车道线分类方法、装置、电子设备及存储介质与流程
1.本技术涉及自动驾驶技术领域，特别涉及一种车道线分类方法、装置、电子设备及存储介质。
背景技术：
2.关于车道线分类的方法，当前主要分为两大类方法，第一类基于传统的视觉方案，按照规则的方法确定车道线的类别。第二大类采用深度学习的方案，通过监督学习训练一个判别模型对车道线进行分类。
3.相关技术通过输入图像根据车道线定位网络提取到车道线的位置，对图像中的车道线进行定位，并根据每个车道线的位置提取对应的特征，每个车道线特征会输入到车道线分类网络，从而得到车道线的分类结果。
4.然而，相关技术通过定位网络的预测结果提取车道线分类网络的特征会影响车道线分类网络的训练输入，会导致训练收敛变慢，且忽略了的车道线的形状信息，未能保留到完整车道线原始的信息，无法直接用于自动驾驶的实际场景中。
技术实现要素：
5.本技术提供一种车道线分类方法、装置、电子设备及存储介质，以解决相关技术在车道线分类网络训练特征提取过程中会忽略车道线的完整形状信息，导致车道线分类准确性差，可识别车道线类别少等问题。
6.本技术第一方面实施例提供一种车道线分类方法，包括以下步骤：采集车辆所处道路周边的车道线图像；从所述车道线图像中提取至少一个车道线特征；将所述至少一个车道线特征输入至入预先训练的车道线分类网络，输出所述所处道路的实际车道线类别，其中，所述车道线分类网络基于携带有车道线类别标签的训练样本训练得到。
7.根据上述技术手段，本技术实施例可以从车辆所处道路周边的车道线图像中提取车道线特征，并输入到预先训练的车道线分类网络，从而得到车辆所处道路的实际车道线类别，在保留车道线形状的情况下，可以进行更多类别的分类，分类效果好，并通过直接读取车道线检测标签进行训练，训练难度低。
8.可选的，在本技术的一个实施例中，所述车道线分类网络基于携带有车道线类别标签的训练样本训练得到，包括：获取携带有车道线类别标签的训练样本，其中，所述训练样本包括多张训练图片；将所述训练样本的边界进行填充，使得所述多张训练图像的尺寸相同；将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值；根据所述损失值修正所述待训练的车道线分类网络，直到所述损失值小于预设值或者所述车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的所述车道线分类网络。
9.根据上述技术手段，本技术实施例可以将训练样本的边界进行填充得到相同的图像尺寸，输入到待训练的车道线分类网络得到训练图像的车道线类别，利用车道线类别标
签计算训练的损失值并对车道线分类网络进行训练，使得到的车道线分类网络可以直接读取标签的数据，保证训练数据的可靠性。
10.可选的，在本技术的一个实施例中，在获取携带有车道线类别标签的训练样本之前，包括：获取携带有车道线类别标签的多张车道线图片；识别每张车道线图片中每一条车道线实例的掩膜区域，遍历每一条车道线实例的掩膜区域，提取每一个车道线的完整区域；根据所述掩膜区域中掩膜第一角点和第二角点生成车道线框区域，利用所述车道线框区域从所述多张车道线图片提取车道线感兴趣区域；利用所述车道线感兴趣区域将每张车道线图片的尺寸缩小至预设尺寸，并基于车道线图片的车道线类别标签，得到所述训练样本。
11.根据上述技术手段，本技术实施例可以根据每张图像中车道线的标注结果，识别每一条车道线实例的掩膜区域，并确定一个车道线框区域，缩小车道线实例的图像大小，最终形成一个训练样本，提高了训练样本的生成过程中的可靠性，进一步保证了车道线分类的准确性。
12.可选的，在本技术的一个实施例中，在将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值之前，还包括：读取所述训练图像和所述车道线类别标签；随机旋转所述训练图像和所述车道线类别标签至预设角度，得到旋转后的训练图像和车道线类别标签。
13.根据上述技术手段，本技术实施例可以读取训练集的图像和标签，对训练集的数据和标签采用随机旋转一个小角度的方式，得到旋转后的训练图像和车道线类别标签，通过增加了数据增强的过程，进一步保证了车道线分类结果的准确性。
14.可选的，在本技术的一个实施例中，在将尺寸相同的训练图像输入待训练的车道线分类网络之后，还包括：在所述车道线分类网络的空间金字塔池化层前去掉所述多张训练图像的冗余部分图像特征，得到非冗余部分图像特征；基于所述非冗余部分图像特征构建空间金字塔池化层，利用所述空间金字塔池化层将所述冗余部分图像特征输入所述车道线分类网络的全连接层。
15.根据上述技术手段，本技术实施例可以在空间金字塔池化层前将加边部分的特征去掉，去掉冗余计算部分，使去掉冗余部分的图像能够以不同的尺寸输入到全连接层，使车道线特征能够最大程度的保留，进一步提高车道线的分类效果。
