发明涉及自动驾驶技术领域，尤其涉及一种车道线检测方法及装置。


背景技术：

2.车道线是传统adas(高级辅助驾驶系统)及自动驾驶中不可或缺的组成部分，尤其是在在车道偏离预警(lane departure warning，ldw)、车道保持辅助(lane keepingassist，lka)等应用中，车道线的检测至关重要。
3.目前的车道线检测方法主要通过检测出车道线的起点，利用参数方程，逐步计算得到车道线的点坐标，从而完整描述一条车道线。然而受到参数方程的精度限制以及初始点检测的限制，容易造成车道线漏检的情况，使得车道线的检测精度和召回率较差。


技术实现要素：

4.本发明提供一种车道线检测方法及装置，用以解决现有技术中传统车道线检测检测精度较差的缺陷，提高车道线的检测精度和召回率。
5.本发明提供一种车道线检测方法，包括：获取待检测车道线图像；将所述待检测车道线图像输入至目标预测模型中，得到所述目标预测模型输出的目标预测结果；其中，所述目标预测模型基于车道线训练图像和根据所述车道线训练图像获取的起始点热力图、车道线高度图和车道线采样点分布图进行训练得到的；所述目标预测模型用于基于待检测车道线提取的至少两个起始点进行目标预测，得到目标预测结果；根据所述目标预测结果进行车道线检测，得到车道线检测结果。
6.根据本发明提供的一种车道线检测方法，所述目标预测模型，包括：特征提取层，对输入的待检测车道线图像进行特征提取，得到车道线图像特征；特征融合层，对所述车道线图像特征进行特征融合，得到融合特征；目标预测层，对所述融合特征进行目标预测，得到目标预测结果。
7.根据本发明提供的一种车道线检测方法，所述目标预测层，包括：第一目标预测子层，对所述融合特征进行起始点预测，得到起始点预测结果；第二目标预测子层，对所述融合特征进行高度预测，得到高度预测结果；第三目标预测子层，对所述融合特征进行采样点预测，得到采样点预测结果。
8.根据本发明提供的一种车道线检测方法，所述目标预测结果包括起始点预测结果、高度预测结果和采样点预测结果，所述根据所述目标预测结果进行车道线检测，得到车道线检测结果，包括：根据所述起始点预测结果、所述高度预测结果和所述采样点预测结果，得到多个检测车道线；基于所述目标预测模型的置信度，将所述多个检测车道线进行合并，得到车道线检测结果。
9.根据本发明提供的一种车道线检测方法，训练所述目标预测模型，包括：获取车道线训练图像；对所述车道线训练图像进行车道线采样点提取，并从提取的采样点中选取至少两个起始点；根据各所述起始点和所述采样点，得到起始点热力图、车道线高度图和车道
线采样点分布图；将所述车道线训练图像作为训练使用的输入数据，将各所述起始点热力图、所述车道线高度图和所述车道线采样点分布图作为训练使用的标签，对待训练模型进行训练，得到用于进行目标预测的目标预测模型。
10.根据本发明提供的一种车道线检测方法，所述对待训练模型进行训练，包括：将所述车道线训练图像输入至所述待训练模型中，得到所述待训练模型输出的预测置信度、预测高度和预测采样点；根据所述预测置信度和所述起始点热力图，构建第一损失函数；根据所述预测高度和所述车道线高度图，构建第二损失函数；根据所述预测采样点和所述车道线采样点分布图，构建第三损失函数；基于所述第一损失函数、所述第二损失函数、所述第三损失函数以及对应所述第一损失函数的第一预设权重、对应所述第二损失函数的第二预设权重和对应所述第三损失函数的第三预设权重，得到总损失函数，并基于所述总损失函数收敛，结束训练；其中，所述第一预设权重大于所述第二预设权重，且所述第一预设权重大于所述第三预设权重。
11.根据本发明提供的一种车道线检测方法，在所述对所述车道线训练图像进行车道线采样点提取之后，包括：根据图像坐标系纵向坐标，对提取的采样点按从小到大排序，并基于预设间距对提取的采样点进行插值处理。
