车道线检测模型的训练方法、装置、设备及存储介质与流程

本技术涉及计算机，具体涉及高精地图制作技术和自动驾驶技术等，特别涉及一种车道线检测模型的训练方法、装置、设备及存储介质。

背景技术：

1、通常，在制作高精地图的过程中，可以利用车道线检测技术，对相机拍摄的图像或雷达传感器采集的三维点云图进行高精地图的道路标记等元素提取，由于点云图上的车道线分布没有相机拍摄的透视图那么规则，尤其是车道线的朝向上差异更加明显，所以，相关技术中的车道线检测方案多是基于相机拍摄的二维透视图像设计的处理方案。

2、但是，相关技术中的基于相机拍摄的透视图像进行车道线检测方案，多是假设图像车道线是由图像的底端或者图像边界出发，从下向上延伸至消失点。然而，这种假设并不适用于水平车道线的检测，这使得基于相关技术中的车道线检测技术进行车道线实例检测的时候，遇到水平车道线会出现漏检或者检测出多段车道线实例的情况，导致车道线检测结果的可靠性不佳。

技术实现思路

1、本技术提供了一种车道线检测模型的训练方法、装置、设备及存储介质，可以解决车道线检测模型的检测性能可靠性不佳的问题，所述技术方案如下：

2、第一方面，提供了一种车道线检测模型的训练方法，所述待训练的车道线检测模型包括特征提取网络、车道线方向识别网络、车道线方向场检测网络，所述方法包括：

3、获取样本数据，所述样本数据包括指定点云地图的点云鸟瞰图、以及所述点云鸟瞰图对应的方向标签和所述点云鸟瞰图对应的方向场值标签；

4、将所述点云鸟瞰图输入所述特征提取网络，以获得所述点云鸟瞰图对应的图像特征；

5、将所述图像特征和所述方向标签，输入所述车道线方向识别网络，以获得水平车道线点云和与垂直车道线点云；

6、将所述图像特征和所述方向场值标签，输入所述车道线方向场检测网络，以获得车道线点云的水平方向场值和车道线点云的垂直方向场值；

7、基于所述图像特征、所述方向标签、所述方向场值标签、所述水平车道线点云、所述垂直车道线点云、所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型。

8、在一种可能的实现方式中，所述待训练的车道线检测模型包括车道线识别网络，所述对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型，还包括：

9、获取所述点云鸟瞰图对应的车道线标签；

10、将所述图像特征和所述车道线标签，输入所述车道线识别网络，以获得车道线点云；

11、基于所述车道线点云、所述车道线标签、所述图像特征、所述方向标签、所述方向场值标签、所述水平车道线点云与所述垂直车道线点云、和所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型。

12、在一种可能的实现方式中，所述方向场值标签包括第一方向场值标签和第二方向场值标签，获取所述点云鸟瞰图对应的方向场值标签，包括：

13、利用预先训练的特征提取网络，对所述点云地图的点云鸟瞰图进行特征提取处理，以获得所述点云鸟瞰图的图像特征；

14、利用预先训练的车道线识别网络，对所述图像特征进行车道线识别处理，以获得车道线点云；

15、利用预先训练的车道线方向识别网络，对所述图像特征进行方向识别处理，以获得水平车道线点云的第一数量、与所述垂直车道线点云的第二数量；

16、响应于所述第一数量大于第二数量，基于所述车道线点云，计算得到所述第一方向场值标签；

17、响应于所述第一数量小于第二数量，基于所述车道线点云，计算得到所述第二方向场值标签；

18、基于所述第一方向场值标签和所述第二方向场值标签，获取所述点云鸟瞰图对应的方向场值标签。

19、在一种可能的实现方式中，所述第一方向场值标签包括第一水平方向场值标签和第一垂直方向场值标签，所述响应于所述第一数量大于第二数量，基于所述车道线点云，计算得到所述第一方向场值标签，包括：

20、响应于所述第一数量大于第二数量，获取所述车道线点云的纵坐标值；

21、基于所述车道线点云的纵坐标值，利用第一水平方向场算法，计算得到所述第一水平方向场值；

22、基于所述车道线点云的纵坐标值，利用第一垂直方向场算法，计算得到所述第一垂直方向场值；

23、基于所述第一水平方向场值和第一垂直方向场值，获得所述第一水平方向场值标签和所述第一垂直方向场值标签。

24、第二方面，提供了一种车道线检测的方法，所述方法包括：

25、获取待检测的指定点云地图的点云鸟瞰图；

26、将所述点云鸟瞰图，输入车道线检测模型，以获得车道线检测结果，所述车道线检测模型是利用根据如上所述的方面和任一可能的实现方式的车道线检测模型的训练方法得到的；其中，

27、所述车道线检测模型包括特征提取网络、车道线方向识别网络、车道线方向场检测网络。

28、在一种可能的实现方式中，所述车道线检测结果包括水平车道线点云、垂直车道线点云、车道线点云的水平方向场值和车道线点云的垂直方向场值，所述将所述点云鸟瞰图，输入车道线检测模型，以获得车道线检测结果之后，还包括：