16.本技术第二方面实施例提供另一种车道线分类方法，包括：获取携带有车道线类别标签的训练样本，其中，所述训练样本包括多张训练图片；将所述训练样本的边界进行填充，使得所述多张训练图像的尺寸相同；将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值；根据所述损失值修正所述待训练的车道线分类网络，直到所述损失值小于预设值或者所述车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的所述车道线分类网络，以利用所述车道线分类网络输出车道线图片中车道线的实际车道线类别。
17.根据上述技术手段，本技术实施例可以通过训练样本对车道线分类网络进行训练并修正，直到满足预设收敛条件时，停止训练，从而利用训练完成的车道线分类网络输出车道线的实际车道线类别，准确性高，分类效果好。
18.本技术第三方面实施例提供一种车道线分类装置，包括：采集模块，用于采集车辆所处道路周边的车道线图像；提取模块，用于从所述车道线图像中提取至少一个车道线特
征；第一分类模块，用于将所述至少一个车道线特征输入至入预先训练的车道线分类网络，输出所述所处道路的实际车道线类别，其中，所述车道线分类网络基于携带有车道线类别标签的训练样本训练得到。
19.可选的，在本技术的一个实施例中，所述第一分类模块，进一步用于获取携带有车道线类别标签的训练样本，其中，所述训练样本包括多张训练图片；将所述训练样本的边界进行填充，使得所述多张训练图像的尺寸相同；将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值；根据所述损失值修正所述待训练的车道线分类网络，直到所述损失值小于预设值或者所述车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的所述车道线分类网络。
20.可选的，在本技术的一个实施例中，还包括：第一处理单元，用于，在获取携带有车道线类别标签的训练样本之前，获取携带有车道线类别标签的多张车道线图片；识别每张车道线图片中每一条车道线实例的掩膜区域，遍历每一条车道线实例的掩膜区域，提取每一个车道线的完整区域；根据所述掩膜区域中掩膜第一角点和第二角点生成车道线框区域，利用所述车道线框区域从所述多张车道线图片提取车道线感兴趣区域；利用所述车道线感兴趣区域将每张车道线图片的尺寸缩小至预设尺寸，并基于车道线图片的车道线类别标签，得到所述训练样本。
21.可选的，在本技术的一个实施例中，还包括：旋转单元，用于在将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值之前，读取所述训练图像和所述车道线类别标签；随机旋转所述训练图像和所述车道线类别标签至预设角度，得到旋转后的训练图像和车道线类别标签。
22.可选的，在本技术的一个实施例中，还包括：第二处理单元，用于将尺寸相同的训练图像输入待训练的车道线分类网络之后，在所述车道线分类网络的空间金字塔池化层前去掉所述多张训练图像的冗余部分图像特征，得到非冗余部分图像特征；基于所述非冗余部分图像特征构建空间金字塔池化层，利用所述空间金字塔池化层将所述冗余部分图像特征输入所述车道线分类网络的全连接层。
23.本技术第四方面实施例提供另一种车道线分类装置，包括：获取模块，用于获取携带有车道线类别标签的训练样本，其中，所述训练样本包括多张训练图片；填充模块，用于将所述训练样本的边界进行填充，使得所述多张训练图像的尺寸相同；计算模块，用于将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值；第二分类模块，用于根据所述损失值修正所述待训练的车道线分类网络，直到所述损失值小于预设值或者所述车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的所述车道线分类网络，以利用所述车道线分类网络输出车道线图片中车道线的实际车道线类别。
24.本技术第五方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的车道线分类方法。
25.本技术第六方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，
该程序被处理器执行，以用于实现如上述实施例所述的车道线分类方法。
26.由此，本技术至少具有如下有益效果：
27.1、本技术实施例可以从车辆所处道路周边的车道线图像中提取车道线特征，并输入到预先训练的车道线分类网络，从而得到车辆所处道路的实际车道线类别，在保留车道线形状的情况下，可以进行更多类别的分类，分类效果好，并通过直接读取车道线检测标签进行训练，训练难度低。
