(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210912527.6 (22)申请日 2022.07.30 (71)申请人 重庆长安汽车股份有限公司 地址 400023 重庆市江北区建新 东路260号 (72)发明人 金涛　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 专利代理师 吴向青 (51)Int.Cl. G06V 20/56(2022.01) G06V 20/58(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) (54)发明名称 一种端到端的车道线检测方法、 系统、 设备 和介质 (57)摘要 本申请提供一种端到端的车道线检测方法、 系统、 设备和介质， 包括： 获取车辆的前视路面图 像； 将所述前视路面图像输入特征提取网络得到 特征图； 将所述特征图输入预训练的参数预测网 络， 得到所述路面图像中各车道线的车道线参 数， 所述车道线参数用于表示同一车道线各点位 的位置关系； 根据所述车道线参数确定所述前视 路面图像中各车道线的几何表 示。 本申请可实现 完全的端到端车道线检测， 便于嵌入 车端应用以 辅助车辆驾驶， 保证行 车安全。 权利要求书2页 说明书13页 附图3页 CN 115205808 A 2022.10.18 CN 115205808 A 1.一种端到端的车道线检测方法， 其特 征在于， 包括： 获取车辆的前视路面图像； 将所述前视路面图像输入特 征提取网络得到特 征图； 将所述特征图输入预训练的参数预测网络， 得到所述路面图像中各车道线的车道线参 数， 所述车道线参数用于表示同一车道线各点 位的位置关系； 根据所述车道线参数确定所述前视路面图像中各 车道线的几何表示。 2.根据权利要求1所述的端到端的车道线检测方法， 其特征在于， 所述参数预测网络的 预训练步骤 包括： 对预设样本图像中的车道线 进行标注， 得到训练样本； 将所述训练样本的特征图分别输入所述参数预测网络和预设的车道线预测网络分支， 得到参数 预测结果和车道线预测结果； 根据所述参数预测结果和所述车道线预测结果确定网络总损失值， 并根据所述网络总 损失值更新网络参数， 直到所述总损失值达 到预设阈值， 完成所述 参数预测网络的预训练； 完成所述 参数预测网络的预训练后， 丢弃 所述车道线预测网络分支。 3.根据权利要求2所述的端到端的车道线检测方法， 其特征在于， 根据 所述参数预测结 果和所述车道线预测结果确定网络总损失值， 包括： 根据所述参数预测结果进行车道线拟合， 得到拟合车道线， 其中所述参数预测结果包 括所述参数预测网络的第一损失值； 以所述拟合车道线作为标签， 根据所述从车道线预测结果与所述标签的相似度， 得到 所述车道线预测网络分支的第二损失值； 将所述第一损失值与所述第二损失值相加得到所述网络总损失值。 4.根据权利要求1所述的端到端的车道线检测方法， 其特征在于， 所述特征提取网络的 网络结构从左到右依次为： 分片模块、 第一卷积模块、 第一残差模块、 第二卷积模块和第二 残差模块； 所述前视路面图像依次经过所述分片模块、 所述第 一卷积模块、 所述第 一残差模块、 所 述第二卷积模块和所述第二残差模块后， 得到对应的特征图； 其中所述第一卷积模块和所 述第二卷积模块的结构相同。 5.根据权利要求4所述的端到端的车道线检测方法， 其特征在于， 所述分片模块包括分 片层、 第一特征拼接层和 第一卷积层， 所述前视路面图像依次经过所述分片层、 所述第一特 征拼接层和所述第一卷积层后得到 压缩特征图； 所述第一卷积模块包括第二卷积层、 第一批量标准化层和第一激活函数层， 所述压缩 特征图依 次经过所述第二卷积层、 所述第一批量标准化层和所述第一激活函数层后， 得到 所述第一卷积模块的输出； 所述第一残差模块包括第一分支、 第二分支、 第二特征拼接层、 第二批量标准化层、 第 二激活函数层、 第三卷积层、 第三批量标准化层和 第三激活函数层， 所述第一分支包括卷积 层， 所述第二分支由第四卷积层、 第四批量标准化层、 第四激活函数层、 残差网络单元和第 五卷积层串联组成； 所述第一卷积模块的输出分别经过所述第一分支和所述第二分支处理 后， 通过所述第二特征拼接层将所述第一分支和所述第二分支输出 的特征图进行拼接， 然 后依次经过所述第二批量标准化层、 第二激活函数层、 第三卷积层、 第三批量标准化层和 第权　利　要　求　书 1/2 页 2 CN 115205808 A 2三激活函数层处 理， 得到所述第一残差模块的输出； 所述第二残差模块与所述第一残差模块残差网络单元的数量不同， 其余结构相同， 当 存在多个残差网络单 元时， 各残差网络单 元依次串接 。 6.根据权利要求2所述的端到端的车道线检测方法， 其特征在于， 所述车道线预测网络 分支至少包括： 三个降采样层， 一个第一全连接层和一个损失函数层； 所述三个降采样层各 自得到不同维度的特征图， 各所述降采样层的输出与所述第一全连接层的输入连接， 通过 所述第一全连接层将不同维度的特征图进 行融合， 再通过所述损失函数层计算特征融合后 的损失值。 7.根据权利要求2所述的端到端的车道线检测方法， 其特征在于， 所述参数预测网络的 网络结构从左到右依次包括： 第六卷积层、 第七卷积层、 特征压缩层， 第二全连接层和第三 全连接层； 所述第三全连接层的神经 元数量等于待预测的车道线参数 数量。 8.根据权利要求7所述的端到端的车道线检测方法， 其特征在于， 所述第六卷积层和所 述第七卷积层的卷积核采用3 *3卷积核， 卷积核的移动步长为2。 9.根据权利要求1 ‑8任一所述的端到端的车道线检测方法， 其特征在于， 所述车道线的 几何表示采用三次曲线表示。 10.一种端到端的车道线检测系统， 其特 征在于， 包括： 图像获取模块， 用于获取 车辆的前视路面图像； 特征提取模块， 用于将所述前视路面图像输入特 征提取网络得到特 征图； 车道线参数预测模块， 用于将所述特征图输入预训练的参数预测网络， 得到所述路面 图像中各 车道线的车道线参数， 所述车道线参数用于表示同一车道线各点 位的位置关系； 车道线表示模块， 用于根据 所述车道线参数确定所述前视路面图像中各车道线的几何 表示。 11.一种计算机设备， 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计算机程序时实现权利要求1至9中任一项 所述的端到端的车道线检测方法的步骤。 12.一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， 所述计算机程序 被处理器执行时实现权利要求1至9中任一项所述的端到端的车道线检测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115205808 A 3