一种车道线识别方法、装置、设备和存储介质与流程

本发明实施例涉及土建施工技术领域，具体涉及一种车道线识别方法、装置、设备和存储介质。

背景技术：

车道线识别是自动驾驶中高精地图的重要环节，目前主要依赖卷积神经网络来进行图像识别。卷积神经网络有着很高的计算资源要求，单个加速器的计算资源(比如计算单元和内存)有限，无法处理大规模神经网络。因此，人们提出了并行训练算法以解决这个问题。这也让科技巨头们在云服务中部署可扩展深度学习工具成为可能，从而提高了深度学习模型的训练效率。

在应用深度学习模型进行预测时，仍然需要通过使用多核cpu、众核gpu、多gpu和集群等硬件来实现高吞吐率。主流的做法是：集群多机多卡，使用容器(docker)来管理“预测服务”，使用资源管理工具(kubenetes)来管理集群资源与预测服务，输入数据通过队列散列到分布式的预测服务中，实现大量数据预测时的并行化。这种架构实现了宿主机和运行环境的隔离，集群资源(cpu/gpu/内存等)的有效管理，动态扩容。

但是，现有技术的深度学习模型需要维护一个具有散列功能的可靠网络队列，再由这个队列将输入数据均匀地散列到kubenetes里的所有docker服务，并管理输出的持久化与分发，使得车道识别系统识别图像的过程比较复杂，进而降低了车道线的识别效率。

技术实现要素：

为此，本发明实施例提供一种车道线识别方法、装置、设备和存储介质，以解决现有技术中车道识别系统识别图像的过程比较复杂，进而降低了车道线的识别效率的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