28.2、本技术实施例可以将训练样本的边界进行填充得到相同的图像尺寸，输入到待训练的车道线分类网络得到训练图像的车道线类别，利用车道线类别标签计算训练的损失值并对车道线分类网络进行训练，使得到的车道线分类网络可以直接读取标签的数据，保证训练数据的可靠性。
29.3、本技术实施例可以根据每张图像中车道线的标注结果，识别每一条车道线实例的掩膜区域，并确定一个车道线框区域，缩小车道线实例的图像大小，最终形成一个训练样本，提高了训练样本的生成过程中的可靠性，进一步保证了车道线分类的准确性。
30.4、本技术实施例可以读取训练集的图像和标签，对训练集的数据和标签采用随机旋转一个小角度的方式，得到旋转后的训练图像和车道线类别标签，通过增加了数据增强的过程，进一步保证了车道线分类结果的准确性。
31.5、本技术实施例可以在空间金字塔池化层前将加边部分的特征去掉，去掉冗余计算部分。让去掉冗余部分的图像能够以不同的尺寸输入到全连接层，使车道线特征能够最大程度的保留，进一步提高车道线的分类效果。
32.6、本技术实施例可以通过训练样本对车道线分类网络进行训练并修正，直到满足预设收敛条件时，停止训练，从而利用训练完成的车道线分类网络输出车道线的实际车道线类别，准确性高，分类效果好。
33.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
34.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
35.图1为根据本技术实施例提供的一种车道线分类方法的流程图；
36.图2为根据本技术实施例提供的车道线分类方法中特征提取示意图；
37.图3为根据本技术实施例提供的车道线分类网络结构图；
38.图4为根据本技术实施例提供的不同场景下的车道线分类网络的结果图；
39.图5为根据本技术实施例提供的另一种车道线分类方法的流程图；
40.图6为根据本技术实施例提供的一种车道线分类装置的方框示意图；
41.图7为根据本技术实施例提供的另一种车道线分类装置的方框示意图；
42.图8为根据本技术实施例的电子设备的结构示意图。
43.附图标记说明：采集模块-100、提取模块-200、第一分类模块-300、获取模块-400、填充模块-500、计算模块-600、第二分类模块-700、存储器-801、处理器-802、通信接口-803。
具体实施方式
44.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
45.下面参考附图描述本技术实施例的车道线分类方法、装置、电子设备及存储介质。针对上述背景技术中提到的问题，本技术提供了一种车道线分类方法，在该方法中，通过从车辆所处道路周边的车道线图像中提取车道线特征，并输入到预先训练的车道线分类网络，从而得到车辆所处道路的实际车道线类别，在保留车道线形状的情况下，可以进行更多类别的分类，分类效果好，并通过直接读取车道线检测标签进行训练，训练难度低。由此，解决了相关技术在车道线分类网络训练特征提取过程中会忽略车道线的完整形状信息，导致车道线分类效果差，可识别车道线类别少等问题。
46.具体而言，图1为本技术实施例所提供的一种车道线分类方法的流程示意图。
47.如图1所示，该车道线分类方法包括以下步骤：
48.在步骤s101中，采集车辆所处道路周边的车道线图像。
49.为了能够准确提取车道线图像中的车道线特征，实现对车道线的准确分类，本技术实施例首先可以采集车辆所处道路周边的车道线图像。在实际执行过程中，本技术实施例可以通过自动驾驶车辆自带或者后续安装的摄像头等，通过自带摄像头进行采集，操作简单，通过后续安装的摄像头进行采集，可以实现更高清晰度的成像，提高车道线识别精度。对此，本领域技术人员可以根据实际情况进行设置，不作具体限定。
50.在步骤s102中，从车道线图像中提取至少一个车道线特征。
51.其中，车道线特征可以为路面上的标识，如单白实线、双白实线、单白虚线等等。
52.通过上述实施例采集到车辆所处道路周边的车道线图像后，如图2所示，本技术实施例可以利用图像识别技术或目标检测算法等，对车道线特征进行提取，对此，本领域技术人员可以根据实际情况进行设置，不作具体限定。
53.在步骤s103中，将至少一个车道线特征输入至入预先训练的车道线分类网络，输出所处道路的实际车道线类别，其中，车道线分类网络基于携带有车道线类别标签的训练样本训练得到。
54.具体而言，本技术实施例可以将提取到的车道线特征输入至训练完成的车道线分类网络，从而得到车辆当前所处道路的实际车道线类别，识别率高，计算时间少，可以满足自动驾驶领域实时性的要求。
