[发明专利]确定路面消隐点位置的方法、装置、设备及存储介质

权利要求书

1.一种确定路面消隐点位置的方法，其特征在于，所述方法包括：

获取前方道路的目标道路图片；

将所述目标道路图片输入到深度学习模型中，输出所述目标道路图片对应的目标分割概率图，所述深度学习模型用于确定道路图片对应的分割概率图，所述分割概率图用于表征道路图片中每个像素点位于道路图片不同区域的概率；

根据所述目标分割概率图，确定所述目标道路图片的目标路面消隐点位置。

2.根据权利要求1所述的方法，其特征在于，所述将所述目标道路图片输入到深度学习模型中，输出所述目标道路图片对应的目标分割概率图之前，还包括：

获取多张建模道路图片，每张建模道路图片均标注有路面消隐点位置；

获取初始深度学习模型；

根据所述多张建模道路图片，对所述初始深度学习模型进行训练，得到深度学习模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述多张建模道路图片，对所述初始深度学习模型进行训练，得到深度学习模型，包括：

根据每张建模道路图片上的路面消隐点位置，将每张建模道路图片分割为四个区域，每个区域对应一个子建模分割概率图，且每个区域对应的子建模分割概率图构成所述建模道路图片对应的建模分割概率图；

将每张建模道路图片对应的建模分割概率图输入到第一目标损失函数中；

基于第一目标损失函数的函数值，对所述初始深度学习模型的模型参数进行调整，得到所述深度学习模型。

4.根据权利要求1所述的方法，其特征在于，所述根据所述目标分割概率图，确定所述目标道路图片的目标路面消隐点位置，包括：

将所述目标分割概率图输入到回归网络中，输出所述目标道路图片对应的目标路面消隐点位置，所述回归网络用于基于分割概率图，确定道路图片的路面消隐点位置。

5.根据权利要求4所述的方法，其特征在于，所述将所述目标分割概率图输入到回归网络中，输出所述目标道路图片对应的目标路面消隐点位置之前，还包括：

获取多张建模道路图片，每张建模道路图片均标注有路面消隐点位置；

将每张建模道路图片输入到所述深度学习模型中，输出每张建模道路图片对应的建模分割概率图；

获取初始回归网络；

根据每张建模道路图片对应的建模分割概率图，对所述初始回归网络进行训练，得到所述回归网络。

6.根据权利要求5所述的方法，其特征在于，所述根据每张建模道路图片对应的建模分割概率图，对所述初始回归网络进行训练，得到所述回归网络，包括：

将每张建模道路图片对应的建模分割概率图输入到第二目标损失函数中；

基于第二目标损失函数的函数值，对所述初始回归网络的模型参数进行调整，得到所述回归网络。

7.根据权利要求1所述的方法，其特征在于，所述根据所述目标分割概率图，确定所述目标道路图片的目标路面消隐点位置，包括：

对于所述目标分割概率图上的每个像素点，获取每个像素点位于所述目标道路图片不同区域的概率；

根据每个像素点位于所述目标道路图片不同区域的概率，确定所述目标道路图片的目标路面消隐点位置。

8.根据权利要求7所述的方法，其特征在于，所述根据每个像素点位于所述目标道路图片不同区域的概率，确定所述目标道路图片的目标路面消隐点位置，包括：

根据每个像素点位于所述目标道路图片不同区域的概率，应用以下公式，确定所述目标道路图片的目标路面消隐点位置：

其中，loc_vp表示目标路面消隐点位置，p_n(x,y)表示任一像素点位于所述目标道路图片不同区域的概率，n表示区域的数量，x表示像素点的横坐标，y表示像素点的纵坐标。