CN117132955A - 一种车道线的检测方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本发明公开了一种车道线的检测方法、装置、电子设备以及存储介质。该方法包括：将待处理图像输入至车道线检测模型中；通过车道线检测模型对待处理图像进行特征提取，在得到的特征图像中确定至少两个锚向量，其中，锚向量通过射线进行表示；确定与各锚向量匹配的全局特征向量，并在各全局特征向量中确定车道线特征向量；根据车道线特征向量在待处理图像中进行车道线标注，并通过车道线检测模型输出标注后的待处理图像。本发明实施例的技术方案，解决了现有技术中的车道线检测方式，在复杂场景下检测效率慢、检测准确率低的问题，提高了复杂场景下的车道线检测的检测精度和检测速度。

Description

一种车道线的检测方法、装置、电子设备以及存储介质

技术领域

本发明涉及车辆控制技术领域，尤其涉及一种车道线的检测方法、装置、电子设备以及存储介质。

背景技术

自动驾驶车辆通过感知模块感知周围的环境信息，并结合地图模块、规划和控制模块，应对各种复杂的道路场景。车道线检测是自动驾驶车辆中的重要的功能模块，车道线检测结果为车辆的运动规划提供了数据支撑。

传统的车道线检测是基于图像处理实现的，但是，在强光、车道线被遮挡、连续弯道、匝道等复杂场景下，基于图像处理的车道线检测准确率较低。随着深度学习技术的发展，出现了基于深度学习的车道线检测方法：基于语义分割的方法、基于anchor的方法以及基于拟合曲线公式的方法，但是，基于语义分割的方法(例如SCNN(Special ConvolutionalNeural Networks，特殊卷积神经网络)方法)依赖于巨大的骨干网络，检测速度较慢；基于anchor的方法和基于拟合曲线公式的方法对先验信息的依赖性较强，当摄像头俯仰角等参数发生变化时，会导致检测性能快速下降。

发明内容

本发明提供了一种车道线的检测方法、装置、电子设备以及存储介质，以实现提高复杂场景下的车道线检测精度和检测速度。

第一方面，本发明实施例提供了一种车道线的检测方法，该方法包括：

将待处理图像输入至车道线检测模型中；

通过车道线检测模型对待处理图像进行特征提取，在得到的特征图像中确定至少两个锚向量，其中，锚向量通过射线进行表示；

确定与各锚向量匹配的全局特征向量，并在各全局特征向量中确定车道线特征向量；

根据车道线特征向量在待处理图像中进行车道线标注，并通过车道线检测模型输出标注后的待处理图像。

第二方面，本发明实施例还提供了一种车道线的检测装置，该装置包括：

待处理图像输入模块，用于将待处理图像输入至车道线检测模型中；

锚向量确定模块，用于通过车道线检测模型对待处理图像进行特征提取，在得到的特征图像中确定至少两个锚向量，其中，锚向量通过射线进行表示；

车道线特征向量确定模块，用于确定与各锚向量匹配的全局特征向量，并在各全局特征向量中确定车道线特征向量；

车道线标注模块，用于根据车道线特征向量在待处理图像中进行车道线标注，并通过车道线检测模型输出标注后的待处理图像。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如本发明实施例中任一的车道线的检测方法。

第四方面，本发明实施例还提供了一种存储计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一的车道线的检测方法。

本发明实施例的技术方案，通过将待处理图像输入至车道线检测模型中，通过车道线检测模型对待处理图像进行特征提取，在得到的特征图像中确定锚向量，确定各锚向量对应的全局特征向量，在各全局特征向量中确定车道线特征向量，输出根据车道线特征向量进行车道线标注后的待处理图像。解决了现有技术中的车道线检测方式，在复杂场景下检测效率慢、检测准确率低的问题，提高了复杂场景下的车道线检测的检测精度和检测速度。

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

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种车道线的检测方法的流程图；

图2为本发明实施例所适用的结构短路连接方式的示意图；

图3是本发明实施例二提供的另一种车道线的检测方法的流程图；

图4为本发明实施例所适用的特征残差模块双向特征传递的示意图；

图5为本发明实施例所适用的可变形卷积模块的卷积操作示意图；

图6是本发明实施例三提供的一种车道线的检测装置的结构示意图；

图7是本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供了一种车道线的检测方法的流程图，本实施例可适用于进行车道线检测的情况，该方法可以由车道线的检测装置来执行，该车道线的检测装置可以采用硬件和/或软件的形式实现，该车道线的检测装置可配置于电子设备中。

