(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 202210828421.8 (22)申请日 2022.07.13 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 韩文华　 (74)专利代理 机构 北京市汉坤律师事务所 11602 专利代理师 姜浩然　吴丽丽 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06V 10/26(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 一种车道线拟合方法、 装置、 电子设备和介 质 (57)摘要 本公开提供了一种车道线拟合方法、 装置、 电子设备、 计算机可读存储介质和计算机程序产 品， 涉及人工智能领域， 尤其涉及图像处理、 计算 机视觉和深度学习等技术领域， 可应用于智慧城 市、 智能交通场景。 实现方案为： 获取包括待拟合 车道线的图像； 将图像输入经训练的神经网络模 型的第一采样网络进行第一预设倍数的下采样 获得第一图像特征； 将第一图像特征输入第二采 样网络进行第二预设倍数的上采样获得第二图 像特征； 将第二图像特征与下采样过程中所生成 相同尺寸的图像特征输入第一融合网络获得图 像掩码特征； 将图像掩码特征和第一图像特征输 入预测网络， 以预测得到待拟合车道线所对应的 函数参数值， 函数参数值为待拟合车道线所对应 预设函数的参数值。 权利要求书4页 说明书12页 附图9页 CN 115019278 A 2022.09.06 CN 115019278 A 1.一种车道线拟合方法， 包括： 获取包括待拟合车道线的图像； 将所述图像输入经训练 的神经网络模型的第 一采样网络进行第 一预设倍数的下采样， 以获得第一图像特征， 其中， 所述经训练的神经网络模型还包括： 第二采样网络、 第一融合 网络以及预测网络； 将所述第一图像特征输入所述第 二采样网络进行第 二预设倍数的上采样， 以获得第 二 图像特征， 其中， 所述第二预设倍数小于所述第一预设倍数； 将所述第二图像特征与所述第一预设倍数的下采样过程中所生成的与所述第二图像 特征具有相同尺寸的图像特 征输入所述第一融合网络， 以获得图像掩码特 征； 以及 将所述图像掩码特征和所述第 一图像特征输入所述预测网络， 以预测得到所述待拟合 车道线所对应的函数参数值， 其中， 所述函数参数值为所述待拟合车道线所对应的预设函 数形式的参数值。 2.如权利要求1所述的方法， 其中， 所述经训练的神经网络模型还包括空洞卷积网络， 并且其中， 在将所述第一图像特征输入所述第二采样网络之前， 将所述第一图像特征输入 所述空洞卷积网络， 以获得增强后的所述第一图像特 征。 3.如权利要求1所述的方法， 其中， 所述第二采样网络包括第三采样子网络、 第二融合 子网络以及第四采样子网络， 并且其中， 将所述第一图像特征输入所述第二采样网络进行 第二预设倍数的上采样包括： 将所述第一图像特征输入所述第 三采样子网络进行第 三预设倍数的上采样， 以获得第 三图像特 征， 其中所述第三预设倍数小于所述第二预设倍数； 将所述第二图像特征以及所述第一预设倍数的下采样过程中所生成的与所述第三图 像特征具有相同尺寸的图像特征输入所述第二融合子网络， 以获得第一融合图像特征； 以 及 将所述第一融合图像特征输入所述第四采样子网络进行相应倍数的上采样， 以获得第 二图像特 征。 4.如权利要求3所述的方法， 其中， 所述第 一融合网络和所述第 二融合子网络可以执行 以下项中的任意 一项： 相对应的像素点的相加操作、 Co ncat融合操作、 以及池化操作。 5.