在本发明的实施方式的第一方面中，提供了一种车道线识别方法，包括：

获取车辆周围的道路图像；

基于hadoop平台中的mapreduce模型，对所述道路图像进行分片处理，得到目标道路图像；

基于所述mapreduce模型，对所述目标道路图像进行计算，得到输出数据；

根据所述输出数据，确定所述道路图像中的车道线。

进一步地，上述所述的方法中，所述基于所述mapreduce模型，对所述目标道路图像进行计算，得到输出数据之前，还包括：

基于所述hadoop平台中的自定义资源管理模块，分配第一图像运算集群；

对应地，所述基于所述mapreduce模型，对所述目标道路图像进行计算，得到输出数据，包括：

基于所述mapreduce模型，利用所述第一图像运算集群，对所述目标道路图像进行计算，得到输出数据。

进一步地，上述所述的方法中，所述基于所述mapreduce模型，对所述目标道路图像进行计算，得到输出数据之前，还包括：

基于所述mapreduce模型和所述目标道路图像，自适应分配所述目标道路图像对应的第二图像运算集群；

对应地，所述基于所述mapreduce模型，对所述目标道路图像进行计算，得到输出数据，包括：

基于所述mapreduce模型，利用所述第二图像运算集群，对所述目标道路图像进行计算，得到输出数据。

进一步地，上述所述的方法中，所述基于所述mapreduce模型，对所述目标道路图像进行计算，得到输出数据之后，还包括：

确定所述输出数据的类型；

根据所述输出数据的类型，确定目标数据库；

将所述输出数据发送至所述目标数据库。

在本发明的实施方式的第二方面中，提供了一种车道线识别装置，包括：

获取模块，用于获取车辆周围的道路图像；

分片模块，用于基于hadoop平台中的mapreduce模型，对所述道路图像进行分片处理，得到目标道路图像；

计算模块，用于基于所述mapreduce模型，对所述目标道路图像进行计算，得到输出数据；

确定模块，用于根据所述输出数据，确定所述道路图像中的车道线。

进一步地，上述所述的装置，还包括：

第一分配模块，用于基于所述hadoop平台中的自定义资源管理模块，分配第一图像运算集群；

所述计算模块，具体用于：

基于所述mapreduce模型，利用所述第一图像运算集群，对所述目标道路图像进行计算，得到输出数据。

进一步地，上述所述的装置，还包括：

第二分配模块，用于基于所述mapreduce模型和所述目标道路图像，自适应分配所述目标道路图像对应的第二图像运算集群；

所述计算模块，具体用于：

基于所述mapreduce模型，利用所述第二图像运算集群，对所述目标道路图像进行计算，得到输出数据。

进一步地，上述所述的装置，还包括发送模块：

所述确定模块，用于确定所述输出数据的类型，以及，根据所述输出数据的类型，确定目标数据库；

所述发送模块，用于将所述输出数据发送至所述目标数据库。

在本发明的实施方式的第三方面中，提供了一种车道线识别设备，包括处理器和存储器；

所述处理器与所述存储器相连；

所述存储器，用于存储计算机程序，所述计算机程序至少用于执行上述所述的车道线识别方法；

所述处理器，用于调用并执行所述计算机程序。

在本发明的实施方式的第四方面中，提供了一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的车道线识别方法的各个步骤。

根据本发明的实施方式，具有如下优点：

本发明实施例的车道线识别方法、装置、设备和存储介质，通过获取车辆周围的道路图像；基于hadoop平台中的mapreduce模型，对道路图像进行分片处理，得到目标道路图像；基于mapreduce模型，对目标道路图像进行计算，得到输出数据；根据输出数据，确定道路图像中的车道线，实现了管理输出数据的持久化与分发，避免了单独维护一个具有散列功能的可靠网络队列，降低了车道识别系统的复杂度。采用本发明的技术方案，能够简化车道识别系统识别图像的过程，进而提高车道线的识别效率。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明的一实施例提供的一种车道线识别方法的流程图；

图2为本发明的一实施例提供的一种车道线识别装置的结构示意图；

图3为本发明的另一实施例提供的一种车道线识别装置的结构示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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做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。

图1为本发明的一实施例提供的一种车道线识别方法的流程图，如图1所示，本实施例的车道线识别方法具体可以包括如下步骤：

100、获取车辆周围的道路图像；

车辆周围的道路图像可以理解为当前车辆所能获取的道路的图像。车辆周围的道路图像中可以包括车道线，该车道线可以被识别出来，从而可以给驾驶员驾驶车辆提供帮助。

车辆周围的道路图像可以从车辆的存储设备中获取，也可以通过摄像头等实时采集得到。在一种可能的实现方式中，可以通过车辆的前视摄像头采集获取。本申请实施例对获取车辆周围的道路图像的获取方式不做限定，任意有效获取车辆周围的道路图像的方法均可以应用于本申请实施例。

101、基于hadoop平台中的mapreduce模型，对道路图像进行分片处理，得到目标道路图像；

102、基于mapreduce模型，对目标道路图像进行计算，得到输出数据；

由于hadoop中原生的mapreduce模型可以非常好的支持输入数据分片，并无缝的将输出数据导入相关分布式数据库中，例如hdfs数据库、hbase数据库。因此，本实施例中，在对图像进行识别时，无需再单独维护一个具有散列功能的可靠网络队列，即可实现将输出数据导入相关分布式数据库中，以管理输出数据的持久化与分发。所以，本实施例中可以基于hadoop平台中的mapreduce模型，对获取的道路图像进行分片处理，得到目标道路图像，并基于mapreduce模型，对目标道路图像进行计算，得到输出数据。从而可以充分利用集群内部所有带宽，大幅提高并行运算时的吞吐。

在实际应用中，本实施例可以基于hadoop平台的自定义资源管理功能，将gpu、cpu等资源纳入自定义的管理范围，为每个计算单元精确的分配gpu、cpu等资源，作为目标道路图像对应的第一图像运算集群，以管理mapreduce对gpu的使用需求，做到显存级别的资源管理，即把每个gpu资源映射到为一定量的显存资源，供mapper或reducer申请使用。这样，可以基于mapreduce模型，利用第一图像运算集群，对目标道路图像进行计算，得到输出数据。

本实施例中，还可以基于mapreduce模型和目标道路图像，自适应分配目标道路图像对应的第二图像运算集群，并基于mapreduce模型，利用第二图像运算集群，对目标道路图像进行计算，得到输出数据。