如图1所示，该方法包括：

S110、将待处理图像输入至车道线检测模型中。

待处理图像可以是车辆或车载传感器等设备采集的车辆行驶方向的道路图像。车道线检测模型可以是对待处理图像进行处理，进而标记出待处理图像中车道线的神经网络模型。

在车辆或车载传感器等设备采集到待处理图像后，可以将待处理图像输入至车道线检测模型中，进而实现通过车道线检测模型对待处理图像的处理。

其中，车道线检测模型由resnet18作为主干网络，进而实现在对待处理图像进行处理时，能够在不影响处理结果准确性的情况下，提高对待处理图像的处理效率。

除此之外，在利用resnet作为主干网络，若在resnet之前网络进行过多次卷积操作后，容易出现信息丢失和梯度***等问题，阻碍网络的收敛，从而导致随网络深度的加深而出现网络无法训练的问题。

图2为本发明实施例所适用的结构短路连接方式的示意图。参见图2，因此resnet18将在网络中增加直连通道，进而使得网络结构出现短接，从而保留一定比例的之前部分的网络的输出。为更好理解，可以利用数学表示进行表示为H(x)转换为F(x)+x。其中，对F(x)进行优化要简单于H(x)，因此，该方法不会导致网络增加计算参数与计算数据量，进而解决了随网络层数的增加，而出现网络无法训练的问题。

S120、通过车道线检测模型对待处理图像进行特征提取，在得到的特征图像中确定至少两个锚向量。

其中，锚向量通过射线进行表示。

特征图像可以是对待处理图像进行特征提取后得到的图像。锚向量可以是由特征图像中各个网格为起点，向不同方向发出的射线。

在将待处理图像输入至车道线检测模型中后，车道线检测模型会对待处理图像进行特征提取，进而确定出待处理图像对应的特征图像。

其中，在确定特征图像中的锚向量时，由于车道线在待处理图像中显示为直线，且在车辆正常行驶时，在车载摄像头等道路图像采集设备的视角中，车道线的起点均为前视图的下方、右方和左方，因此需要利用射线对锚向量进行表示，从而使得对锚向量的确定更为准确。

对于利用射线对锚向量进行表示时，需要预先将特征图像进行区域划分，并在特征图像中下方、右方和左方上的每一个区域中确定一个基点，以基点为原点向各个方向发出多条射线，并确定每一条射线的置信度，若射线超出特征图像中特征范围，则删除该射线。其中，特征范围可以是特征图像中车道线所处的区域。

通过车道线检测模型对待处理图像进行特征提取，在得到的特征图像中确定至少两个锚向量，使得在确定至少两个锚向量时，能够提高确定锚向量的确定效率，进而为***的实时运转提供一定的保障。

S130、确定与各锚向量匹配的全局特征向量，并在各全局特征向量中确定车道线特征向量。

全局特征向量可以是具有全局信息的锚向量。车道线特征向量可以是特征图像中与车道线位置相同的特征向量。

在得到至少两个锚向量后，由于锚向量之间彼此独立，因此需要确定不同锚向量之间的关系。因此需要依据特征范围，确定与各锚向量匹配的全局特征向量，进而确定出车道线特征向量。

通过确定与各锚向量匹配的全局特征向量，并在各全局特征向量中确定车道线特征向量，使得在确定了锚向量后，可以确定出较为准确的全局特征向量，进而使得确定出的车道线特征向量准确性更高。

S140、根据车道线特征向量在待处理图像中进行车道线标注，并通过车道线检测模型输出标注后的待处理图像。

在得到车道线特征向量后，可以确定待处理图像中车道线的所处位置以及所代表的含义，因此可以直接将车道线的位置标注在待处理图像中，并通过车道线检测模型输出标注后的待处理图像。

本发明实施例的技术方案，通过将待处理图像输入至车道线检测模型中，通过车道线检测模型对待处理图像进行特征提取，在得到的特征图像中确定锚向量，确定各锚向量对应的全局特征向量，在各全局特征向量中确定车道线特征向量，输出根据车道线特征向量进行车道线标注后的待处理图像。解决了现有技术中的车道线检测方式，在复杂场景下检测效率慢、检测准确率低的问题，提高了复杂场景下的车道线检测的检测精度和检测速度。