12.根据本发明提供的一种车道线检测方法，所述从提取的采样点中选取至少两个起始点，包括：从所述提取的采样点中选择端点作为起始点，所述端点为由所述提取的采样点构成的车道线的端点；以及基于预设纵向间距和所述预设纵向间距对应的预设衰减系数，从所述提取的采样点中选择除所述端点以外的其他采样点作为起始点；其中，所述预设纵向间距用于表征同一条车道线中相邻两个起始点之间的纵向距离。
13.本发明还提供一种车道线检测装置，包括：图像获取模块，获取待检测车道线图像；目标预测模块，将所述待检测车道线图像输入至目标预测模型中，得到所述目标预测模型输出的目标预测结果；其中，所述目标预测模型基于车道线训练图像和根据所述车道线训练图像获取的起始点热力图、车道线高度图和车道线采样点分布图进行训练得到的；所述目标预测模型用于基于待检测车道线提取的至少两个起始点进行目标预测，得到目标预测结果；车道线检测模块，根据所述目标预测结果进行车道线检测，得到车道线检测结果。
14.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述车道线检测方法的步骤。
15.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述车道线检测方法的步骤。
16.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述车道线检测方法的步骤。
17.本发明提供的车道线检测方法及装置，通过利用车道线检测模型对提取的至少两个起始点进行车道线预测，以提出多起始点共同描述车道线的方式，降低了车道线对检测单一起始点的依赖，且利用多起始点生成多车道线，以利用车道线的置信度得到最终检测得到的车道线，提升车道线检测的精度，避免受特殊场景，比如虚线车道线、侧边存在减速线/预估线的车道线以及地面有文字干扰的车道线的影响，以致车道线检测不佳的情形。
附图说明
18.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是本发明提供的车道线检测方法的流程示意图；
20.图2是本发明提供的车道线检测模型的架构意图；
21.图3是本发明提供的训练车道线检测模型的流程示意图；
22.图4是本发明提供的提取的起始点示意图；
23.图5是本发明提供车道线检测装置的结构示意图；
24.图6是本发明提供训练模块的结构示意图；
25.图7是本发明提供的电子设备的结构示意图。
具体实施方式
26.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.图1示出了本发明的一种车道线检测方法的流程示意图，该方法包括：
28.s11，获取待检测车道线图像；
29.s12，将待检测车道线图像输入至目标预测模型中，得到目标预测模型输出的目标预测结果；其中，目标预测模型基于车道线训练图像和根据车道线训练图像获取的起始点热力图、车道线高度图和车道线采样点分布图进行训练得到的；目标预测模型用于基于待检测车道线提取的至少两个起始点进行目标预测，得到目标预测结果；
30.s13，根据目标预测结果进行车道线检测，得到车道线检测结果。
31.需要说明的是，本说明书中的s1n不代表车道线检测方法的先后顺序，下面具体结合图2-图4描述本发明的车道线检测方法。
32.步骤s11，获取待检测车道线图像。
33.在本实施例中，获取待检测车道线图像，包括：基于摄像装置获得待检测路段的光学图像，得到待检测车道线图像；或，利用激光雷达获取待检测路段的点云图像，得到待检测车道线图像。
34.步骤s12，将待检测车道线图像输入至目标预测模型中，得到目标预测模型输出的目标预测结果；其中，目标预测模型基于车道线训练图像和根据车道线训练图像获取的起始点热力图、车道线高度图和车道线采样点分布图进行训练得到的；目标预测模型用于基于待检测车道线提取的至少两个起始点进行目标预测，得到目标预测结果。在本实施例中，参考图2，目标预测模型，包括：特征提取层，对输入的待检测车道线图像进行特征提取，得到车道线图像特征；特征融合层，对车道线图像特征进行特征融合，得到融合特征；目标预测层，对融合特征进行目标预测，得到目标预测结果。