103、根据车辆周围的输出数据，确定道路图像中的车道线。

本实施例中，在得到车辆周围的输出数据后，可以对对车辆周围的道路图像进行全卷积，得到车辆周围的道路图像的特征图；特征图包括多个网格；特征图的左边缘、下边缘以及右边缘的各个网格上分别设置有k条建议线，k为正整数；针对特征图的左边缘、右边缘、下边缘分别采用不同的参数进行卷积和池化，得到车道线特征；对应于每个特征图的左边缘、下边缘以及右边缘的各个网格，根据车道线特征分别输出k组预测结果，分别对应k个建议线的分类结果和回归结果；分类结果采用建议线被预测为车道线的概率表示，回归结果采用建议线在s行的横坐标相对建议线的偏移值和相对终止位置表示，其中，s为正整数；针对概率大于或等于预设阈值的建议线，进行非极大值抑制处理，将处理后的结果作为最终预测结果；根据最终预测结果确定车辆周围的道路图像中的车道线。

本发明实施例的车道线识别方法，通过获取车辆周围的道路图像；基于hadoop平台中的mapreduce模型，对道路图像进行分片处理，得到目标道路图像；基于mapreduce模型，对目标道路图像进行计算，得到输出数据；根据输出数据，确定道路图像中的车道线，实现了管理输出数据的持久化与分发，避免了单独维护一个具有散列功能的可靠网络队列，降低了车道识别系统的复杂度。采用本发明的技术方案，能够简化车道识别系统识别图像的过程，进而提高车道线的识别效率。

进一步地，上述实施例中，可以将图像识别过程中的所有程序封装在docker容器之中，从而可以确保在集群内的任何机器上，都能运行指定的程序或服务，进而在对集群进行扩容时，对其它服务为透明的，提高服务整体的维护效率。

在一个具体实现过程中，在得到输出数据之后，还可以确定输出数据的类型；根据输出数据的类型，确定目标数据库；将输出数据发送至目标数据库。例如，输出数据的类型可以包括非格式化数据、大文件、稀疏且单条数据不大的数据等，可以hdfs来存储非格式化数据和大文件，使用hbase来存储稀疏且单条数据不大的数据。

图2为本发明的一实施例提供的一种车道线识别装置的结构示意图，如图2所示，本实施例的车道线识别装置包括获取模块10、分片模块11、计算模块12和确定模块14。

获取模块10，用于获取车辆周围的道路图像；

分片模块11，用于基于hadoop平台中的mapreduce模型，对道路图像进行分片处理，得到目标道路图像；

计算模块12，用于基于mapreduce模型，对目标道路图像进行计算，得到输出数据；

确定模块14，用于根据输出数据，确定道路图像中的车道线。

本发明实施例的车道线识别装置，通过获取车辆周围的道路图像；基于hadoop平台中的mapreduce模型，对道路图像进行分片处理，得到目标道路图像；基于mapreduce模型，对目标道路图像进行计算，得到输出数据；根据输出数据，确定道路图像中的车道线，实现了管理输出数据的持久化与分发，避免了单独维护一个具有散列功能的可靠网络队列，降低了车道识别系统的复杂度。采用本发明的技术方案，能够简化车道识别系统识别图像的过程，进而提高车道线的识别效率。

图3为本发明的另一实施例提供的一种车道线识别装置的结构示意图，如图3所示，本实施例的车道线识别装置在图2所示实施例的基础上，进一步还可以包括第一分配模块15和第二分配模块16。

第一分配模块15，用于基于hadoop平台中的自定义资源管理模块，分配第一图像运算集群；

计算模块12，具体用于：

基于mapreduce模型，利用第一图像运算集群，对目标道路图像进行计算，得到输出数据。

第二分配模块16，用于基于mapreduce模型和目标道路图像，自适应分配目标道路图像对应的第二图像运算集群；

计算模块12，具体用于：

基于mapreduce模型，利用第二图像运算集群，对目标道路图像进行计算，得到输出数据。

如图3所示，本实施例的车道线识别装置还可以包括发送模块17：

确定模块14，用于确定输出数据的类型，以及，根据输出数据的类型，确定目标数据库；

发送模块17，用于将输出数据发送至目标数据库。

本发明实施例还提供一种车道线识别设备，该车道线识别设备包括处理器和存储器；

处理器与存储器相连；

存储器，用于存储计算机程序，计算机程序至少用于执行上述实施例的车道线识别方法；

处理器，用于调用并执行计算机程序。

本发明实施例还提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现如上述实施例的车道线识别方法的各个步骤。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。