本技術(shù)涉及自動(dòng)駕駛的，具體而言，涉及一種3d車道線檢測(cè)模型訓(xùn)練方法及一種3d車道線檢測(cè)方法。

背景技術(shù)：

1、隨著自動(dòng)駕駛技術(shù)的快速發(fā)展，對(duì)車道線檢測(cè)的精度和實(shí)時(shí)性提出了更高要求。傳統(tǒng)2d車道線方法通?；谄矫娴缆返募僭O(shè)，忽略了車道的實(shí)際三維結(jié)構(gòu)，難以應(yīng)對(duì)復(fù)雜道路環(huán)境，如車道線被車輛遮擋或者存在重疊；車道線不同長(zhǎng)度、不同曲率以及復(fù)雜背景等。

2、為此，基于3d錨線的3d車道線檢測(cè)技術(shù)應(yīng)運(yùn)而生。這種3d車道線檢測(cè)方法采用錨線機(jī)制，將3d錨線作為預(yù)定義的3d車道線，通過(guò)深度學(xué)習(xí)實(shí)現(xiàn)更精確高效的檢測(cè)，提升檢測(cè)速度、實(shí)現(xiàn)精準(zhǔn)3d定位。

3、而現(xiàn)有技術(shù)中，盡管現(xiàn)有的三維車道線檢測(cè)方法已經(jīng)取得了很好的效果，但在一些復(fù)雜場(chǎng)景下的三維車道線檢測(cè)，仍然存在一些局限性。例如：

4、1、當(dāng)車道線被車輛遮擋或者存在重疊時(shí)；

5、2、對(duì)于不同長(zhǎng)度、不同曲率以及復(fù)雜背景下的車道線。

6、對(duì)于此類復(fù)雜場(chǎng)景，現(xiàn)有的三維車道線檢測(cè)方法的檢測(cè)準(zhǔn)確性偏低，存在誤檢，即使增加足夠數(shù)量的訓(xùn)練數(shù)據(jù)，最終的檢測(cè)效果也并不理想。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的在于：如何對(duì)復(fù)雜場(chǎng)景下的三維車道線檢測(cè)模型進(jìn)行訓(xùn)練，并提高三維車道線檢測(cè)的準(zhǔn)確性。

2、本技術(shù)第一方面的技術(shù)方案是：提供了一種3d車道線檢測(cè)模型訓(xùn)練方法，該方法包括：步驟1：構(gòu)建3d車道線檢測(cè)模型，其中，3d車道線檢測(cè)模型至少包括3d車道線分支、2d車道線分支；步驟2：分別根據(jù)3d車道線分支的第一感知結(jié)果、2d車道線分支的第二感知結(jié)果，構(gòu)建網(wǎng)絡(luò)損失函數(shù)，并基于網(wǎng)絡(luò)損失函數(shù)對(duì)3d車道線檢測(cè)模型進(jìn)行迭代訓(xùn)練；步驟3：若判定滿足預(yù)設(shè)的早停條件，則停止對(duì)2d車道線分支的迭代訓(xùn)練，繼續(xù)對(duì)3d車道線分支進(jìn)行迭代訓(xùn)練，直至滿足預(yù)設(shè)的終止條件，并保存3d車道線分支最后一次迭代訓(xùn)練的模型參數(shù)，其中，3d車道線分支用于輸出3d車道線候選錨線，3d車道線候選錨線用于確定車道線。

3、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，網(wǎng)絡(luò)損失函數(shù)至少包括3d損失函數(shù)、2d損失函數(shù)和類別散度損失函數(shù)，步驟2中，基于網(wǎng)絡(luò)損失函數(shù)對(duì)3d車道線檢測(cè)模型進(jìn)行迭代訓(xùn)練，具體包括：步驟21：將樣本數(shù)據(jù)輸入至3d車道線檢測(cè)模型，輸出第一感知結(jié)果、第二感知結(jié)果，其中，第一感知結(jié)果由3d車道線分支預(yù)測(cè)得到，第二感知結(jié)果由2d車道線分支預(yù)測(cè)得到；步驟22：將第一感知結(jié)果和第一標(biāo)簽數(shù)據(jù)代入至3d損失函數(shù)，計(jì)算第一損失值，并將第二感知結(jié)果和第二標(biāo)簽數(shù)據(jù)代入至2d損失函數(shù)，計(jì)算第二損失值；步驟23：將第一感知結(jié)果和第二感知結(jié)果帶入類別散度損失函數(shù)，計(jì)算類別散度損失值；步驟24：對(duì)第一損失值、第二損失值、類別散度損失值進(jìn)行加權(quán)，得到加權(quán)后的損失值，通過(guò)最小化加權(quán)后的損失值分別確定下一次迭代訓(xùn)練時(shí)3d車道線分支、2d車道線分支中的模型參數(shù)，以對(duì)3d車道線檢測(cè)模型進(jìn)行迭代訓(xùn)練。