35.需要补充的是，特征提取层可以采用backbone网络，比如mobilenetv2网络，特征
融合层可以采用neck网络，比如dla网络，车道线检测层可以采用head网络。
36.更进一步地说，继续参考图2，目标预测层，包括：第一目标预测子层，对融合特征进行起始点预测，得到起始点预测结果；第二目标预测子层，对融合特征进行高度预测，得到高度预测结果；第三目标预测子层，对融合特征进行采样点预测，得到采样点预测结果。
37.在一个可选实施例中，参考图3，在将待检测车道线图像输入至目标预测模型中之前，还包括：训练目标预测模型，具体而言：
38.s31，获取车道线训练图像。
39.s32，对车道线训练图像进行车道线采样点提取，并从提取的采样点中选取至少两个起始点。
40.在本实施例中，从提取的采样点中选取至少两个起始点，包括：从提取的采样点中选择端点作为起始点，端点为由提取的采样点构成的车道线的端点；以及基于预设纵向间距和预设纵向间距对应的预设衰减系数，从提取的采样点中选择除端点以外的其他采样点作为起始点；其中，预设纵向间距用于表征同一条车道线中相邻两个起始点之间的纵向距离。需要说明的是，通过提取至少两个起始点，以增加同一条车道线的上下文联系，更容易生成响应；此外，起始点分布于车道线训练图像的不同位置，以增强模型的泛化能力，防止模型在图像边缘过拟合。
41.举例而言，提取的采样点可以构成车道线li，假设起始点表示为(xk,yk)，采样点表示为(uj,vj)，相应地，当k＝0时，(x0,y0)＝(u0,v0)，将采样点(u0,v0)作为起始点(x0,y0)；当k＞0时，(xk,yk)＝(uj,vj)，将采样点(uj,vj)作为起始点(xk,yk)，其中，vj＝y
k-1-dh*ratio
(k-1)
，dh表示预设纵向间距，即同一条车道线相邻两个起始点之间的纵向距离，ratio表示预设纵向间距对应的预设衰减系数；当vj≤v
min
时，则车道线li的起始点提取完毕，参考图4中同一条车道线中的起始点a、c、e，以及同一条车道线中的起始点b、d、f。
42.在一个可选实施例中，在对车道线训练图像进行车道线采样点提取之后，包括：根据图像坐标系纵向坐标，对提取的采样点按从小到大排序，并基于预设间距对提取的采样点进行插值处理。
43.需要补充的是，预设间距可以根据实际采样的车道线进行设置，比如为-1，按照预设间距等额插值，以获得v
max-v
min
+1个点，得到车道线li，共计m个采样点{(uj,vj)，0≤j《m}，其中，vj＝v0–
j，v
max
表示车道线li采样点中最大纵向坐标值，v
min
表示车道线li采样点中最小纵向坐标值。
44.s33，根据各起始点和采样点，得到起始点热力图、车道线高度图和车道线采样点分布图。
45.需要说明的是，根据各起始点和采样点，生成以起始点为中心的高斯分布图，作为起始点热力图l
heatmap
；根据起始点(xk,yk)，得到对应终止高度hk＝y
k-v
min
，其中，yk表示起始点的纵向坐标，v
min
表示采样点中的最小纵向坐标值，从而根据终止高度得到对应高度图l
height
；以及，根据采样点，得到采样点分布图l
poly
。
46.s34，将车道线训练图像作为训练使用的输入数据，将各起始点热力图、车道线高度图和车道线采样点分布图作为训练使用的标签，对待训练模型进行训练，得到用于进行目标预测的目标预测模型。
47.需要说明的是，待训练网络可以是训练装置中内置的一有网络，该已有网络通常
包括一个网络结构，也可以是用户指定的其他网络，如各种神经网络等。待训练网络中通常包括特征提取层、特征融合层、和目标预测层，按照预设的迭代规则，将上述编码后的训练车道线图像输入至待训练模型中进行训练，得到训练后的车道线检测模型。
