(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 202211330210.8 (22)申请日 2022.10.27 (71)申请人 天津天瞳威势电子科技有限公司 地址 300384 天津市西青区华苑产业区华 天道2号2100室-B1018 （集中办公区） (72)发明人 赵维刚　李超　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 曹伟 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) (54)发明名称 一种车道线检测模型训练、 车道线检测方法 和装置 (57)摘要 本申请公开了一种车道线检测模型训练、 车 道线检测方法和装置， 方法包括： 将车道线样本 图像按照车辆是否处于压线场景区分为第一车 道线样本图像和第二车道线样 本图像； 第一车道 线样本图像具有普通场景标签和不包括压线类 别的第一标注车道线类别， 第二车道线样本图像 具有压线场景标签和包括压线类别的第二标注 车道线类别。 通过第一车道线样 本图像和第二车 道线样本图像， 训练包括分类子模型、 第一分割 子模型和第二分割子模型的预设检测模型获得 车道线检测模 型； 分类子模型预测第一车道线样 本图像的场景标签和第二车道线样本图像的场 景标签， 第一分割子模型预测第一车道线样本图 像的车道线类别， 第二分割子模 型预测第二车道 线样本图像的车道线类别。 权利要求书3页 说明书14页 附图4页 CN 115512327 A 2022.12.23 CN 115512327 A 1.一种车道线检测模型训练方法， 其特 征在于， 包括： 获取车辆处于非压线场景的第一车道线样本图像和车辆处于压线场景的第二车道线 样本图像； 所述第一车道线样本图像包括普通场景标签和第一标注车道线类别， 所述第二 车道线样本图像包括压线场景标签和 第二标注车道线类别， 所述第一标注车道线类别不包 括压线类别， 所述第二标注车道线类别包括所述压线类别； 根据所述第 一车道线样本图像和所述第 二车道线样本图像， 训练预设检测模型获得车 道线检测模型； 所述预设检测模 型包括分类子模型、 第一分割子模型和第二分割子模型， 所 述分类子模型用于预测所述第一车道线样本图像的场景标签和所述第二车道线样本图像 的场景标签， 所述第一分割子模型用于预测所述第一车道线样本图像的车道线类别， 所述 第二分割子模型用于预测所述第二车道线样本图像的车道线类别。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述第 一车道线样本图像和所述 第二车道线样本图像， 训练预设检测模型获得 车道线检测模型， 包括： 通过所述分类子模型对所述第 一车道线样本图像进行场景分类， 获得所述第 一车道线 样本图像的第一预测场景 标签； 通过所述分类子模型对所述第 二车道线样本图像进行场景分类， 获得所述第 二车道线 样本图像的第二预测场景 标签； 通过所述第 一分割子模型对第 一车道线样本图像进行车道线分割， 获得所述第 一车道 线样本图像的第一预测车道线类别； 通过所述第 二分割子模型对第 二车道线样本图像进行车道线分割， 获得所述第 二车道 线样本图像的第二预测车道线类别； 根据所述第一预测场景标签、 所述第 一预测车道线类别、 所述普通场景标签、 所述第一 标注车道线类别、 第一损失函数和第二损失函数， 调整所述分类子模型 的模型参数和所述 第一分割子模型 的模型参数， 直至所述预设检测模型训练完成； 所述第一损失函数对应所 述分类子模型， 所述第二损失函数对应所述第一分割子模型和所述第二分割子模型； 根据所述第二预测场景标签、 所述第 二预测车道线类别、 所述压线场景标签、 所述第二 标注车道线类别、 所述第一损失函数和所述第二损失函数， 调整所述分类子模型 的模型参 数和所述第二分割子模型的模型参数， 直至所述预设检测模型训练完成； 将训练完成的所述预设检测模型确定为所述车道线检测模型。 