实施例二

图3为本发明实施例二提供的另一种车道线的检测方法的流程图，本发明实施例在上述实施例的基础上，对确定锚向量的过程以及确定锚向量的全局特征向量的过程进行了进一步的具体化，并加入了特征增强的步骤。

如图3所示，该方法包括：

S210、根据基于二分类交叉熵的分类任务损失函数和基于最小绝对值偏差的车道线损失函数，对预设的深度神经网络模型进行训练，得到车道线检测模型。

基于二分类交叉熵的分类任务损失函数可以是用以对样本进行均衡划分的损失函数。基于最小绝对值偏差的车道线损失函数可以是对确定的向量进行坐标矫正的损失函数。

在将待处理图像输入至车道线检测模型前，需要训练车道线检测模型。因此需要在预设的深度神经网络模型中，通过二分类交叉熵的分类任务损失函数和基于最小绝对值偏差的车道线损失函数进行训练，进而使得确定的车道线检测模型能够避免由于样本分布不均而导致车道线检测模型计算结果存在较大误差的问题，也使得确定的车道线检测模型能够在对待处理图像进行处理，确定锚向量、全局特征向量以及车道线特征向量时，更为准确，进而减少***的误差。

其中，二分类交叉熵的分类任务损失函数可以是Focal Loss损失函数，可用以解决样本数量分布不均的问题。最小绝对值偏差的车道线损失函数可以是Smooth L1 Loss损失函数，可用以实现对坐标偏移量进行回归。

S220、将待处理图像输入至车道线检测模型中。

S230、通过车道线检测模型对待处理图像进行特征提取。

S240、通过车道线检测模型的特征残差模块，对特征图像进行特征增强，在得到的特征图像中确定至少两个锚向量。

其中，所述锚向量通过射线进行表示。

其中，特征残差模块的特征传递方式为双向特征传递。

特征残差模块用于对特征图像中的特征进行特征增强，特征残差模块可以在单个通道的不同方向上聚集空间信息。

图4为本发明实施例所适用的特征残差模块双向特征传递的示意图。参考图4，在通过车道线检测模型对待处理图像进行特征提取后，由于车道线为细长的形式，通过车道线检测模型的主干网络进行特征提取后，提取得到的特征进行车道线检测的效果较差，因此，针对车道线检测的场景，需要利用车道线检测模型的特征残差模块对特征图像进行特征增强。

其中，特征增强的具体方法为：

参见图4，图中C表示特征图像通道数量，H表示特征图像的高度，W表示特征图像的宽度。确定特征图像中每一个特征对应的C、H以及W的具体数值，并将特征图像中每一个特征对应的C、H以及W的具体数值，分别从上至下与从下至上进行特征传递，进一步提取车道线特征。

通过特征残差模块进行双向的特征传递，提取了更加丰富的空间特征，使特征图像更加适用于进行车道线的检测，提高了车道线检测的准确性。。

S250、通过车道线检测模型的可变形卷积模块，对特征图像进行卷积操作。

可变形卷积模块是对特征图像进行卷积操作的模块，并且卷积操作的位置是可变形的，可变性卷积模块能够更准确的提取得到想要的特征。具体的，将特征图像分成至少一个与卷积核大小相同的部分，然后进行卷积操作，且划分的部分在特征图像上的位置因特征图像的差异而存在一定变化。

图5为本发明实施例所适用的可变形卷积模块的卷积操作示意图。参见图5，图5中(a)为常规卷积操作的示意图，(b)(c)(d)为可变形卷积模块的卷积示意图。在确定至少两个锚向量之后，由于特征图像随网络深度的加深，将不断减少特征图像的尺寸，因此将影响对特征图像中车道线的确定。为解决上述问题，需要利用可变形卷积模块对图像进行卷积操作，从而提高特征图像中特征确定结果的准确性，进而减少***的整体误差。

S260、确定特征图像的左边界、右边界以及底边上的特征点。

S270、对各特征点，分别确定预设数量个锚向量。

左边界可以是在特征图像左侧的边界。右边界可以是在特征图像右侧的边界。底边可以是在特征图像下侧的边界。特征点可以是在特征图像边界中车道线的起始点。

在确定特征图像中的锚向量时，由于车辆正常行驶在路面时，在车载摄像头等设备在拍摄前方路面时，车道线的起点通常在前视图的下方、左方和右方，因此根据该先验指示，可以确定车道线的起始点通常分布在特征图像的左边界、右边界以及底边上，也即，可以将左边界、右边界以及底边上的各像素点作为特征点，也可以对于左边界、右边界以及底边上的各像素点，每隔预设数量个像素点确定一个像素点作为特征点。