48.在本实施例中，对待训练模型进行训练，包括：将车道线训练图像输入至待训练模型中，得到待训练模型输出的预测置信度、预测高度和预测采样点；根据预测置信度和起始点热力图，构建第一损失函数；根据预测高度和车道线高度图，构建第二损失函数；根据预测采样点和车道线采样点分布图，构建第三损失函数；基于第一损失函数、第二损失函数、第三损失函数以及对应所第一损失函数的第一预设权重、对应第二损失函数的第二预设权重和对应第三损失函数的第三预设权重，得到总损失函数，并基于总损失函数收敛，结束训练；其中，第一预设权重大于第二预设权重，且第一预设权重大于第三预设权重。
49.需要补充的是，第一损失函数可以采用focalloss，表示为：
[0050][0051]
其中，l
heatmap
表示第一损失函数；表示模型预测的起始点(xk,yk)的预测置信度；y表示起始点热力图中对应起始点(xk,yk)的置信度；n表示所有起始点的个数，
[0052]
第二损失函数可以采用l1 loss，表示为：
[0053][0054]
其中，l
height
表示第二损失函数，n表示所所有起始点的个数，hj表示车道线高度图中起始点(xk,yk)对应的终止高度；表示模型预测的起始点(xk,yk)的预测高度。
[0055]
第三损失函数可以采用拟合采样点的方式计算，表示为：
[0056][0057]
其中，l
poly
(x
p
，x
gt
)表示第三损失函数，(x
p
，x
gt
)表示在同样的yi纵坐标下、预测采样点和车道线采样点分布图中的采样点真值分别对应的横坐标，m是超参，表示采样点的数量。
[0058]
另外，smooth
l1
为优化的l1 loss，可以表示为：
[0059][0060]
相应地，总损失函数，表示为：
[0061]
l＝al
heatmap
+bl
height
+cl
poly
[0062]
其中，l表示总损失函数，l
eatmap
表示第一损失函数，l
heigh
表示第二损失函数，l
poly
第三损失函数，a、b和c分别表示训练任务中的权重占比。应当注意的是，起始点的权重a在
全部损失函数中的占比应当较大，以更合理的增强起始点的比重，从而使得在虚线车道线起始位置生成响应相比单起始点更高，且其他几个起始点提供了更准确和更高的响应能力，实现召回率和精度的提高。
[0063]
s13，根据目标预测结果进行车道线检测，得到车道线检测结果。
[0064]
在本实施例中，目标预测结果包括起始点预测结果、高度预测结果和采样点预测结果，根据目标预测结果进行车道线检测，得到车道线检测结果，包括：根据起始点预测结果、高度预测结果和采样点预测结果，得到多个检测车道线；基于目标预测模型的置信度，将多个检测车道线进行合并，得到车道线检测结果。需要说明的是，通过对目标预测模型的输出结果进行后处理，即车道线检测，以利用多起始点生成多车道线。
[0065]
综上所述，本发明实施例通过利用车道线检测模型对提取的至少两个起始点进行车道线预测，以提出多起始点共同描述车道线的方式，降低了车道线对检测单一起始点的依赖，且利用多起始点生成多车道线，以利用车道线的置信度得到最终检测得到的车道线，提升车道线检测的精度，避免受特殊场景，比如虚线车道线、侧边存在减速线/预估线的车道线以及地面有文字干扰的车道线的影响，以致车道线检测不佳的情形。
[0066]
下面对本发明提供的车道线检测装置进行描述，下文描述的车道线检测装置与上文描述的车道线检测方法可相互对应参照。
[0067]
图5示出了一种车道线检测装置的结构示意图，该装置，包括：
[0068]
图像获取模块51，获取待检测车道线图像；
[0069]
目标预测模块52，将待检测车道线图像输入至目标预测模型中，得到目标预测模型输出的目标预测结果；其中，目标预测模型基于车道线训练图像和根据车道线训练图像获取的起始点热力图、车道线高度图和车道线采样点分布图进行训练得到的；目标预测模型用于基于待检测车道线提取的至少两个起始点进行目标预测，得到目标预测结果；
[0070]
车道线检测模块53，根据目标预测结果进行车道线检测，得到车道线检测结果。