55.在本技术的一个实施例中，车道线分类网络基于携带有车道线类别标签的训练样本训练得到，包括：获取携带有车道线类别标签的训练样本，其中，训练样本包括多张训练图片；将训练样本的边界进行填充，使得多张训练图像的尺寸相同；将尺寸相同的训练图像输入待训练的车道线分类网络，输出训练图像的车道线类别，并根据车道线类别标签计算训练的损失值；根据损失值修正待训练的车道线分类网络，直到损失值小于预设值或者车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的车道线分类网络。
56.本技术实施例的车道线分类网络可以是基于vgg16(visual geometry group，视觉几何网络)网络进行修改，在网络中增加了通过空间注意力机制，在训练过程中使得网络更加关注到车道线的区域，忽略掉周边背景区域，其结构如图3所示。
57.可以理解的是，本技术实施例可以通过获取携带有车道线类别标签的多张训练图片，并将训练样本的边界进行填充得到相同的图像尺寸，向更改后的vgg16网络模型输入训练样本数据，通过如下公式计算输入图像的损失值，当分类网络的损失最小并达到收敛的状态时，就停止车道线分类网络训练，从而得到训练完成的车道线分类网络，本技术实施例中不同场景下的车道线分类网络的结果如图4所示。
[0058][0059]
其中，x表示网络的输出向量，class是真实标签，j表示第j个类别的预测值。
[0060]
在本技术实施例中，当前车道线分类网络可以分为10个类别，在不同图像尺寸下的精度如表1所示，更大的分辨率会提升车道线分类网络的准确率；本技术实施例在10个类别的识别任务上取得了较高的准确性，并且网络结构不复杂，计算时间相对较小，可以满足自动驾驶领域实时性的要求。其中，表1为车道线分类网络类别表。
[0061]
表1
[0062]
类别准确率(128*128)准确率(256*256)单白实线0.9030.931单白虚线0.8370.886单黄实线0.7920.822单黄虚线0.7680.8双白实线0.8250.841双实黄白0.7930.83双黄实线0.810.84双黄虚线0.7830.81双白左实右虚0.7920.81双百左虚右实0.810.83
[0063]
在本技术的一个实施例中，在获取携带有车道线类别标签的训练样本之前，包括：获取携带有车道线类别标签的多张车道线图片；识别每张车道线图片中每一条车道线实例的掩膜区域，遍历每一条车道线实例的掩膜区域，提取每一个车道线的完整区域；根据掩膜区域中掩膜第一角点和第二角点生成车道线框区域，利用车道线框区域从多张车道线图片提取车道线感兴趣区域；利用车道线感兴趣区域将每张车道线图片的尺寸缩小至预设尺寸，并基于车道线图片的车道线类别标签，得到训练样本。
[0064]
可以理解的是，本技术实施例可以根据每张图像中车道线的标注结果，获取每一条车道线实例的掩膜区域，遍历每一条车道线实例的掩膜区域，提取每一个车道线的完整区域，根据掩膜的坐标范围掩膜的左上角点和右下角点，确定一个车道线框区域，并提取车道线roi区域缩小车道线实例的图像大小，最终形成一个训练样本，提高了训练样本的生成过程中的可靠性，进一步保证了车道线分类的准确性。
[0065]
在本技术的一个实施例中，在将尺寸相同的训练图像输入待训练的车道线分类网络，输出训练图像的车道线类别，并根据车道线类别标签计算训练的损失值之前，还包括：读取训练图像和车道线类别标签；随机旋转训练图像和车道线类别标签至预设角度，得到
旋转后的训练图像和车道线类别标签。
[0066]
其中，预设角度可以根据实际情况具体设置，不作具体限定。
[0067]
可以理解的是，获取车道线的标注数据，可以划分为训练集、验证集、测试集，而本技术实施例可以通过读取训练集的图像和标签，对训练集的数据和标签采用随机旋转一个小角度的方式进行数据增强，可以有效提高车道线分类结果的准确性。
[0068]
在本技术的一个实施例中，在将尺寸相同的训练图像输入待训练的车道线分类网络之后，还包括：在车道线分类网络的空间金字塔池化层前去掉多张训练图像的冗余部分图像特征，得到非冗余部分图像特征；基于非冗余部分图像特征构建空间金字塔池化层，利用空间金字塔池化层将冗余部分图像特征输入车道线分类网络的全连接层。
[0069]
可以理解的是，将车道线提取出来后对边界进行补充统一成相同的大小输入待训练的车道线分类网络之后，本技术实施例可以在空间金字塔池化层前将加边部分的特征去掉，去掉冗余计算部分。通过构建空间金字塔池化层，使非冗余部分的图像能够以不同的尺寸输入到全连接层，特征能够最大程度的保留。
[0070]
在实际执行过程中，为了保留图像特征图的大小，本技术实施例可以对maxpooling层的stride设置为1，最后将输出的结果输入全连接层，由全连接层输出车道线的分类结果。
[0071]
根据本技术实施例提出的一种车道线分类方法，通过从车辆所处道路周边的车道线图像中提取车道线特征，并输入到预先训练的车道线分类网络，从而得到车辆所处道路的实际车道线类别，在保留车道线形状的情况下，可以进行更多类别的分类，分类效果好，并通过直接读取车道线检测标签进行训练，训练难度低。由此，解决了相关技术在车道线分类网络训练特征提取过程中会忽略车道线的完整形状信息，导致车道线分类效果差，可识别车道线类别少等问题。