29、基于所述水平车道线点云和所述垂直车道线点云，获得所述水平车道线点云的第一数量、和所述垂直车道线点云的第二数量；

30、基于所述水平车道线点云的第一数量、所述垂直车道线点云的第二数量、所述车道线点云的水平方向场值和垂直方向场值，利用预设的聚类算法，对所述水平车道线点云和/或所述垂直车道线点云进行聚类处理，以获得目标车道线。

31、在一种可能的实现方式中，基于所述水平车道线点云的第一数量、所述垂直车道线点云的第二数量、所述车道线点云的水平方向场值和垂直方向场值，利用预设的聚类算法，对所述水平车道线点云和/或所述垂直车道线点云进行聚类处理，以获得目标车道线，包括：

32、响应于所述第一数量大于第二数量，按照所述点云鸟瞰图的列方向，基于所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述水平车道线点云进行聚类处理，以获得水平车道线；

33、响应于所述第一数量小于第二数量，按照所述点云鸟瞰图的行方向，基于所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述垂直车道线点云进行聚类处理，以获得垂直车道线；

34、基于所述水平车道线或所述垂直车道线，获得目标车道线。

35、在一种可能的实现方式中，所述车道线检测模型还包括车道线识别网络，所述车道线检测结果还包括车道线点云，所述获得目标车道线包括：

36、基于所述车道线点云、所述水平车道线点云的第一数量、所述垂直车道线点云的第二数量、所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，利用预设的聚类算法，对所述水平车道线点云和/或所述垂直车道线点云进行聚类处理，以获得目标车道线。

37、第三方面，提供了一种车道线检测模型的训练装置，所述待训练的车道线检测模型包括特征提取网络、车道线方向识别网络、车道线方向场检测网络，所述装置包括：

38、获取单元，用于获取样本数据，所述样本数据包括指定点云地图的点云鸟瞰图、以及所述点云鸟瞰图对应的方向标签和所述点云鸟瞰图对应的方向场值标签；

39、提取单元，用于将所述点云鸟瞰图输入所述特征提取网络，以获得所述点云鸟瞰图对应的图像特征；

40、识别单元，用于将所述图像特征和所述方向标签，输入所述车道线方向识别网络，以获得水平车道线点云和与垂直车道线点云；

41、检测单元，用于将所述图像特征和所述方向场值标签，输入所述车道线方向场检测网络，以获得车道线点云的水平方向场值和车道线点云的垂直方向场值；

42、训练单元，用于基于所述图像特征、所述方向标签、所述方向场值标签、所述水平车道线点云、所述垂直车道线点云、所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述待训练的车道线检测模型进行迭代训练，以获得训练完成的车道线检测模型。

43、第四方面，提供了一种车道线检测的装置，所述装置包括：

44、获取单元，用于获取待检测的指定点云地图的点云鸟瞰图；

45、检测单元，用于将所述点云鸟瞰图，输入车道线检测模型，以获得车道线检测结果，所述车道线检测模型是利用根据如上所述的车道线检测模型的训练装置得到的；其中，

46、所述车道线检测模型包括特征提取网络、车道线方向识别网络、车道线方向场检测网络。

47、第五方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上如上所述的方面和任一可能的实现方式的方法。

48、第六方面，提供了一种电子设备，包括：

49、至少一个处理器；以及

50、与所述至少一个处理器通信连接的存储器；其中，

51、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。

52、第七方面，提供了一种自动驾驶车辆，包括如上所述的电子设备。

53、本技术提供的技术方案的有益效果至少包括：

54、由上述技术方案可知，一方面，本技术实施例可以通过获取指定点云地图的点云鸟瞰图、以及所述点云鸟瞰图对应的方向标签和所述点云鸟瞰图对应的方向场值标签等样本数据，进而可以将所述点云鸟瞰图输入所述特征提取网络，以获得所述点云鸟瞰图对应的图像特征，将所述图像特征和所述方向标签，输入所述车道线方向识别网络，以获得水平车道线点云和与垂直车道线点云，将所述图像特征和所述方向场值标签，输入所述车道线方向场检测网络，以获得车道线点云的水平方向场值和车道线点云的垂直方向场值，使得能够基于所述图像特征、所述方向标签、所述方向场值标签、所述水平车道线点云、所述垂直车道线点云、所述车道线点云的水平方向场值和所述车道线点云的垂直方向场值，对所述待训练的车道线检测模型进行迭代训练，得到训练完成的车道线检测模型，由于可以通过在车道线检测模型中实现对车道线方向的识别处理，使得车道线检测模型可以学习到准确有效地水平车道线和垂直车道线的相关特征信息，可以有助于车道线检测模型更加准确的检测出点云鸟瞰图中的不同方向的车道线，从而提升了模型检测性能和鲁棒性。

55、由上述技术方案可知，又一方面，本技术实施例可以通过获取待检测的指定点云地图的点云鸟瞰图，进而可以将所述点云鸟瞰图，输入车道线检测模型，以获得车道线检测结果，该车道线检测模型包括特征提取网络、车道线方向识别网络、车道线方向场检测网络，由于通过具有车道线方向识别网络的车道线检测模型对待检测的点云鸟瞰图进行处理，在检测出垂直车道线的基础上，还可以获得更加准确有效地水平车道线，可以避免对水平车道线的漏检情况的发生，丰富了对点云鸟瞰图的车道线检测结果，从而提升了车道线检测结果的可靠性和全面性。

56、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。