车辆视觉感知方法、装置、电子设备及存储介质与流程

1.本发明涉及驾驶辅助系统技术领域，尤其涉及一种车辆视觉感知方法、装置、电子设备及存储介质。


背景技术：

2.高级驾驶辅助系统(advanced driver assistance system，adas)是利用安装于车上的多种传感器(摄像头、导航以及雷达等)，及时收集车内外的环境数据，进行静、动态物体的辨识、侦测与追踪等技术上的处理，进而使驾驶者能够在最短的时间内察觉安全隐患，以引起驾驶者注意，从而提高驾驶安全性的主动安全技术。
3.adas利用摄像头感知前方路况，通常包括ldw(车道偏离预警)功能、hmw(车距过近预警)功能及fcw(前碰撞预警)功能等，所有功能均需要依赖于所获取的障碍物位置与车道线位置的精度。通常，障碍物位置通过目标检测及回归算法获取，车道线检测可利用分割算法、基于点回归等深度学习网络来实现。
4.目前，adas感知算法的广泛做法是单模型输出物体检测框，另一模型输出车道线的坐标。该种方法计算量较大，过程较复杂，且需要多个步骤才能获取最终感知结果。同时，障碍物检测和车道线检测任务之间无任何联系，难以充分利用图像信息。


技术实现要素：

5.本发明提供一种车辆视觉感知方法、装置、电子设备及存储介质，用以解决现有技术中adas感知算法计算量大、过程较复杂以及难以充分利用图像信息的缺陷，实现感知算法的计算量小、过程简单以及图像信息的较充分利用。
6.本发明提供一种车辆视觉感知方法，所述方法包括：
7.获取带有标签信息的、包括障碍物与车道线的训练图像，所述标签信息包括障碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标；
8.采用多张所述训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，以构建视觉感知模型；
9.获取车载相机拍摄的、包括障碍物与车道线的目标图像；
10.将目标图像输入所述视觉感知模型，根据所述视觉感知模型的输出结果预测障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标。
11.根据本发明提供的一种车辆视觉感知方法，所述特征提取、特征融合与多头检测，包括：
12.提取训练图像中的第一特征与第二特征，并对所述第一特征与第二特征进行特征融合，所述第一特征包括障碍物及其边界框与接地点的原始坐标，所述第二特征包括车道线及车道线原始坐标与消隐点原始坐标；
13.对融合后的第一特征与第二特征进行多头检测，分别输出障碍物与车道线的属性，所述障碍物与车道线的属性包括障碍物的热图、偏移量与类别，接地点的偏移量，以及
车道线的热图、偏移量，以及消隐点的热图与偏移量；
14.将所述障碍物与车道线的属性回归至障碍物的边界框坐标、接地点坐标、车道线坐标与消隐点坐标。
15.根据本发明提供的一种车辆视觉感知方法，所述将所述障碍物与车道线的属性回归至障碍物的边界框坐标、接地点坐标、车道线坐标与消隐点坐标，包括：
16.根据障碍物热图、偏移量与类别，以及接地点的偏移量分别获得障碍物的置信度、障碍物的中心点与宽高、障碍物的类别，以及接地点相对障碍物中心点的偏移值；
17.根据车道线热图、偏移量，以及消隐点的热图与偏移量分别获得车道线的置信度、车道线点集相对起始点的偏移值，以及消隐点的置信度与消隐点坐标。
18.根据本发明提供的一种车辆视觉感知方法，所述根据将所述障碍物与车道线的属性回归至障碍物的边界框坐标、接地点坐标、车道线坐标与消隐点坐标，还包括：
19.将障碍物的中心点与宽高表示为障碍物的边界框坐标，接地点相对障碍物中心点的偏移值表示为接地点坐标；
20.将车道线点集相对起始点的偏移值表示为车道线坐标。
21.根据本发明提供的一种车辆视觉感知方法，所述采用多张所述训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，之前还包括：
22.将边界框原始坐标表示为障碍物中心点坐标与宽高，接地点原始坐标表示为相对障碍物中心点的偏移值，所述边界框的原始坐标为边界框的左上右下坐标；
23.将车道线的点集原始坐标表示为相对车道线起始点的偏移值，所述消隐点的原始坐标保留原值。
24.根据本发明提供的一种车辆视觉感知方法，所述采用多张所述训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，包括：
25.选用backbone网络提取特征，其中，backbone采用shufflenetv2作为主体；
26.使用neck网络对提取的特征进行融合，其中neck网络使用pan增强特征；
27.运用multi-head分别检测融合后的特征；
28.以heatmap+offset的方式回归处理获得障碍物的边界框坐标、接地点坐标、车道线坐标与消隐点坐标。
29.本发明还提供一种车辆视觉感知装置，所述装置包括：