[0072]
基于上述实施例的车道线分类方法，上述实施例主要阐述车道线分类的在线应用，本技术实施例还提出了另一种车道线分类方法，用于说明如何进行离线训练，本技术实施例和上述实施例在描述内容上各有侧重，各实施例之间对于未尽述步骤可相互参考。
[0073]
具体而言，如图5所示，该车道线分类方法包括以下步骤：
[0074]
在步骤s501中，获取携带有车道线类别标签的训练样本，其中，训练样本包括多张训练图片；
[0075]
在步骤s502中，将训练样本的边界进行填充，使得多张训练图像的尺寸相同；
[0076]
在步骤s503中，将尺寸相同的训练图像输入待训练的车道线分类网络，输出训练图像的车道线类别，并根据车道线类别标签计算训练的损失值；
[0077]
在步骤s504中，根据损失值修正待训练的车道线分类网络，直到损失值小于预设值或者车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的车道线分类网络，以利用车道线分类网络输出车道线图片中车道线的实际车道线类别。
[0078]
根据本技术实施例提出另一种车道线分类方法，通过获取携带有车道线类别标签的训练样本，根据训练样本对车道线分类网络进行训练并修正，直到满足预设收敛条件时，停止训练，从而利用训练完成的车道线分类网络输出车道线的实际车道线类别，准确性高，分类效果好。由此，解决了相关技术在车道线分类网络训练特征提取过程中会忽略车道线的完整形状信息，导致车道线分类效果差，可识别车道线类别少等问题。
[0079]
其次参照附图描述根据本技术实施例提出的车道线分类装置。
[0080]
图6是本技术实施例的一种车道线分类装置的方框示意图。
[0081]
如图6所示，该车道线分类装置10包括：采集模块100、提取模块200和第一分类模块300。
[0082]
其中，采集模块100，用于采集车辆所处道路周边的车道线图像；提取模块200，用于从车道线图像中提取至少一个车道线特征；第一分类模块300，用于将至少一个车道线特征输入至入预先训练的车道线分类网络，输出所处道路的实际车道线类别，其中，车道线分类网络基于携带有车道线类别标签的训练样本训练得到。
[0083]
在本技术的一个实施例中，第一分类模块，进一步用于获取携带有车道线类别标签的训练样本，其中，训练样本包括多张训练图片；将训练样本的边界进行填充，使得多张训练图像的尺寸相同；将尺寸相同的训练图像输入待训练的车道线分类网络，输出训练图像的车道线类别，并根据车道线类别标签计算训练的损失值；根据损失值修正待训练的车道线分类网络，直到损失值小于预设值或者车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的车道线分类网络。
[0084]
在本技术的一个实施例中，本技术实施例的装置10还包括：第一处理单元，用于在获取携带有车道线类别标签的训练样本之前，获取携带有车道线类别标签的多张车道线图片；识别每张车道线图片中每一条车道线实例的掩膜区域，遍历每一条车道线实例的掩膜区域，提取每一个车道线的完整区域；根据掩膜区域中掩膜第一角点和第二角点生成车道线框区域，利用车道线框区域从多张车道线图片提取车道线感兴趣区域；利用车道线感兴趣区域将每张车道线图片的尺寸缩小至预设尺寸，并基于车道线图片的车道线类别标签，得到训练样本。
[0085]
在本技术的一个实施例中，本技术实施例的装置10还包括：旋转单元，用于在将尺寸相同的训练图像输入待训练的车道线分类网络，输出训练图像的车道线类别，并根据车道线类别标签计算训练的损失值之前，读取训练图像和车道线类别标签；随机旋转训练图像和车道线类别标签至预设角度，得到旋转后的训练图像和车道线类别标签。
[0086]
在本技术的一个实施例中，本技术实施例的装置10还包括：第二处理单元，用于将尺寸相同的训练图像输入待训练的车道线分类网络之后，在车道线分类网络的空间金字塔池化层前去掉多张训练图像的冗余部分图像特征，得到非冗余部分图像特征；基于非冗余部分图像特征构建空间金字塔池化层，利用空间金字塔池化层将冗余部分图像特征输入车道线分类网络的全连接层。
[0087]
需要说明的是，前述对车道线分类方法实施例的解释说明也适用于该实施例的车道线分类装置，此处不再赘述。
[0088]
根据本技术实施例提出车道线分类装置，通过从车辆所处道路周边的车道线图像中提取车道线特征，并输入到预先训练的车道线分类网络，从而得到车辆所处道路的实际车道线类别，在保留车道线形状的情况下，可以进行更多类别的分类，分类效果好，并通过直接读取车道线检测标签进行训练，训练难度低。由此，解决了相关技术在车道线分类网络训练特征提取过程中会忽略车道线的完整形状信息，导致车道线分类效果差，可识别车道线类别少等问题。