4、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，2d損失函數(shù)loss2d的計(jì)算公式為：

5、

6、式中，α2d_cls為2d分類損失權(quán)重，m為當(dāng)前錨線的標(biāo)號(hào)，m為第二標(biāo)簽數(shù)據(jù)中錨線的總數(shù)，l為車道線類別總數(shù)，l為當(dāng)前錨線的類別號(hào)，cls′為第二感知結(jié)果中錨線m被預(yù)測(cè)為類別1的概率值(取值范圍為0-1)，cls為第二標(biāo)簽數(shù)據(jù)中錨線m標(biāo)記為類別1的真值(取值為0或1)，α2d_coord為2d點(diǎn)回歸損失權(quán)重，n為每條錨線中點(diǎn)的個(gè)數(shù)，n為每條錨線中當(dāng)前點(diǎn)的標(biāo)號(hào)，(u′mn,v′mn)為第二感知結(jié)果中第m條錨線上第n個(gè)點(diǎn)的圖像坐標(biāo)，(umn,vmn)為第二標(biāo)簽數(shù)據(jù)中對(duì)應(yīng)的第m條錨線上第n個(gè)點(diǎn)的圖像坐標(biāo)。

7、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，步驟3中，判定滿足預(yù)設(shè)的早停條件，具體包括：步驟31：在任一次迭代訓(xùn)練的過(guò)程中，計(jì)算網(wǎng)絡(luò)損失函數(shù)的損失值，當(dāng)判定網(wǎng)絡(luò)損失函數(shù)的損失值小于收斂閾值時(shí)，根據(jù)網(wǎng)絡(luò)損失函數(shù)的損失值對(duì)收斂閾值進(jìn)行更新，并對(duì)當(dāng)前的迭代次數(shù)打標(biāo)簽；步驟32：對(duì)3d車道線檢測(cè)模型進(jìn)行第一訓(xùn)練次數(shù)的迭代訓(xùn)練后，再對(duì)3d車道線檢測(cè)模型進(jìn)行第二訓(xùn)練次數(shù)的迭代訓(xùn)練，并在第二訓(xùn)練次數(shù)的迭代訓(xùn)練過(guò)程中，分多次選取訓(xùn)練后的3d車道線檢測(cè)模型，依次計(jì)算選取出的、多個(gè)3d車道線檢測(cè)模型在驗(yàn)證數(shù)據(jù)上的檢測(cè)指標(biāo)；步驟33：判斷多個(gè)檢測(cè)指標(biāo)中的任一個(gè)是否大于基準(zhǔn)指標(biāo)，若是，基于多個(gè)檢測(cè)指標(biāo)中的最大值，更新基準(zhǔn)指標(biāo)，繼續(xù)對(duì)3d車道線檢測(cè)模型進(jìn)行第二訓(xùn)練次數(shù)的迭代訓(xùn)練，計(jì)算網(wǎng)絡(luò)損失函數(shù)的損失值及檢測(cè)指標(biāo)，若否，當(dāng)判定打標(biāo)簽的迭代次數(shù)不屬于第二訓(xùn)練次數(shù)時(shí)，則判定滿足預(yù)設(shè)的早停條件，當(dāng)判定打標(biāo)簽的迭代次數(shù)屬于第二訓(xùn)練次數(shù)時(shí)，繼續(xù)對(duì)3d車道線檢測(cè)模型進(jìn)行第三訓(xùn)練次數(shù)的迭代訓(xùn)練后，判定滿足預(yù)設(shè)的早停條件。

8、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，檢測(cè)指標(biāo)至少包括f1分?jǐn)?shù)、精確度、召回率中的一個(gè)。

9、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，基準(zhǔn)指標(biāo)為：3d車道線檢測(cè)模型進(jìn)行第一訓(xùn)練次數(shù)的迭代訓(xùn)練后，3d車道線檢測(cè)模型在驗(yàn)證數(shù)據(jù)上的檢測(cè)指標(biāo)。

10、本技術(shù)第二方面的技術(shù)方案是：提供了一種3d車道線檢測(cè)方法，該方法包括：步驟100：基于采集到的路面圖像，利用訓(xùn)練好的3d車道線檢測(cè)模型，輸出3d車道線候選錨線，其中，3d車道線檢測(cè)模型利用如第一方面技術(shù)方案中任一項(xiàng)的3d車道線檢測(cè)模型訓(xùn)練方法進(jìn)行訓(xùn)練；步驟200：對(duì)3d車道線候選錨線進(jìn)行篩選，并采用曲線擬合的方式，基于篩選后的3d車道線候選錨線，生成3d車道線檢測(cè)結(jié)果。