30.第一获取模块，用于获取带有标签信息的、包括障碍物与车道线的训练图像，所述标签信息包括障碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标；
31.训练构建模块，用于采用多张所述训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，以构建视觉感知模型；
32.第二获取模块，用于获取车载相机拍摄的、包括障碍物与车道线的目标图像；
33.预测模块，用于将目标图像输入所述视觉感知模型，根据所述视觉感知模型的输出结果预测障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标。
34.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辆视觉感知
方法。
35.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辆视觉感知方法。
36.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辆视觉感知方法。
37.本发明提供的车辆视觉感知方法、装置、电子设备及存储介质，通过带有障碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标等标签信息的训练图像，对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，构建的视觉感知模型能够根据车载相机拍摄的目标图像中障碍物与车道线预测出障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标，从而完成车辆的视觉感知。其中，特征的提取、融合与检测环节计算量较小，过程较简单，采用轻量级的目标检测网络即可实现。另外，经过融合后的特征相互关联，多检测头的多任务融合既可降低计算量又可提高精度，同时使各特征信息得到较充分的利用，解决了现有技术中adas感知算法计算量大、过程较复杂以及难以充分利用图像信息的缺陷，实现感知算法的计算量小、过程简单以及图像信息的较充分利用。
附图说明
38.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。
39.图1是本发明提供的车辆视觉感知方法的流程示意图之一；
40.图2是本发明提供的车辆视觉感知方法的流程示意图之二；
41.图3是本发明提供的车辆视觉感知方法的流程示意图之三；
42.图4是本发明提供的车辆视觉感知方法的流程示意图之四；
43.图5是本发明提供的车辆视觉感知方法的流程示意图之五；
44.图6是本发明提供的车辆视觉感知方法的多头检测输出示意图；
45.图7是本发明提供的车辆视觉感知装置的结构示意图；
46.图8是本发明提供的电子设备的结构示意图。
47.附图标记：
48.710：第一获取模块；720：训练构建模块；730：第二获取模块；740：预测模块；810：处理器；820：通信接口；830：存储器；840：通信总线。
具体实施方式
49.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。
50.下面结合图1-图8描述本发明的车辆视觉感知方法、装置、电子设备及存储介质。
51.如图1所示，在一个实施例中，一种车辆视觉感知方法，包括以下步骤：
52.步骤s110，获取带有标签信息的、包括障碍物与车道线的训练图像，标签信息包括障碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标。
53.其中，障碍物通常为车载相机视角范围内能够捕捉到的所有的人和物，相机拍摄到障碍物，传送给高级驾驶辅助系统处理，以便于识别并及时做出反应。车道线是车辆行驶比较重要的参照对象，有效的感知和识别车道线，有助于车辆行驶在正确的轨迹上。因此，训练图像中的障碍物与车道线，是不可或缺的。训练图像一般源于车辆预行驶路段所拍摄的带有障碍物和车道线的训练图片，其中，障碍物和车道线的坐标需根据实际精确标注。训练图像的作用是为了获取更精确的视觉感知模型，在训练图像中的障碍物与车道线中需要精确的标注标签信息，该标签信息包括碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标，以便于经过多次训练后，获得准确的视觉感知模型。
54.步骤s120，采用多张训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，以构建视觉感知模型。