[0089]
图7是本技术实施例的另一种车道线分类装置的方框示意图。
[0090]
如图7所示，该车道线分类装置20包括：获取模块400、填充模块500、计算模块和600第二分类模块700。
[0091]
其中，获取模块400，用于获取携带有车道线类别标签的训练样本，其中，训练样本包括多张训练图片；填充模块500，用于将训练样本的边界进行填充，使得多张训练图像的尺寸相同；计算模块600，用于将尺寸相同的训练图像输入待训练的车道线分类网络，输出训练图像的车道线类别，并根据车道线类别标签计算训练的损失值；第二分类模块700，用于根据损失值修正待训练的车道线分类网络，直到损失值小于预设值或者车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的车道线分类网络，以利用车道线分类网络输出车道线图片中车道线的实际车道线类别。
[0092]
需要说明的是，前述对车道线分类方法实施例的解释说明也适用于该实施例的车道线分类装置，此处不再赘述。
[0093]
根据本技术实施例提出的车道线分类装置，通过获取携带有车道线类别标签的训练样本，根据训练样本对车道线分类网络进行训练并修正，直到满足预设收敛条件时，停止训练，从而利用训练完成的车道线分类网络输出车道线的实际车道线类别，准确性高，分类效果好。由此，解决了相关技术在车道线分类网络训练特征提取过程中会忽略车道线的完整形状信息，导致车道线分类效果差，可识别车道线类别少等问题。
[0094]
图8为本技术实施例提供的电子设备的结构示意图。该电子设备可以包括：
[0095]
存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序。
[0096]
处理器802执行程序时实现上述实施例中提供的车道线分类方法。
[0097]
进一步地，电子设备还包括：
[0098]
通信接口803，用于存储器801和处理器802之间的通信。
[0099]
存储器801，用于存放可在处理器802上运行的计算机程序。
[0100]
存储器801可能包含高速ram(random access memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
[0101]
如果存储器801、处理器802和通信接口803独立实现，则通信接口803、存储器801和处理器802可以通过总线相互连接并完成相互间的通信。总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component，外部设备互连)总线或eisa(extended industry standard architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0102]
可选的，在具体实现上，如果存储器801、处理器802及通信接口803，集成在一块芯片上实现，则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
[0103]
处理器802可能是一个cpu(central processing unit，中央处理器)，或者是asic(application specific integrated circuit，特定集成电路)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0104]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的车道线分类方法。
[0105]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示
例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0106]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0107]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0108]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
[0109]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0110]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。
技术特征：