[0071]
在本实施例中，图像获取模块51，包括：图像获取单元，基于摄像装置获得待检测路段的光学图像，得到待检测车道线图像；或，利用激光雷达获取待检测路段的点云图像，得到待检测车道线图像。
[0072]
目标预测模块52，包括：数据输入单元，将待检测车道线图像输入至目标预测模型中；目标预测单元，利用目标预测模型对待检测车道线提取至少两个起始点以进行目标预测，得到目标预测结果；数据输出单元，将目标预测模型得到的目标预测结果输出。
[0073]
具体而言，目标预测模型，包括：特征提取层，对输入的待检测车道线图像进行特征提取，得到车道线图像特征；特征融合层，对车道线图像特征进行特征融合，得到融合特征；目标预测层，对融合特征进行目标预测，得到目标预测结果。
[0074]
相应地，目标预测单元，包括：特征提取子单元，将待检测车道线图像输入至特征提取层进行特征提取，得到车道线图像特征；特征融合子单元，将车道线图像特征输入至特征融合层进行特征融合，得到融合特征；目标预测子单元，将融合特征输入至目标预测层进行目标预测，得到目标预测结果。
[0075]
更进一步的说，目标预测层，包括第一目标预测子层、第二目标预测子层和第三目标预测子层，相应地，目标预测子单元，包括：第一目标预测孙单元，将融合特征输入至第一目标预测子层进行起始点预测，得到起始点预测结果；第二目标预测孙单元，将融合特征输
入至第二目标预测子层进行高度预测，得到高度预测结果；第三目标预测孙单元，将融合特征输入至第三目标预测子层进行采样点预测，得到采样点预测结果。
[0076]
目标预测结果包括起始点预测结果、高度预测结果和采样点预测结果，车道线检测模块53，包括：车道线预测孙单元，根据起始点预测结果、高度预测结果和采样点预测结果，得到多个预测车道线；车道线合并孙单元，基于车道线检测模型的置信度，将多个车道线进行合并，得到车道线检测结果。
[0077]
在一个可选实施例中，参考图6，该装置，还包括：训练模块，在将待检测车道线图像输入至目标预测模型中之前，训练目标预测模型。具体而言，训练模块，包括：
[0078]
第一数据获取单元61，获取车道线训练图像；
[0079]
起始点提取单元62，对车道线训练图像进行车道线采样点提取，并从提取的采样点中选取至少两个起始点；
[0080]
第二数据获取单元63，根据各起始点和采样点，得到起始点热力图、车道线高度图和车道线采样点分布图；
[0081]
训练单元64，将车道线训练图像作为训练使用的输入数据，将各起始点热力图、车道线高度图和车道线采样点分布图作为训练使用的标签，对待训练模型进行训练，得到用于进行目标预测的目标预测模型。
[0082]
进一步地，起始点提取单元62，包括：第一起始点提取子单元，从提取的采样点中选择端点作为起始点，端点为由提取的采样点构成的车道线的端点；以及第二起始点提取子单元，基于预设纵向间距和预设纵向间距对应的预设衰减系数，从提取的采样点中选择除端点以外的其他采样点作为起始点；其中，预设纵向间距用于表征同一条车道线中相邻两个起始点之间的纵向距离。
[0083]
在一个可选实施例中，训练模块，还包括：插值处理单元，在对车道线训练图像进行车道线采样点提取之后，根据图像坐标系纵向坐标，对提取的采样点按从小到大排序，并基于预设间距对提取的采样点进行插值处理。
[0084]
另外，训练单元64，包括：预测子单元，将车道线训练图像输入至待训练模型中，得到待训练模型输出的预测置信度、预测高度和预测采样点；第一损失函数构建子单元，根据预测置信度和起始点热力图，构建第一损失函数；第二损失函数构建子单元，根据预测高度和车道线高度图，构建第二损失函数；第三损失函数构建子单元，根据预测采样点和车道线采样点分布图，构建第三损失函数；总损失函数构建子单元，基于第一损失函数、第二损失函数、第三损失函数以及对应所第一损失函数的第一预设权重、对应第二损失函数的第二预设权重和对应第三损失函数的第三预设权重，得到总损失函数，并基于总损失函数收敛，结束训练；其中，第一预设权重大于第二预设权重，且第一预设权重大于第三预设权重。