55.其中，为了实现从目标图像中检测目标对象的坐标和类别，需要先使用训练图片对目标检测网络进行反复多次训练，以使经过训练构建出的视觉感知模型能够精确的识别出障碍物与车道线。高级驾驶辅助系统通过目标检测网络，比如backbone+neck+head网络，分别将训练图像中的障碍物与车道线作为训练对象，首先进行特征提取，提取出障碍物及其边界框原始坐标与接地点原始坐标，以及车道线及车道线原始坐标与消隐点原始坐标，然后将提取后的特征进行融合，并采用多头检测的方式分别使各个特征各自获得重点关注，以提高训练后获得的视觉感知模型用于预测的准确性。
56.步骤s130，获取车载相机拍摄的、包括障碍物与车道线的目标图像。
57.具体的，在通过训练图像的训练获得合格的视觉感知模型后，车辆行驶过程中，通过车载相机获得目标图像，并将该目标图像输入视觉感知模型。
58.步骤s140，将目标图像输入视觉感知模型，根据视觉感知模型的输出结果预测障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标。
59.具体的，在视觉感知模型构建完成后，当车载相机拍摄到目标图像中具有障碍物或车道线时，将会对所拍摄的目标图像进行识别检测，进而预测出目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标，完成车辆的视觉感知过程。
60.上述车辆视觉感知方法，通过带有障碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标等标签信息的训练图像，对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，构建的视觉感知模型能够根据车载相机拍摄的目标图像中障碍物与车道线预测出障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标，从而完成车辆的视觉感知。其中，特征的提取、融合与检测环节计算量较小，过程较简单，采用轻量级的目标检测网络即可实现，消耗的高级驾驶辅助系统的资源较少。另外，经过融合后的特征相互关联，多检测头的多任务融合既可降低计算量又可提高精度，同时使各特征信息得到较充分的利用，解决了现有技术中adas感知算法计算量大、过程较复杂以及难以充分利用图像信息的缺陷，实现感知算法的计算量小、过程简单以及图像信息的较充分利用。
61.如图2所示，在一个实施例中，本发明的车辆视觉感知方法，特征提取、特征融合与
多头检测，包括以下步骤：
62.步骤s122，提取训练图像中的第一特征与第二特征，并对第一特征与第二特征进行特征融合，第一特征包括障碍物及其边界框与接地点的原始坐标，第二特征包括车道线及车道线原始坐标与消隐点原始。
63.其中，障碍物原始坐标与接地点的原始坐标，需要与实际的障碍物及接地点的位置一致，车道线原始坐标与消隐点原始坐标，需要与实际的车道线及消隐点的位置一致，以使训练出的模型更精确。具体可通过人工测量和标注的方式实现。
64.具体的，特征的提取能够从训练图像中提取出需要的特征，特征融合将提取出的各特征融合并紧紧的关联在一起。
65.步骤s124，对融合后的第一特征与第二特征进行多头检测，分别输出障碍物与车道线的属性，障碍物与车道线的属性包括障碍物的热图、偏移量与类别，接地点的偏移量，以及车道线的热图、偏移量，以及消隐点的热图与偏移量。
66.其中，多头检测使融合后的每个特征都获得比较重要的关注度，并进行多任务同时检测，提高了检测的精度。
67.步骤s126，将障碍物与车道线的属性回归至障碍物的边界框坐标、接地点坐标、车道线坐标与消隐点坐标。
68.具体的，在训练时，需要将标准坐标形式表示为有利于减小计算量、提高训练精度的坐标表现形式，比如，将障碍物的边界框的原始坐标表示为边界框的中心点与边界框的宽高，接地点的原始坐标表示为相对边界框中心点的偏移值。训练输出的坐标需要重新表示为标准坐标的形式，以便于后续环节的识别和使用。
69.如图3所示，在一个实施例中，本发明的车辆视觉感知方法，将障碍物与车道线的属性回归至障碍物的边界框坐标、接地点坐标、车道线坐标与消隐点坐标，包括以下步骤：
70.步骤s310，根据障碍物热图、偏移量与类别，以及接地点的偏移量分别获得障碍物的置信度、障碍物的中心点与宽高、障碍物的类别，以及接地点相对障碍物中心点的偏移值。
71.具体的，将障碍物的中心点与宽高表示为障碍物的边界框坐标，接地点相对障碍物中心点的偏移值表示为接地点坐标。
72.步骤s320，根据车道线热图、偏移量，以及消隐点的热图与偏移量分别获得车道线的置信度、车道线点集相对起始点的偏移值，以及消隐点的置信度与消隐点坐标。
73.具体的，将车道线点集相对起始点的偏移值表示为车道线坐标，消隐点坐标保留原值。
74.如图4所示，在一个实施例中，本发明的车辆视觉感知方法，采用多张训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，之前还包括以下步骤：
75.步骤s410，将边界框原始坐标表示为障碍物中心点坐标与宽高，接地点原始坐标表示为相对障碍物中心点的偏移值，边界框的原始坐标为边界框的左上右下坐标。
