[发明专利]一种基于深度学习的车道线检测方法、装置以及设备

权利要求书

1.一种基于深度学习的车道线检测方法，其特征在于，包括：

利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息；

将每个正视图特征信息分别与对所述每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；

根据所述融合特征信息获取所述正视图图像的车道线预测信息，利用损失函数计算所述车道线预测信息与所述车道线标签的误差；

采用反向传播算法对所述初始车道线检测网络的参数进行优化直至所述误差达到期望值，得到完成训练的目标车道线检测神经网络；

将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息；

其中，所述利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息前包括：

基于CNN网络架构构建所述初始车道线检测网络，其中所述初始车道线检测网络包括正视图处理通道、映射变化层、俯视图处理通道及车道线预测通道。

2.如权利要求1所述的方法，其特征在于，所述将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息后还包括：

根据所述待检测正视图图像的车道线信息，判断所述目标车辆是否处于车道偏离状态；

若所述目标车辆处于车道偏离状态，则生成并发送预警信号。

3.如权利要求2所述的方法，其特征在于，所述根据所述待检测正视图图像的车道线信息，判断所述目标车辆是否处于车道偏离状态包括：

根据所述待检测正视图图像的车道线信息，确定所述目标车辆在车道中的当前位置参数；其中，所述当前位置参数包括横向偏移量、车辆与道路的夹角；

根据所述目标车辆在车道中的当前位置参数，判断所述目标车辆是否处于车道偏离状态。

4.如权利要求2所述的方法，其特征在于，所述若所述目标车辆处于车道偏离状态，则生成并发送预警信号包括：

若所述目标车辆处于车道偏离状态，确定所述目标车辆偏移程度的大小；

根据所述目标车辆偏移程度的大小，确定生成预警信号的强弱程度。

5.一种基于深度学习的车道线检测装置，其特征在于，包括：

特征提取模块，用于利用安装于车辆上的前置摄像头采集带车道线标签的正视图图像作为训练集，将所述正视图图像输入至预先构建的初始车道线检测网络中，提取多个正视图特征信息；

特征融合模块，用于将每个正视图特征信息分别与对所述每个正视图特征信息进行射影变换后得到的俯视图特征信息进行合并，得到融合特征信息；

误差计算模块，用于根据所述融合特征信息获取所述正视图图像的车道线预测信息，利用损失函数计算所述车道线预测信息与所述车道线标签的误差；

训练模块，用于采用反向传播算法对所述初始车道线检测网络的参数进行优化直至所述误差达到期望值，得到完成训练的目标车道线检测神经网络；

检测模块，用于将目标车辆的前置摄像头采集到的待检测正视图图像输入至所述目标车道线检测神经网络，输出所述待检测正视图图像的车道线信息；

其中，所述装置还用于：在所述特征提取模块执行相应步骤之前，基于CNN网络架构构建所述初始车道线检测网络，其中所述初始车道线检测网络包括正视图处理通道、映射变化层、俯视图处理通道及车道线预测通道。

6.如权利要求5所述的装置，其特征在于，所述检测模块后还包括：

判断模块，用于根据所述待检测正视图图像的车道线信息，判断所述目标车辆是否处于车道偏离状态；

预警模块，用于若所述目标车辆处于车道偏离状态，则生成并发送预警信号。