[0085]
综上所述，本发明实施例通过车道线检测模块利用车道线检测模型对图像获取模块获取的待检测车道线图像提取至少两个起始点进行车道线预测，以提出多起始点共同描述车道线的方式，降低了车道线对检测单一起始点的依赖，且利用多起始点生成多车道线，以利用车道线的置信度得到最终检测得到的车道线，提升车道线检测的精度，避免受特殊场景，比如虚线车道线、侧边存在减速线/预估线的车道线以及地面有文字干扰的车道线的影响，以致车道线检测不佳的情形。
[0086]
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处
理器(processor)71、通信接口(communications interface)72、存储器(memory)73和通信总线74，其中，处理器71，通信接口72，存储器73通过通信总线74完成相互间的通信。处理器71可以调用存储器73中的逻辑指令，以执行车道线检测方法，该方法包括：获取待检测车道线图像；将待检测车道线图像输入至目标预测模型中，得到目标预测模型输出的目标预测结果；其中，目标预测模型基于车道线训练图像和根据车道线训练图像获取的起始点热力图、车道线高度图和车道线采样点分布图进行训练得到的；目标预测模型用于基于待检测车道线提取的至少两个起始点进行目标预测，得到目标预测结果；根据目标预测结果进行车道线检测，得到车道线检测结果。
[0087]
此外，上述的存储器73中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0088]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的车道线检测方法，该方法包括：获取待检测车道线图像；将待检测车道线图像输入至目标预测模型中，得到目标预测模型输出的目标预测结果；其中，目标预测模型基于车道线训练图像和根据车道线训练图像获取的起始点热力图、车道线高度图和车道线采样点分布图进行训练得到的；目标预测模型用于基于待检测车道线提取的至少两个起始点进行目标预测，得到目标预测结果；根据目标预测结果进行车道线检测，得到车道线检测结果。
[0089]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的车道线检测方法，该方法包括：获取待检测车道线图像；将待检测车道线图像输入至目标预测模型中，得到目标预测模型输出的目标预测结果；其中，目标预测模型基于车道线训练图像和根据车道线训练图像获取的起始点热力图、车道线高度图和车道线采样点分布图进行训练得到的；目标预测模型用于基于待检测车道线提取的至少两个起始点进行目标预测，得到目标预测结果；根据目标预测结果进行车道线检测，得到车道线检测结果。
[0090]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0091]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该
计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0092]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种车道线检测方法，其特征在于，包括：获取待检测车道线图像；将所述待检测车道线图像输入至目标预测模型中，得到所述目标预测模型输出的目标预测结果；其中，所述目标预测模型基于车道线训练图像和根据所述车道线训练图像获取的起始点热力图、车道线高度图和车道线采样点分布图进行训练得到的；所述目标预测模型用于基于待检测车道线提取的至少两个起始点进行目标预测，得到目标预测结果；根据所述目标预测结果进行车道线检测，得到车道线检测结果。2.