76.步骤s420，将车道线的点集原始坐标表示为相对车道线起始点的偏移值，消隐点的原始坐标保留原值。
77.具体的，在采用训练图片进行训练过程中，可以发现，采用原始坐标的标准表现形式会使训练过程变得较复杂，难以达到理想精度，对原始坐标的表现形式转换后，简便了训
练过程，提高了精度。
78.如图5所示，在具体的实施例中，本发明的车辆视觉感知方法，采用多张训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，包括以下步骤：
79.步骤s510，选用backbone网络提取特征，其中，backbone采用shufflenetv2作为主体。
80.其中，backbone是主干网络，是提取特征的网络。backbone网络在分类与定位等问题上的特征提取能力较强。shufflenetv2为轻量级神经网络，即有较高的精度，又不会产生资源浪费和增加系统负担。
81.步骤s520，使用neck网络对提取的特征进行融合，其中neck网络使用pan增强特征。
82.其中，neck是放在backbone和head之间的，是为了将backbone提取的特征进行融合，更好的利用backbone提取的特征。pan(像素聚合网络)算法最大的特点是速度快，并且效果也较好。
83.步骤s530，运用multi-head分别检测融合后的特征。
84.其中，multi-head(多检测头)分别作为目标检测框、接地点、车道线坐标以及消隐点的检测头。其输出参见图6所示，其中，object(障碍物)heatmap(热图)得到每个障碍物的置信度；object offset(偏移量)得到障碍物中心点及宽高；object classes(种类)得到障碍物类别；接地点offset得到相对物体中心点的偏移值，该偏移值可以用坐标系内的横坐标偏移x和纵坐标偏移y来表示；车道线heatmap得到每个车道线点的置信度；车道线offset得到每个车道线点相对车道线起始点偏移值，该偏移值可以用坐标系内的横坐标偏移x和纵坐标偏移y来表示；消隐点heatmap得到每个点为消隐点的置信度；消隐点offset得到每个点到原始图像上的点映射到featuremap(特征图)上的点的整值的x和y。
85.步骤s540，以heatmap+offset的方式回归处理获得障碍物的边界框坐标、接地点坐标、车道线坐标与消隐点坐标。
86.其中，以heatmap+offset的方式各自回归边界框坐标、车道线坐标以及消隐点坐标，接地点坐标则以障碍物的heatmap为基础，再添加offset即可得到。heatmap+offsets策略降低了回归任务和检测任务的难度，表现了较好的效果和时间效率。
87.下面对本发明提供的车辆视觉感知装置进行描述，下文描述的车辆视觉感知装置与上文描述的车辆视觉感知方法可相互对应参照。
88.如图7所示，在一个实施例中，本发明还提的车辆视觉感知装置，包括：
89.第一获取模块710，用于获取带有标签信息的、包括障碍物与车道线的训练图像，标签信息包括障碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标。
90.训练构建模块720，用于采用多张训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，以构建视觉感知模型。
91.第二获取模块730，用于获取车载相机拍摄的、包括障碍物与车道线的目标图像。
92.预测模块740，用于将目标图像输入视觉感知模型，根据视觉感知模型的输出结果预测障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标。
93.在本实施例中，训练构建模块具体用于：
94.提取训练图像中的第一特征与第二特征，并对所述第一特征与第二特征进行特征融合，所述第一特征包括障碍物及其边界框与接地点的原始坐标，所述第二特征包括车道线及车道线原始坐标与消隐点原始坐标；
95.对融合后的第一特征与第二特征进行多头检测，分别输出障碍物与车道线的属性，所述障碍物与车道线的属性包括障碍物的热图、偏移量与类别，接地点的偏移量，以及车道线的热图、偏移量，以及消隐点的热图与偏移量；
96.将所述障碍物与车道线的属性回归至障碍物的边界框坐标、接地点坐标、车道线坐标与消隐点坐标。
97.在本实施例中，训练构建模块还具体用于：
98.根据障碍物热图、偏移量与类别，以及接地点的偏移量分别获得障碍物的置信度、障碍物的中心点与宽高、障碍物的类别，以及接地点相对障碍物中心点的偏移值；
99.根据车道线热图、偏移量，以及消隐点的热图与偏移量分别获得车道线的置信度、车道线点集相对起始点的偏移值，以及消隐点的置信度与消隐点坐标。
100.在本实施例中，训练构建模块还具体用于：
101.将障碍物的中心点与宽高表示为障碍物的边界框坐标，接地点相对障碍物中心点的偏移值表示为接地点坐标；