如权利要求1所述的方法， 其中， 所述预测网络包括第五采样子网络、 第三融合子网 络和全连接层， 并且其中， 将所述图像掩码特征和所述第一图像特征输入所述预测网络以 预测得到所述待拟合车道线所对应的函数参数值包括： 将所述图像掩码特征输入所述第五采样子网络进行相应倍数的下采样， 获得与所述第 一图像特 征相同尺寸的图像掩码特 征； 将与所述第一图像特征相同尺寸的图像掩码特征以及所述第一图像特征输入第三融 合子网络， 以获得第二融合图像特 征； 以及 将所述第二融合图像特征输入所述全连接层， 以预测得到所述待拟合车道线所对应的 函数参数值。 6.如权利要求5所述的方法， 其中， 将与 所述第一图像特征相同尺寸的图像掩码特征以 及所述第一图像特 征输入第三融合子网络包括： 将与所述第一图像特征相同尺寸的图像掩码特征中的每个像素点均加上预设值， 其中权　利　要　求　书 1/4 页 2 CN 115019278 A 2所述预设值 为正数； 以及 将所述加上预设值后的图像掩码特征以及所述第一图像特征输入所述第三融合子网 络进行相对应 像素点之间的相乘操作， 以获得第二融合图像特 征。 7.一种神经网络模型训练方法， 包括： 初始化待训练的神经网络模型， 其中， 所述神经网络模型包括第一采样网络、 第 二采样 网络、 第一融合网络以及预测网络； 获取包括待拟合车道线的样本图像以及所述样本图像所对应的标签数据， 其中所述标 签数据包括所述待拟合车道线上的一组点所对应的坐标； 将所述样本图像输入所述第 一采样网络以进行第 一预设倍数的下采样， 获得第 一图像 特征； 将所述第一图像特征输入所述第 二采样网络以进行第 二预设倍数的上采样， 获得第 二 图像特征， 其中， 所述第二预设倍数小于所述第一预设倍数； 将所述第二图像特征与所述第一预设倍数的下采样过程中所生成的与所述第二图像 特征具有相同尺寸的图像特 征输入所述第一融合网络， 以获得图像掩码特 征； 将所述图像掩码特征和所述第 一图像特征输入所述预测网络， 以预测得到所述待拟合 车道线所对应的函数参数值； 以及 基于拟合得到的函数参数值以及所述标签数据调节所述神经网络模型的参数。 8.如权利要求7所述的方法， 其中， 所述神经网络模型还包括空洞卷积网络， 并且其中， 在将所述第一图像特征输入所述第二采样网络之前， 将所述第一图像特征输入所述空洞卷 积网络， 以获得增强后的所述第一图像特 征。 9.如权利要求7所述的方法， 其中， 所述第二采样网络包括第三采样子网络、 第二融合 子网络以及第四采样子网络， 并且其中， 将所述第一图像特征输入所述第二采样网络进行 第二预设倍数的上采样包括： 将所述第一图像特征输入所述第 三采样子网络进行第 三预设倍数的上采样， 以获得第 三图像特 征， 其中所述第三预设倍数小于所述第二预设倍数； 将所述第二图像特征以及所述第一预设倍数的下采样过程中所生成的与所述第三图 像特征具有相同尺寸的图像特征输入所述第二融合子网络， 以获得第一融合图像特征； 以 及 将所述第一融合图像特征输入所述第四采样子网络进行相应倍数的上采样， 以获得第 二图像特 征。 10.如权利要求9所述的方法， 其中， 所述第一融合网络和所述第二融合子网络可以执 行以下项中的任意 一项： 相对应的像素点的相加操作、 Co ncat融合操作、 以及池化操作。 11.如权利要求7所述的方法， 其中， 所述预测网络包括第五采样子网络、 第 三融合子网 络和全连接层， 并且其中， 将所述图像掩码特征和所述第一图像特征输入所述预测网络以 预测得到所述待拟合车道线所对应的函数参数值包括： 将所述图像掩码特征输入所述第五采样子网络进行相应倍数的下采样， 获得与所述第 一图像特 征相同尺寸的图像掩码特 征； 将与所述第一图像特征相同尺寸的图像掩码特征以及所述第一图像特征输入第三融 合子网络， 以获得第二融合图像特 征； 以及权　利　要　求　书 2/4 页 3 CN 115019278 A 3