(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 202210566022.9 (22)申请日 2022.05.20 (71)申请人 国汽智控 （北京） 科技有限公司 地址 100176 北京市大兴区北京经济技 术 开发区荣 华南路13号院7号楼4层409 (72)发明人 史帅　管越　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 赵丽婷 (51)Int.Cl. G06V 20/58(2022.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/26(2022.01) G06V 10/74(2022.01)G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) (54)发明名称 基于神经网络的车道线检测方法、 装置、 设 备及介质 (57)摘要 本发明公开了一种基于神经网络的车道线 检测方法、 装置、 设备及介质， 其中方法包括： 获 取预设周期内自动驾驶车辆采集的车道线数据， 生成车道线数据集合； 将车道线数据集合输入至 预设神经网络中进行车道线识别， 得到预估车道 线集合； 根据目标聚类算法对所述预估车道线集 合进行聚类融合处理， 得到各 组校准后的当前车 道线， 生成当前车道线集合； 根据当前车道线集 合与预设地图进行匹配， 得到目标地图集合； 根 据当前车道线集合和目标地图集合， 检测当前车 道线是否为自动驾驶车辆的实际车道线。 本发明 实施例通过构建神经网络对采集的车道线数据 进行预估， 在进行车道线 校准后进行地图匹配和 检测， 极大提高了车道线检测的准确性和可靠 性， 降低检测误差 。 权利要求书2页 说明书11页 附图3页 CN 114821539 A 2022.07.29 CN 114821539 A 1.一种基于神经网络的车道线检测方法， 其特 征在于， 至少包括如下步骤： 获取预设周期内自动驾驶车辆采集的车道线数据， 生成车道线数据集合， 所述车道线 数据集合包括至少一组车道线数据； 将所述车道线数据集合输入至预设神经网络中进行车道线识别， 得到预估车道线集 合， 所述预估车道线集 合包括至少一组车道线； 根据目标聚类算法对所述预估车道线集合中的各组预估车道线进行聚类融合处理， 得 到各组校准后的当前 车道线， 生成当前 车道线集 合； 根据所述当前车道线集合与预设地图进行匹配， 得到目标地图集合， 所述目标地图集 合包括至少一组预估车道线对应的目标地图； 根据所述当前车道线集合和目标地图集合， 检测所述当前车道线是否为自动驾驶车辆 的实际车道线。 2.根据权利要求1所述的基于神经网络的车道线检测方法， 其特 征在于， 还 包括： 构建三个层数不同的自编码卷积神经网络， 三个卷积神经网络组成并联卷积神经网 络， 其中， 每个卷积神经网络 分别用来检测不同的对象， 所述对象包括， 背 景点、 实线 车道线 或虚线车道线。 3.根据权利要求1所述的基于神经网络的车道线检测方法， 其特 征在于， 还 包括： 使用训练数据集训练构建的并联卷积神经网络， 根据训练过程中损失函数的变化和卷 积神经网络的收敛情况来调整卷积神经网络的参数； 使用验证集图片来检验所训练 的并联卷积神经网络的检测效果， 根据 卷积神经网络的 实际检测效果， 调整卷积神经网络的参数。 4.根据权利要求1所述的基于神经网络的车道线检测方法， 其特征在于， 所述根据目标 聚类算法对所述预估车道线集合中的各组预估 车道线进行融合处理， 得到各组校准后的当 前车道线， 生成当前 车道线集 合， 包括： 获取所述预估车道线集合中的多组预估车道线， 分别对每组预估车道线进行车道线识 别检测处 理， 检测得到每组预估车道线对应的第一车道线； 根据目标聚类算法， 对各组预估车道线对应的第一车道线先后进行聚类和融合处理， 得到各组校准后的当前 车道线， 生成当前 车道线集 合。 5.根据权利要求1所述的基于神经网络的车道线检测方法， 其特征在于， 在所述根据 所 述当前车道线集 合与预设地图进行匹配， 得到目标地图集 合之后， 还 包括： 获取车辆视觉里程计信 息， 根据所述车辆视觉里程计信 息检测所述当前车道线是否准 确。 6.根据权利要求1所述的基于神经网络的车道线检测方法， 其特征在于， 所述根据 所述 当前车道线集合和目标地图集合， 检测所述当前车道线是否为自动驾驶车辆的实际车道 线， 包括： 获取所述当前 车道线对应的局部地图； 提取所述当前 车道对应的局部地图中标志性物体的位置信息； 根据标志性物体的位置信息， 对所述当前车道线进行匹配识别， 检测当前所述车道线 是否准确。 7.根据权利要求1所述的基于神经网络的车道线检测方法， 其特征在于， 在获取预设周权　利　要　求　书 1/2 页 2 CN 114821539 A 2期内自动驾驶车辆采集的车道线数据， 生成车道线数据集 合之后， 还 包括： 根据预先建立的语义分割模型， 提取所述车道线数据对应的车道线语义信 息以及对应 车道线的像素点； 将所述车道线的像素点 转换至车体坐标系； 将车体坐标系下车道线的像素点与惯性导航获取的数据进行联合定位， 得到各组车道 线数据的定位信息 。 8.一种基于神经网络的车道线检测装置， 其特 征在于， 包括： 数据采集模块， 用于获取预设周期内自动驾驶车辆采集的车道线数据， 生成车道线数 据集合， 所述车道线数据集 合包括至少一组车道线数据； 预估模块， 用于将所述车道线数据集合输入至预设神经网络中进行车道线识别， 得到 预估车道线集 合， 所述预估车道线集 合包括至少一组车道线； 校准模块， 用于根据目标聚类算法对所述预估车道线集合中的各组预估车道线进行聚 类融合处 理， 得到各组校准后的当前 车道线， 生成当前 车道线集 合； 匹配模块， 用于根据 所述当前车道线集合与预设地图进行匹配， 得到目标地图集合， 所 述目标地图集 合包括至少一组预估车道线对应的目标地图； 检测模块， 用于根据所述当前车道线集合和目标地图集合， 检测所述当前车道线是否 为自动驾驶车辆的实际车道线。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 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7中任一项 所述的基于神经网络的 车道线检测方法的步骤。 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， 所述计算机程序 被处理器执行时实现权利要求1至7中任一项所述的基于神经网络的车道线检测方法的步 骤。权　利　要　求　书 2/2 页 3 CN 114821539 A 3