[发明专利]用于自动驾驶的基于BiSeNet的车道线识别方法及装置

权利要求书

1.一种用于自动驾驶的基于BiSeNet的车道线识别方法，其特征在于，包括：

对N张包含车道线的图像进行正确标注，获得N张正确标注的图像数据；

对所述N张正确标注的图像数据中的每一张图像数据进行特征数字化，获得所述N张包含车道线的图像中的每一张图像的背景第一矩阵和车道线第一矩阵；

向待训练的BiSeNet输入所述N张包含车道线的图像，获得所述待训练的BiSeNet输出的所述N张包含车道线的图像中的每一张图像的背景第二矩阵和车道线第二矩阵；

将所述N张包含车道线的图像中的每一张图像的背景第一矩阵、车道线第一矩阵、背景第二矩阵和车道线第二矩阵，输入损失函数，获得所述N张包含车道线的图像中的每一张图像的第一损失值矩阵和第二损失值矩阵；

将所述N张包含车道线的图像中的每一张图像的背景第一矩阵乘以第一权重，点乘所述第一损失值矩阵，获得所述N张包含车道线的图像中的每一张图像的第一中间矩阵，将所述N张包含车道线的图像中的每一张图像的车道线第一矩阵乘以第二权重，点乘所述第一中间矩阵，获得所述N张包含车道线的图像中的每一张图像的背景损失值矩阵；

将所述N张包含车道线的图像中的每一张图像的背景第一矩阵乘以第一权重，点乘所述第二损失值矩阵，获得所述N张包含车道线的图像中的每一张图像的第二中间矩阵，将所述N张包含车道线的图像中的每一张图像的车道线第一矩阵乘以第二权重，点乘所述第二中间矩阵，获得所述N张包含车道线的图像中的每一张图像的车道线损失值矩阵；

以所述N张包含车道线的图像中的N个背景损失值矩阵的平均值与N个车道线损失值矩阵的平均值的和的平均值为所述待训练的BiSeNet的loss值，对所述待训练的BiSeNet进行训练，获得训练好的BiSeNet；

向所述训练好的BiSeNet输入包含车道线的图像，获得所述训练好的BiSeNet输出图像的车道线。

2.根据权利要求1所述的方法，其特征在于，所述对所述N张正确标注的图像数据中的每一张图像数据进行特征数字化，获得所述N张包含车道线的图像中的每一张图像的背景第一矩阵和车道线第一矩阵，包括：

通过编码的方式对所述N张正确标注的图像数据中的每一张图像数据进行特征数字化，获得所述N张包含车道线的图像中的每一张图像的背景第一矩阵和车道线第一矩阵，其中，所述背景第一矩阵对应背景区域的值为第一数值，对应车道线区域的值为第二数值，所述车道线第一矩阵对应背景区域的值为所述第二数值，对应车道线区域的值为所述第一数值。

3.根据权利要求1所述的方法，其特征在于，所述以所述N张包含车道线的图像中的N个背景损失值矩阵的平均值与N个车道线损失值矩阵的平均值的和的平均值为所述待训练的BiSeNet的loss值，对所述待训练的BiSeNet进行训练，得到训练好的BiSeNet，包括：

根据所述N张包含车道线的图像中的N个背景损失值矩阵，获得所述N张包含车道线的图像中的每一张图像的背景损失值的平均值；

根据所述N个车道线损失值矩阵，获得所述N张包含车道线的图像中的每一张图像的车道线损失值的平均值；

将所述N张包含车道线的图像中的每一张图像的背景损失值的平均值与车道线损失值的平均值相加，取平均值,获得N个损失值矩阵；

以所述N个损失值矩阵的平均值为待训练的BiSeNet的loss值，对待训练的BiSeNet进行训练，得到训练好的BiSeNet。

4.根据权利要求1所述的方法，其特征在于：所述损失函数为二分类交叉熵损失函数。

5.根据权利要求1所述的方法，其特征在于：所述第一权重小于第二权重。