(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 202210845003.X (22)申请日 2022.07.18 (71)申请人 重庆长安汽车股份有限公司 地址 400020 重庆市江北区鱼嘴镇长安汽 车全球研发中心 (72)发明人 叶德贤　 (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 黄琼 (51)Int.Cl. G06V 20/56(2022.01) G06V 20/58(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01)G06V 10/766(2022.01) (54)发明名称 车道线方程的拟合方法、 装置、 车辆及存储 介质 (57)摘要 本申请涉及一种车道线 方程的拟合方法、 装 置、 车辆及存储介质， 其中， 方法包括： 采集车辆 的当前道路图像； 将当前道路图像输入至预先训 练的边缘坐标识别模型， 得到当前道路图像中车 道线的多个边缘坐标点， 其中， 预先训练的边缘 坐标识别模型由目标道路图像训练目标卷积神 经网络得到； 拟合多个边缘坐标点， 得到当前道 路图像中的车道线方程。 本申请实施例的车道线 方程的拟合方法将车道线检测与获取采样点放 在一个神经网络并联合进行训练， 利用神经网络 参数学习车道线检测和获取采样点， 不仅提高了 效率， 而且输出的采样点具有像素级别的分辨 率， 可以更准确的用于车道线拟合。 权利要求书2页 说明书8页 附图3页 CN 115223124 A 2022.10.21 CN 115223124 A 1.一种车道线方程的拟合方法， 其特 征在于， 包括以下步骤： 采集车辆的当前道路图像； 将所述当前道路图像输入至预先训练 的边缘坐标识别模型， 得到所述当前道路图像中 车道线的多个边缘坐标点， 其中， 所述预先训练的边缘坐标识别模型 由所述目标道路图像 训练目标 卷积神经网络得到； 以及 拟合所述多个边 缘坐标点， 得到所述当前道路图像中的车道线方程。 2.根据权利要求1所述的方法， 其特征在于， 在将所述当前道路图像输入至所述预先训 练的边缘坐标识别模型之前， 还 包括： 采集所述车辆的目标道路图像； 将所述目标道路图像网格化处理， 并标注所述目标道路图像中每一个矩形所属的车道 线类型和边界点， 并根据所述目标道路图像中所有矩形的车道线类型和边界点构建所述目 标卷积神经网络； 基于分类和回归损 失函数， 利用所述目标道路图像训练所述目标卷积神经网络， 得到 所述预先训练的边 缘坐标识别模型。 3.根据权利要求2所述的方法， 其特征在于， 所述将所述当前道路图像网格化处理， 并 标注所述当前道路图像中每一个矩形的车道线类型和边界点， 包括： 基于预设长度和预设宽度， 按照网格方式对所述当前道路图像进行划分， 得到多个矩 形； 标注每个矩形内的车道线类型和所述每 个矩形内车道线的多个预设位置的边界点。 4.根据权利要求3所述的方法， 其特征在于， 所述多个预设位置的边界点包括所述车道 线左上位置的边界点、 所述车道线右上位置的边界点、 所述车道线左下位置的边界点、 所述 车道线右下位置的边界点。 5.根据权利要求2所述的方法， 其特 征在于， 所述分类和回归损失函数为： 其中， Lcls为车道线种类分类的损失函数， Lreg为边界点坐标的回归函数， row为行， column为列， Clane为车道线类型， qijc为网格第i行第j列小矩形是否属于第c种车道线的标 签， pijc为网格第i行第 j列小矩形是否属于第c种车道线的预测概率， 为第i行第 j列小矩 形第k个边界点的横坐标标签， xijk为预测的第i行第j列小矩形第k个边界点的边界点横坐 标， 为第i行第j列小矩形第k个边界点的纵坐标标签， yijk为预测的第i行第 j列小矩形第 k个边界点的边界点纵坐标， λ为调节Lcls和Lreg的权重。 6.一种车道线方程的拟合装置， 其特 征在于， 包括： 采集模块， 用于采集车辆的当前道路图像； 输入模块， 用于将所述当前道路图像输入至预先训练的边缘坐标识别模型， 得到所述 当前道路图像中车道线的多个边缘坐标点， 其中， 所述预先训练的边缘坐标识别模型 由所 述目标道路图像训练目标 卷积神经网络得到； 以及权　利　要　求　书 1/2 页 2 CN 115223124 A 2拟合模块， 用于拟合所述多个边 缘坐标点， 得到所述当前道路图像中的车道线方程。 7.根据权利要求1所述的装置， 其特征在于， 在将所述当前道路图像输入至所述预先训 练的边缘坐标识别模型之前， 所述输入 模块， 还包括： 采集单元， 用于采集所述车辆的目标道路图像； 构建单元， 用于将所述目标道路图像网格化处理， 并标注所述目标道路图像中每一个 矩形所属的车道线类型和边界点， 并根据所述目标道路图像中每一个矩形的车道线类型和 边界点构建所述目标 卷积神经网络； 获取单元， 用于基于分类和回归损 失函数， 利用所述目标道路图像训练所述目标卷积 神经网络， 得到所述预 先训练的边 缘坐标识别模型。 8.根据权利要求7 所述的装置， 其特 征在于， 所述构建单 元， 具体用于： 基于预设长度和预设宽度， 按照网格方式对所述当前道路图像进行划分， 得到多个矩 形； 标注每个矩形内的车道线类型和所述每 个矩形内车道线的多个预设位置的边界点。 9.一种车辆， 其特征在于， 包括： 存储器、 处理器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， 所述处理器执行所述程序， 以实现如权利要求 1‑5任一项所述的 车道线方程的拟合方法。 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， 该程序被处理器 执行， 以用于实现如权利要求1 ‑5任一项所述的车道线方程的拟合方法。权　利　要　求　书 2/2 页 3 CN 115223124 A 3