11、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，對(duì)3d車道線候選錨線進(jìn)行篩選，具體包括：步驟201：基于3d車道線候選錨線的置信度得分，對(duì)3d車道線候選錨線進(jìn)行排序，并將置信度得分最大值對(duì)應(yīng)的3d車道線候選錨線記作第一候選錨線；步驟202：依次獲取排序后的3d車道線候選錨線的三維錨線信息，并分別與第一候選錨線計(jì)算錨點(diǎn)距離均值；步驟203：基于錨點(diǎn)距離均值，對(duì)排序后的3d車道線候選錨線進(jìn)行篩選。

12、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，三維錨線信息中包括各個(gè)錨點(diǎn)的可見(jiàn)屬性，方法還包括：步驟211：基于3d車道線候選錨線中各個(gè)錨點(diǎn)的可見(jiàn)屬性，以每條3d車道線候選錨線為一列，按第一錨線順序，生成初始真值矩陣；步驟212：由上至下，依次對(duì)初始真值矩陣中每一列的元素進(jìn)行累加，生成第一矩陣；步驟213：基于3d車道線候選錨線中各個(gè)錨點(diǎn)的可見(jiàn)屬性，以每條3d車道線候選錨線為一列，按第二錨線順序，生成中間真值矩陣，其中，第二錨線順序與第一錨線順序左右對(duì)稱；步驟214：由上至下，依次對(duì)中間真值矩陣中每一列的元素進(jìn)行累加，生成第二矩陣；步驟215：按元素位置，依次比較第一矩陣與第二矩陣中，相同位置的元素的取值是否均大于0，若是，將初始真值矩陣中對(duì)應(yīng)位置處的元素取值置為1，否則，置為0，生成可見(jiàn)屬性矩陣；步驟216，基于可見(jiàn)屬性矩陣，對(duì)三維錨線信息中各個(gè)錨點(diǎn)的可見(jiàn)屬性進(jìn)行修正。

13、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，方法還包括：步驟204：當(dāng)判定任一3d車道線候選錨線的錨點(diǎn)距離均值屬于第一預(yù)設(shè)區(qū)間時(shí)，計(jì)算3d車道線候選錨線與第一候選錨線之間的近距離同類別抑制值；步驟205：判斷近距離同類別抑制值是否屬于第二預(yù)設(shè)區(qū)間，若是，則保留3d車道線候選錨線，若否，則刪除3d車道線候選錨線。

14、本技術(shù)的有益效果是：

15、本技術(shù)中的技術(shù)方案，為了使模型在訓(xùn)練過(guò)程中能夠更好地理解和處理車道線的邊界和形狀信息，在3d車道線檢測(cè)模型中設(shè)置了2d車道線分支，對(duì)車道線的每個(gè)像素進(jìn)行分類，這使得模型能夠?qū)W習(xí)到更加精確的目標(biāo)表示。并基于3d感知結(jié)果和2d感知結(jié)果對(duì)損失函數(shù)進(jìn)行了修正，從而提升了3d車道線檢測(cè)的精度和魯棒性。

16、并且，本技術(shù)考慮2d車道線分支主要是針對(duì)2d圖像和2d預(yù)測(cè)結(jié)果來(lái)進(jìn)行訓(xùn)練，為了避免訓(xùn)練結(jié)果過(guò)度依賴2d車道線分支，還引入了早停條件。在迭代訓(xùn)練的過(guò)程中，如果滿足了早停條件，則停止對(duì)2d車道線分支的訓(xùn)練，繼續(xù)專注于3d車道線分支進(jìn)行訓(xùn)練，直到滿足預(yù)設(shè)的終止條件，完成模型訓(xùn)練，只保存3d車道線分支的模型參數(shù)作為訓(xùn)練好的模型。這一策略不僅有效防止了模型對(duì)2d信息的過(guò)度依賴，還促進(jìn)了模型整體的訓(xùn)練收斂，進(jìn)一步提升了模型的實(shí)用價(jià)值與性能表現(xiàn)。

17、另外，本技術(shù)在檢測(cè)過(guò)程中，還基于車道線中錨點(diǎn)的可見(jiàn)屬性對(duì)3d車道線候選錨線進(jìn)行了篩選濾除，并基于車道線的對(duì)稱性，對(duì)錨點(diǎn)的可見(jiàn)屬性進(jìn)行了修正，以保證3d車道線檢測(cè)依據(jù)的準(zhǔn)確性，進(jìn)一步提高模型檢測(cè)的準(zhǔn)確性。