根据权利要求1所述的车道线检测方法，其特征在于，所述目标预测模型，包括：特征提取层，对输入的待检测车道线图像进行特征提取，得到车道线图像特征；特征融合层，对所述车道线图像特征进行特征融合，得到融合特征；目标预测层，对所述融合特征进行目标预测，得到目标预测结果。3.根据权利要求2所述的车道线检测方法，其特征在于，所述目标预测层，包括：第一目标预测子层，对所述融合特征进行起始点预测，得到起始点预测结果；第二目标预测子层，对所述融合特征进行高度预测，得到高度预测结果；第三目标预测子层，对所述融合特征进行采样点预测，得到采样点预测结果。4.根据权利要求1所述的车道线检测方法，其特征在于，所述目标预测结果包括起始点预测结果、高度预测结果和采样点预测结果，所述根据所述目标预测结果进行车道线检测，得到车道线检测结果，包括：根据所述起始点预测结果、所述高度预测结果和所述采样点预测结果，得到多个检测车道线；基于所述目标预测模型的置信度，将所述多个检测车道线进行合并，得到车道线检测结果。5.根据权利要求1所述的车道线检测方法，其特征在于，训练所述目标预测模型，包括：获取车道线训练图像；对所述车道线训练图像进行车道线采样点提取，并从提取的采样点中选取至少两个起始点；根据各所述起始点和所述采样点，得到起始点热力图、车道线高度图和车道线采样点分布图；将所述车道线训练图像作为训练使用的输入数据，将各所述起始点热力图、所述车道线高度图和所述车道线采样点分布图作为训练使用的标签，对待训练模型进行训练，得到用于进行目标预测的目标预测模型。6.根据权利要求5所述的车道线检测方法，其特征在于，所述对待训练模型进行训练，包括：将所述车道线训练图像输入至所述待训练模型中，得到所述待训练模型输出的预测置信度、预测高度和预测采样点；根据所述预测置信度和所述起始点热力图，构建第一损失函数；根据所述预测高度和所述车道线高度图，构建第二损失函数；根据所述预测采样点和所述车道线采样点分布图，构建第三损失函数；基于所述第一损失函数、所述第二损失函数、所述第三损失函数以及对应所述第一损
失函数的第一预设权重、对应所述第二损失函数的第二预设权重和对应所述第三损失函数的第三预设权重，得到总损失函数，并基于所述总损失函数收敛，结束训练；其中，所述第一预设权重大于所述第二预设权重，且所述第一预设权重大于所述第三预设权重。7.根据权利要求5所述的车道线检测方法，其特征在于，在所述对所述车道线训练图像进行车道线采样点提取之后，包括：根据图像坐标系纵向坐标，对提取的采样点按从小到大排序，并基于预设间距对提取的采样点进行插值处理。8.根据权利要求5所述的车道线检测方法，其特征在于，所述从提取的采样点中选取至少两个起始点，包括：从所述提取的采样点中选择端点作为起始点，所述端点为由所述提取的采样点构成的车道线的端点；以及基于预设纵向间距和所述预设纵向间距对应的预设衰减系数，从所述提取的采样点中选择除所述端点以外的其他采样点作为起始点；其中，所述预设纵向间距用于表征同一条车道线中相邻两个起始点之间的纵向距离。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述车道线检测方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述车道线检测方法的步骤。

技术总结
本发明提供一种车道线检测方法及装置，方法包括：获取待检测车道线图像；将待检测车道线图像输入至目标预测模型中，得到目标预测模型输出的目标预测结果；根据目标预测结果进行车道线检测，得到车道线检测结果。本发明通过利用车道线检测模型对提取的至少两个起始点进行车道线预测，以提出多起始点共同描述车道线的方式，降低了车道线对检测单一起始点的依赖，且利用多起始点生成多车道线，以利用车道线的置信度得到最终检测得到的车道线，提升车道线检测的精度。道线检测的精度。道线检测的精度。


技术研发人员：戴君义
受保护的技术使用者：嬴彻星创智能科技（上海）有限公司
技术研发日：2023.04.20
技术公布日：2023/8/1