[发明专利]一种基于序列预测的车道线检测系统、装置和方法

说明书

本发明公开了一种基于序列预测的车道线检测系统、装置和方法，所述方法对待检测的图像数据进行归一化操作得到归一化后的图像，并查找相应的预测关键点序列；提取归一化后的图像的特征向量，对该特征向量进行降维得到降维特征，将该降维特征按高宽维度展开，得到图像序列特征；基于降维特征的维度计算图像位置编码，将图像序列特征和图像位置编码相加，再共同进行编码得到编码记忆；对预测关键点序列进行特征提取得到解码序列特征；对编码记忆、预测关键点序列的位置编码与解码序列特征进行解码，得到待预测关键点的隐状态向量；将待预测关键点的隐状态向量转化为关键点的坐标。本发明提高了车道线的密集关键点的预测准确率，并实现快速预测。

技术领域

本发明属于车道线检测技术领域，尤其涉及一种基于序列预测的车道线检测系统、装置和方法。

背景技术

车道线检测是无人驾驶视觉感知中的重要技术，目前该领域研究成果集中于单帧图片的使用，基于单帧图片的车道线检测技术主要分为基于分割（segmentation-based）、基于锚点（anchor-based）、按行搜索（row-wise）、参数预测（Parametric Prediction）四大类。

由于车道线检测结果的使用方通常要求车道线通过曲线参数或者曲线关键点的方式给出，因此基于分割、基于锚点和按行搜索方法还需要经过后处理，尤其基于分割方法的后处理更加耗时；参数预测方法的结果需要的后处理较少，目前此类方法如《End-to-endLane Shape Prediction with Transformers》在产生曲线参数的时候，还没有显式的利用已推理出的车道线信息；《Spatial As Deep: Spatial CNN for Traffic SceneUnderstanding》中开源的车道线数据集culane，每张图片按照预定间距划水平线，每条车道线的位置通过其与这些水平线的关键点集合来表示，目前主流的车道线检测算法不直接预测输出这些关键点，而是通过关键点生成分割掩码或者曲线参数，使用前述四大类方法的一类。该方法基于分割方法需要耗时的后处理，基于曲线参数的方法，在引入曲线假设的时候会带入差误。

本发明提出了一种按顺序预测这些密集关键点的方法，可以在快速预测的同时，显式利用已推理出的车道线结构信息，提升准确度。

发明内容

针对现有技术不足，本发明提出了一种基于序列预测的车道线检测系统、装置和方法。

为实现上述目的，本发明的技术方案为：本发明实施例的第一方面提供了一种基于序列预测的车道线检测方法，具体包括以下步骤：

S1，对待检测的图像数据进行归一化操作，得到归一化后的图像，并查找相应的预测关键点序列；

S2，提取归一化后的图像的特征向量，对归一化后的图像的特征向量进行降维得到降维特征，将该降维特征按高宽维度展开，得到图像序列特征；

S3，基于降维特征的维度计算图像位置编码，将图像序列特征和图像位置编码相加，再共同进行编码得到编码记忆；

S4，对步骤S1得到的预测关键点序列进行特征提取，得到解码序列特征；

S5，获取预测关键点序列的位置编码，对编码记忆、预测关键点序列的位置编码与解码序列特征进行解码，得到待预测关键点的隐状态向量；

S6，将待预测关键点的隐状态向量转化为关键点的坐标。

进一步地，所述步骤S1中，查找相应的预测关键点序列的过程具体为：