3.根据权利要求2所述的方法， 其特征在于， 所述分类子模型包括特征提取层和分类 器； 所述通过所述分类子模型对所述第一车道线样本图像进行场景分类， 获得所述第一车 道线样本图像的第一预测场景 标签， 包括： 通过所述特征提取层对所述第 一车道线样本图像进行特征提取， 获得所述第 一车道线 样本图像的第一特 征图像； 通过所述分类 器对所述第一特 征图像进行场景分类， 获得 所述第一预测场景 标签； 所述通过所述分类子模型对所述第 二车道线样本图像进行场景分类， 获得所述第 二车 道线样本图像的第二预测场景 标签， 包括： 通过所述特征提取层对所述第 二车道线样本图像进行特征提取， 获得所述第 二车道线 样本图像的第二特 征图像； 通过所述分类 器对所述第二特 征图像进行场景分类， 获得 所述第二预测场景 标签。权　利　要　求　书 1/3 页 2 CN 115512327 A 24.根据权利要求3所述的方法， 其特征在于， 所述第 一分割子模型包括第 一解码层和第 一分割层； 所述通过所述第一分割子模型对第一车道线样本图像进行车道线分割， 获得所 述第一车道线样本图像的第一预测车道线类别， 包括： 通过所述第 一解码层对所述第 一特征图像进行特征解码， 获得所述第 一车道线样本图 像的第三特 征图像； 所述第三特 征图像与所述第一车道线样本图像的图像尺寸相同； 通过所述第 一分割层对所述第 三特征图像进行车道线分割， 获得所述第 一预测车道线 类别。 5.根据权利要求3所述的方法， 其特征在于， 所述第 二分割子模型包括第 二解码层和第 二分割层； 所述通过所述第二分割子模型对第二车道线样本图像进行车道线分割， 获得所 述第二车道线样本图像的第二预测车道线类别， 包括： 通过所述第 二解码层对所述第 二特征图像进行特征解码， 获得所述第 二车道线样本图 像的第四特 征图像； 所述第四特 征图像与所述第二车道线样本图像的图像尺寸相同； 通过所述第 二分割层对所述第四特征图像进行车道线分割， 获得所述第 二预测车道线 类别。 6.一种车道线检测方法， 其特 征在于， 包括： 获取待检测车道线图像； 通过车道线检测模型对所述待检测车道线图像进行车道线检测， 获得所述待检测车道 线图像的第三预测车道线类别； 其中， 所述车道线检测模型 是权利要求1 ‑5任一项所述的车道线检测模型。 7.根据权利要求6所述的方法， 其特征在于， 所述通过车道线检测模型对所述待检测车 道线图像进行 车道线检测， 获得 所述待检测车道线图像的第三预测车道线类别， 包括： 通过所述分类子模型对所述待检测车道线图像进行场景分类， 获得所述待检测车道线 图像的第三预测场景 标签； 若所述第三预测场景标签为所述普通场景标签， 通过所述第 一分割子模型对所述待检 测车道线图像进行 车道线分割， 获得 所述第三预测车道线类别； 若所述第三预测场景标签为所述压线场景标签， 通过所述第 二分割子模型对所述待检 测车道线图像进行 车道线分割， 获得 所述第三预测车道线类别。 8.根据权利要求6所述的方法， 其特 征在于， 所述方法还 包括： 对条件卷积层、 所述第一分割子模型和所述第二分割子模型进行合并， 获得分割子模 型； 所述条件卷积层表示所述第三预测场景标签为所述普通场景标签时， 所述分割子模型 为所述第一分割子模型， 所述第三预测场景标签为所述压线场景标签时， 所述分割子模型 为所述第二分割子模型； 所述通过车道线检测模型对所述待检测车道线图像进行车道线检测， 获得所述待检测 车道线图像的第三预测车道线类别， 包括： 通过所述分类子模型对所述待检测车道线图像进行场景分类， 获得所述待检测车道线 图像的第三预测场景 标签； 基于所述第 三预测场景标签， 通过所述分割子模型对所述待检测车道线图像进行车道 线分割， 获得 所述第三预测车道线类别。 9.一种车道线检测模型训练装置， 其特 征在于， 包括： 第一获取 单元和训练单 元；权　利　要　求　书 2/3 页 3 CN 115512327 A 3