(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 202211180423.7 (22)申请日 2022.09.27 (71)申请人 江西小马机 器人有限公司 地址 330052 江西省南昌市南昌县小蓝经 济技术开发区小蓝中大道346号1 1栋 (72)发明人 蔡孙增　于洪洲　黄丽莉　 (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 何世磊 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01)G06V 10/25(2022.01) (54)发明名称 车道线检测方法、 系统、 计算机及可读存储 介质 (57)摘要 本发明提供了一种车道线检测方法、 系统、 计算机及可读 存储介质， 该方法包括采集道路的 场景图片， 并识别出场景图片中的车道线区域； 对场景图片进行预处理， 以生成训练样本， 并将 训练样本输入至金字塔模型中， 以输出第一特征 矩阵； 将第一特征矩阵输入至FPN模型中， 并使 FPN模型输出第二特征矩阵； 将第二特征矩阵输 入至自注意力图网络模型中， 以预测出车道线 ROI候选区域， 并对车道线ROI候选区域进行分类 以及回归预测处理， 以完成训练； 通过训练后的 自注意力图网络模型识别出车道线区域中的车 道线。 通过上述方式能够摆脱传统算法中受遮挡 噪声以及光线畸变等影 响带来的不稳定性， 提高 了车道线检测的准确性。 权利要求书2页 说明书9页 附图2页 CN 115273013 A 2022.11.01 CN 115273013 A 1.一种车道线检测方法， 其特 征在于， 所述方法包括： 通过拍摄设备采集当前道路的场景图片， 并识别出 所述场景图片中的车道线区域； 对所述场景图片进行预处理， 以基于所述场景图片生成若干训练样本， 并将若干所述 训练样本输入至预设Backbone金字塔模型中， 以使所述Backbone金字塔模型输出对应的若 干第一特 征矩阵； 将若干所述第一特征矩阵输入至预设FPN模型中， 以使所述FPN模型对若干所述第一特 征矩阵进行融合处 理， 并使所述FPN模型输出对应的第二特 征矩阵； 将所述第二特征矩阵输入至预设Attention ‑GNN自注意力图网络模型中， 以使所述 Attention ‑GNN自注意力图网络模型预测出对应的车道线ROI候选区域， 并依次对所述车道 线ROI候选区域进行分类以及回归 预测处理， 以完成对所述Attention ‑GNN自注意力图网络 模型的训练； 通过训练后的Attention ‑GNN自注意力图网络模型识别出所述车道线区域中的车道 线。 2.根据权利要求1所述的车道线检测方法， 其特征在于： 所述对所述场景图片进行预处 理， 以基于所述场景图片生成若干训练样本的步骤 包括： 基于所述场景图片添加场景变化数据集， 以根据 所述场景变化数据集生成若干变化场 景， 并通过数据加扰算法对若干所述变化场景进行干扰处理， 以对应生成若干所述训练样 本。 3.根据权利要求1所述的车道线检测方法， 其特征在于： 所述依次对所述车道线ROI候 选区域进行分类以及回归预测处理， 以完成对所述Attention ‑GNN自注意力图网络模型的 训练的步骤之后， 所述方法还 包括： 调用测试数据集合， 并通过所述测试数据集合对训练后的Attention ‑GNN自注意力图 网络模型进行性能测试， 以使训练后的Attention ‑GNN自注意力图网络模型输出对应的测 试模型； 将所述测试模型转换成对应的加速推理引擎。 4.根据权利要求1所述的车道线检测方法， 其特征在于： 所述将若干所述第 一特征矩阵 输入至预设FPN模型中， 以使所述FPN模型对若干所述第一特征矩阵进行融合处理， 并使所 述FPN模型输出对应的第二特 征矩阵的步骤 包括： 当所述FPN模型接收到所述第一特征矩阵时， 在所述FPN模型中调用出深度卷积滤波算 法， 并通过所述深度卷积滤波算法对若干所述第一特征矩阵进 行融合处理， 以使 所述FPN模 型输出对应的所述第二特 征矩阵。 5.根据权利要求1所述的车道线检测方法， 其特征在于： 所述通过训练后的Attention ‑ GNN自注意力图网络模型识别出 所述车道线区域中的车道线的算法为： 其中， 表示局部车道线ROI特征图， 表示全局特征图， W表示注意力相关权重， G表权　利　要　求　书 1/2 页 2 CN 115273013 A 2示 在全局特征图 中的相关增益并加回局部ROI特征图 的输出， C表示特征图的尺 寸 大小常量。 6.一种车道线检测系统， 其特 征在于， 所述系统包括： 采集模块， 用于通过拍摄设备采集当前道路的场景图片， 并识别出所述场景图片中的 车道线区域； 处理模块， 用于对所述场景图片进行预处理， 以基于所述场景图片生成若干训练样本， 并将若干所述训练样 本输入至预设Backbone金字塔模 型中， 以使所述Backbone金字塔模 型 输出对应的若干第一特 征矩阵； 融合模块， 用于将若干所述第一特征矩阵输入至预设FPN模型中， 以使所述FPN模型对 若干所述第一特 征矩阵进行融合处 理， 并使所述FPN模型输出对应的第二特 征矩阵； 训练模块， 用于将所述第二特征矩阵输入至预设Attention ‑GNN自注意力图网络模型 中， 以使所述Attention ‑GNN自注意力图网络模型预测出对应的车道线ROI候选 区域， 并依 次对所述车道线ROI候选区域进行分类以及回归 预测处理， 以完成对 所述Attent ion‑GNN自 注意力图网络模型的训练； 识别模块， 用于通过训练后的Attention ‑GNN自注意力图网络模型识别出所述车道线 区域中的车道线。 7.根据权利要求6所述的车道线检测系统， 其特 征在于： 所述处 理模块具体用于： 基于所述场景图片添加场景变化数据集， 以根据 所述场景变化数据集生成若干变化场 景， 并通过数据加扰算法对若干所述变化场景进行干扰处理， 以对应生成若干所述训练样 本。 8.根据权利要求6所述的车道线检测系统， 其特征在于： 所述车道线检测系统还包括测 试模块， 所述测试模块具体用于： 调用测试数据集合， 并通过所述测试数据集合对训练后的Attention ‑GNN自注意力图 网络模型进行性能测试， 以使训练后的Attention ‑GNN自注意力图网络模型输出对应的测 试模型； 将所述测试模型转换成对应的加速推理引擎。 9.一种计算机， 包括存储器、 处理器以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， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求1至5中 任意一项所述的车道线检测方法。 10.一种可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执行时 实现如权利要求1至 5中任意一项所述的车道线检测方法。权　利　要　求　书 2/2 页 3 CN 115273013 A 3