在一种可选方案中，在对各特征点，分别确定预设数量个锚向量之后，还包括：

根据极大值抑制方法和预先设置的数量阈值，筛选得到预先设置的数量阈值个锚向量。

极大值抑制方法可以是在不影响确定的锚向量的同时，尽可能的减少其他无关向量的个数的方法。

为尽可能减少运算的数据量，从而提高计算效率，因此在确定锚向量时，将通过极大值抑制方法和预先设置的数量阈值，对确定的锚向量进行筛选，从而将锚向量中与车道线的特征无关的锚向量筛选掉，进而得到预先设置的数量阈值个锚向量，从而实现数据量的减少与计算效率的提高。

在一种可选方案中，确定与各锚向量匹配的全局特征向量，可包括步骤A1-A2：

步骤A1、根据激活函数，确定目标锚向量分别与各锚向量中除目标锚向量之外的其他锚向量之间的权重。

步骤A2、将各其他锚向量与对应的权重的乘积之和，作为与目标锚向量匹配的全局特征向量。

激活函数可以是用以确定锚向量之前权重值大小的函数。目标锚向量可以是需要确定与其他锚向量关系的锚向量。

在得到预设数量个锚向量后，可以将预设数量个锚向量分别输入到激活函数中，确定出各个锚向量与其他锚向量之间的权重，并依据对应权重，确定出目标锚向量所匹配的全局特征向量。

其中，激活函数可以是softmax函数，可用于确定某一节点与其他节点之间的权重关系。

S280、确定与各锚向量匹配的全局特征向量，并在各全局特征向量中确定车道线特征向量。

S290、根据车道线特征向量在待处理图像中进行车道线标注，并通过车道线检测模型输出标注后的待处理图像。

本发明实施例的技术方案，通过根据基于二分类交叉熵的分类任务损失函数和基于最小绝对值偏差的车道线损失函数，对预设的深度神经网络模型进行训练，得到车道线检测模型，进而使得确定的车道线检测模型能够避免由于样本分布不均而导致车道线检测模型计算结果存在较大误差的问题，也使得确定的车道线检测模型能够在对待处理图像进行处理，确定锚向量、全局特征向量以及车道线特征向量时，更为准确，进而减少***的误差。通过车道线检测模型的特征残差模块，对特征图像进行特征增强，在得到的特征图像中确定至少两个锚向量，使得确定出特征图像的特征更加明显，进而导致确定出的至少两个锚向量能够更加准确的同时，提高***的运算效率。通过车道线检测模型的可变形卷积模块，对特征图像进行卷积操作提高特征图像中特征确定结果的准确性，进而减少***的整体误差。

实施例三

图6为本发明实施例三提供的一种车道线的检测装置的结构示意图。

如图6所示，该装置包括：

待处理图像输入模块310，用于将待处理图像输入至车道线检测模型中；

锚向量确定模块320，用于通过车道线检测模型对待处理图像进行特征提取，在得到的特征图像中确定至少两个锚向量，其中，锚向量通过射线进行表示；

车道线特征向量确定模块330，用于确定与各锚向量匹配的全局特征向量，并在各全局特征向量中确定车道线特征向量；

车道线标注模块340，用于根据车道线特征向量在待处理图像中进行车道线标注，并通过车道线检测模型输出标注后的待处理图像。

本发明实施例的技术方案，通过将待处理图像输入至车道线检测模型中，通过车道线检测模型对待处理图像进行特征提取，在得到的特征图像中确定锚向量，确定各锚向量对应的全局特征向量，在各全局特征向量中确定车道线特征向量，输出根据车道线特征向量进行车道线标注后的待处理图像。解决了现有技术中的车道线检测方式，在复杂场景下检测效率慢、检测准确率低的问题，提高了复杂场景下的车道线检测的检测精度和检测速度。

