CN114926806B 基于深度学习的车道线检测方法、装置、设备及存储介质 （成都臻识科技发展有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114926806B(45)授权公告日2025.07.11

(21)申请号202210131659.5

(22)申请日2022.02.14

(65)同一申请的已公布的文献号申请公布号CN114926806A

(43)申请公布日2022.08.19

GO6N20/00(2019.01)

(56)对比文件

CN110276293A,2019.09.24CN111062413A,2020.04.24审查员李姝妹

(73)专利权人成都臻识科技发展有限公司

地址610041四川省成都市高新区府城大

道西段399号6栋1单元8层1号

(72)发明人周卓立任鹏

(74)专利代理机构成都九鼎天元知识产权代理有限公司51214

专利代理师刘世权

(51)Int.CI.

GO6V20/58(2022.01)

GO6V10/774(2022.01)权利要求书2页说明书8页附图2页

(54)发明名称

基于深度学习的车道线检测方法、装置、设备及存储介质

(57)摘要

CN114926806B本发明公开了一种基于深度学习的车道线检测方法、装置、设备及存储介质，该方法包括获取车道线的原始图像数据集，并对所述原始图像数据集中的车道线进行标记，获得训练图像数据集；其中，所述训练图像数据集中的图像包含有对应的车道线真实框；将所述训练图像数据集输入车道线检测模型，获得车道线检测框，并根据所述车道线检测框与所述车道线真实框的损失值，完成对车道线检测模型的训练；在接收到待检测图像数据时，将所述待检测图像数据输入车道线检测模型，获得待检测图像中的目标车道线。本发明通过对图像的车道线真实框和车道线检测框进行损失值的计算，以训练车道线检测模

CN114926806B

获取车道线的原始图像数据集，并对所述原始图

像数据集中的车道线进行标记，获得训练图像数

据集；其中，所述训练图像数据集中的图像包含

有对应的车道线真实框

将所述训练图像数据集输入车道线检测模型，获

得车道线检测框，并根据所述车道线检测框与所

述车道线真实框的损失值，完成对车道线检测模

型的训练

在接收到待检测图像数据时，将所述待检测图像

数据输入车道线检测模型，获得待检测图像中的

目标车道线

S100

S200

S300

CN114926806B权利要求书1/2页

2

1.一种基于深度学习的车道线检测方法，其特征在于，所述方法包括以下步骤：

获取车道线的原始图像数据集，并对所述原始图像数据集中的车道线进行标记，获得训练图像数据集；

其中，所述训练图像数据集中的图像包含有对应的车道线真实框；

具体包括：

对训练图像数据集中的车道线真实框中的车道线进行采样，生成车道线采样点；

为所述车道线采样点生成扩展框；其中，所述扩展框中所述车道线左侧与所述车道线右侧的面积相等；

根据所述扩展框，将所述车道线真实框的形状调整为多边形；

将所述训练图像数据集输入车道线检测模型，调整训练图像数据集中每张训练图像对应锚框的位置，以输出该训练图像的车道线检测框；并根据所述车道线检测框与所述车道线真实框的损失值，完成对车道线检测模型的训练；

在接收到待检测图像数据时，将所述待检测图像数据输入车道线检测模型，获得待检测图像中的目标车道线。

2.如权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述车道线真实框的尺寸表达式为：

h=max(h0,w0/2);

w=max(w0,h0/2);

其中，h0为外接矩形框的高，w0为外接矩形框的宽，h为车道线真实框的高，w为车道线真实框的宽。

3.如权利要求1所述的基于深度学习的车道线检测方法，其特征在于，所述调整训练图像数据集中每张训练图像对应锚框的位置步骤，具体包括：

获取车道线检测模型预先确定的锚框的预测类别和偏移量；

在接收到训练图像时，基于所述车道线检测模型，调整所述训练图像对应锚框的位置。

4.一种基于深度学习的车道线检测装置，其特征在于，所述基于深度学习的车道线检测装置包括：

获取模块，用于获取车道线的原始图像数据集，并对所述原始图像数据集中的车道线进行标记，获得训练图像数据集；其中，所述训练图像数据集中的图像包含有对应的车道线真实框；