102.将车道线点集相对起始点的偏移值表示为车道线坐标。
103.在本实施例中，车辆视觉感知装置还包括：
104.转换表示模块，用于：
105.将边界框原始坐标表示为障碍物中心点坐标与宽高，接地点原始坐标表示为相对障碍物中心点的偏移值，所述边界框的原始坐标为边界框的左上右下坐标；
106.将车道线的点集原始坐标表示为相对车道线起始点的偏移值，所述消隐点的原始坐标保留原值。
107.在本实施例中，训练构建模块还具体用于：
108.选用backbone网络提取特征，其中，backbone采用shufflenetv2作为主体；
109.使用neck网络对提取的特征进行融合，其中neck网络使用pan增强特征；
110.运用multi-head分别检测融合后的特征；
111.以heatmap+offset的方式回归处理获得障碍物的边界框坐标、接地点坐标、车道线坐标与消隐点坐标。
112.该车辆视觉感知装置，通过带有标签信息的训练图像，对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，构建出视觉感知模型，该视觉感知模型能够根据车载相机拍摄的目标图像中障碍物与车道线预测出障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标，从而完成车辆的视觉感知。其中，特征的提取、融合与检测环节计算量较小，过程较简单，采用轻量级的目标检测网络即可实现。经过融合后的特征相互关联，多检测头的多任务融合既可降低计算量又可提高精度，同时使各特征信息得到较充分的利用，解决了现有技术中adas感知算法计算量大、过程较复杂以及难以充分利用图像信息的缺陷，实现感知算法的计算量小、过程简单以及图像信息的较充分利用。
113.图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处
理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行车辆视觉感知方法，该方法包括：
114.获取带有标签信息的、包括障碍物与车道线的训练图像，标签信息包括障碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标；
115.采用多张训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，以构建视觉感知模型；
116.获取车载相机拍摄的、包括障碍物与车道线的目标图像；
117.将目标图像输入视觉感知模型，根据视觉感知模型的输出结果预测障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标。
118.此外，上述的存储器830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。
119.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辆视觉感知方法，该方法包括：
120.获取带有标签信息的、包括障碍物与车道线的训练图像，标签信息包括障碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标；
121.采用多张训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，以构建视觉感知模型；
122.获取车载相机拍摄的、包括障碍物与车道线的目标图像；
123.将目标图像输入视觉感知模型，根据视觉感知模型的输出结果预测障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标。
124.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辆视觉感知方法，该方法包括：
125.获取带有标签信息的、包括障碍物与车道线的训练图像，标签信息包括障碍物的边界框原始坐标、接地点原始坐标、车道线原始坐标与消隐点原始坐标；
126.采用多张训练图像对具有特征提取、特征融合与多头检测功能的目标检测网络进行训练，以构建视觉感知模型；
127.获取车载相机拍摄的、包括障碍物与车道线的目标图像；
128.将目标图像输入视觉感知模型，根据视觉感知模型的输出结果预测障碍物的目标边界框坐标、目标接地点坐标以及目标车道线坐标和目标消隐点坐标。
129.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。
130.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。
131.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。