在上述实施例的基础上，可选的，在锚向量确定模块320之后，该装置还包括：

特征增强模块，用于通过所述车道线检测模型的特征残差模块，对所述特征图像进行特征增强；

其中，所述特征残差模块的特征传递方式为双向特征传递。

在上述实施例的基础上，可选的，在锚向量确定模块320之后，该装置还包括：

卷积操作模块，用于通过所述车道线检测模型的可变形卷积模块，对所述特征图像进行卷积操作。

在上述实施例的基础上，可选的，锚向量确定模块320，包括：

特征点确定单元，用于确定特征图像的左边界、右边界以及底边上的特征点；

锚向量获取单元，用于对各特征点，分别确定预设数量个锚向量。

在上述实施例的基础上，可选的，再锚向量获取单元之后，该模块还包括：

锚向量筛选单元，用于根据极大值抑制方法和预先设置的数量阈值，筛选得到预先设置的数量阈值个锚向量。

在上述实施例的基础上，可选的，车道线特征向量确定模块330，包括：

锚向量权重获取单元，用于根据激活函数，确定目标锚向量分别与各锚向量中除目标锚向量之外的其他锚向量之间的权重；

全局特征向量获取单元，用于将各其他锚向量与对应的权重的乘积之和，作为与目标锚向量匹配的全局特征向量。

在上述实施例的基础上，可选的，在待处理图像输入模块310之前，该装置还包括：

模型训练模块，用于根据基于二分类交叉熵的分类任务损失函数和基于最小绝对值偏差的车道线损失函数，对预设的深度神经网络模型进行训练，得到车道线检测模型。

本发明实施例所提供的车道线的检测装置可执行本发明任意实施例所提供的车道线的检测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(中央处理器)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如车道线的检测方法。

在一些实施例中，车道线的检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的车道线的检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车道线的检测方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种车道线的检测方法，其特征在于，包括：

将待处理图像输入至车道线检测模型中；

通过所述车道线检测模型对所述待处理图像进行特征提取，在得到的特征图像中确定至少两个锚向量，其中，所述锚向量通过射线进行表示；

确定与各锚向量匹配的全局特征向量，并在各全局特征向量中确定车道线特征向量；

根据所述车道线特征向量在所述待处理图像中进行车道线标注，并通过所述车道线检测模型输出标注后的待处理图像。

2.根据权利要求1所述的方法，其特征在于，在通过所述车道线检测模型对所述待处理图像进行特征提取之后，还包括：

通过所述车道线检测模型的特征残差模块，对所述特征图像进行特征增强；

其中，所述特征残差模块的特征传递方式为双向特征传递。

3.根据权利要求1所述的方法，其特征在于，在通过所述车道线检测模型对所述待处理图像进行特征提取之后，还包括：

通过所述车道线检测模型的可变形卷积模块，对所述特征图像进行卷积操作。

4.根据权利要求1所述的方法，其特征在于，在得到的特征图像中确定至少两个锚向量，包括：

确定特征图像的左边界、右边界以及底边上的特征点；

对各特征点，分别确定预设数量个锚向量。

5.根据权利要求4所述的方法，其特征在于，在对各特征点，分别确定预设数量个锚向量之后，还包括：

根据极大值抑制方法和预先设置的数量阈值，筛选得到预先设置的数量阈值个锚向量。

6.根据权利要求5所述的方法，其特征在于，确定与各锚向量匹配的全局特征向量，包括：

根据激活函数，确定目标锚向量分别与各锚向量中除目标锚向量之外的其他锚向量之间的权重；

将各其他锚向量与对应的权重的乘积之和，作为与目标锚向量匹配的全局特征向量。

7.根据权利要求1所述的方法，其特征在于，在将待处理图像输入至车道线检测模型中之前，还包括：

根据基于二分类交叉熵的分类任务损失函数和基于最小绝对值偏差的车道线损失函数，对预设的深度神经网络模型进行训练，得到车道线检测模型。

8.一种车道线的检测装置，其特征在于，包括：

待处理图像输入模块，用于将待处理图像输入至车道线检测模型中；

锚向量确定模块，用于通过所述车道线检测模型对所述待处理图像进行特征提取，在得到的特征图像中确定至少两个锚向量，其中，所述锚向量通过射线进行表示；

车道线特征向量确定模块，用于确定与各锚向量匹配的全局特征向量，并在各全局特征向量中确定车道线特征向量；

车道线标注模块，用于根据所述车道线特征向量在所述待处理图像中进行车道线标注，并通过所述车道线检测模型输出标注后的待处理图像。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的车道线的检测方法。

10.一种存储计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的车道线的检测方法。