1.一种车道线分类方法，其特征在于，包括以下步骤：采集车辆所处道路周边的车道线图像；从所述车道线图像中提取至少一个车道线特征；将所述至少一个车道线特征输入至入预先训练的车道线分类网络，输出所述所处道路的实际车道线类别，其中，所述车道线分类网络基于携带有车道线类别标签的训练样本训练得到。2.根据权利要求1所述的方法，其特征在于，所述车道线分类网络基于携带有车道线类别标签的训练样本训练得到，包括：获取携带有车道线类别标签的训练样本，其中，所述训练样本包括多张训练图片；将所述训练样本的边界进行填充，使得所述多张训练图像的尺寸相同；将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值；根据所述损失值修正所述待训练的车道线分类网络，直到所述损失值小于预设值或者所述车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的所述车道线分类网络。3.根据权利要求2所述的方法，其特征在于，在获取携带有车道线类别标签的训练样本之前，包括：获取携带有车道线类别标签的多张车道线图片；识别每张车道线图片中每一条车道线实例的掩膜区域，遍历每一条车道线实例的掩膜区域，提取每一个车道线的完整区域；根据所述掩膜区域中掩膜第一角点和第二角点生成车道线框区域，利用所述车道线框区域从所述多张车道线图片提取车道线感兴趣区域；利用所述车道线感兴趣区域将每张车道线图片的尺寸缩小至预设尺寸，并基于车道线图片的车道线类别标签，得到所述训练样本。4.根据权利要求2所述的方法，其特征在于，在将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值之前，还包括：读取所述训练图像和所述车道线类别标签；随机旋转所述训练图像和所述车道线类别标签至预设角度，得到旋转后的训练图像和车道线类别标签。5.根据权利要求2所述的方法，其特征在于，在将尺寸相同的训练图像输入待训练的车道线分类网络之后，还包括：在所述车道线分类网络的空间金字塔池化层前去掉所述多张训练图像的冗余部分图像特征，得到非冗余部分图像特征；基于所述非冗余部分图像特征构建空间金字塔池化层，利用所述空间金字塔池化层将所述冗余部分图像特征输入所述车道线分类网络的全连接层。6.一种车道线分类方法，其特征在于，包括以下步骤：获取携带有车道线类别标签的训练样本，其中，所述训练样本包括多张训练图片；将所述训练样本的边界进行填充，使得所述多张训练图像的尺寸相同；
将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值；根据所述损失值修正所述待训练的车道线分类网络，直到所述损失值小于预设值或者所述车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的所述车道线分类网络，以利用所述车道线分类网络输出车道线图片中车道线的实际车道线类别。7.一种车道线分类装置，其特征在于，包括：采集模块，用于采集车辆所处道路周边的车道线图像；提取模块，用于从所述车道线图像中提取至少一个车道线特征；第一分类模块，用于将所述至少一个车道线特征输入至入预先训练的车道线分类网络，输出所述所处道路的实际车道线类别，其中，所述车道线分类网络基于携带有车道线类别标签的训练样本训练得到。8.一种车道线分类装置，其特征在于，包括：获取模块，用于获取携带有车道线类别标签的训练样本，其中，所述训练样本包括多张训练图片；填充模块，用于将所述训练样本的边界进行填充，使得所述多张训练图像的尺寸相同；计算模块，用于将尺寸相同的训练图像输入待训练的车道线分类网络，输出所述训练图像的车道线类别，并根据所述车道线类别标签计算训练的损失值；第二分类模块，用于根据所述损失值修正所述待训练的车道线分类网络，直到所述损失值小于预设值或者所述车道线分类网络满足预设收敛条件时，停止训练，并得到训练完成的所述车道线分类网络，以利用所述车道线分类网络输出车道线图片中车道线的实际车道线类别。9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6任一项所述的车道线分类方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的车道线分类方法。
技术总结
本申请涉及自动驾驶技术领域，特别涉及一种车道线分类方法、装置、电子设备及存储介质，其中，方法包括：采集车辆所处道路周边的车道线图像；从车道线图像中提取至少一个车道线特征；将至少一个车道线特征输入至预先训练的车道线分类网络，输出所处道路的实际车道线类别，其中，车道线分类网络基于携带有车道线类别标签的训练样本训练得到。由此，解决了相关技术在车道线分类网络训练特征提取过程中会忽略车道线的完整形状信息，导致车道线分类准确性差，可识别车道线类别少等问题。可识别车道线类别少等问题。可识别车道线类别少等问题。
