CN115131759B 交通标线的识别方法、装置、计算机设备和存储介质 （上海商汤临港智能科技有限公司）

WO2020103893A1,2020.05.28数据；基于每个目标栅格所包含的局部点云数于各个目标栅格分别所属的交通标线类别的概2对所述道路点云数据进行栅格化划分，得到至少一个三维的目标栅基于各个所述目标栅格分别所属的交通标线类别的概率，确定获取样本点云数据；对所述样本点云数据进行栅格化划分，得将每个所述样本栅格所包含的所述局部样本点云数据输入至待训练在所述样本栅格的所述标注标签信息指示所述样本栅格不属基于所述第一损失和所述第二损失，对所述待训练神经网络进针对每个所述目标栅格所包含的所述局部点云数据，对所述局部点基于所述道路特征信息，确定所述目标栅格属于所述车道线类别针对每个所述目标栅格，确定所述目标栅格的所述第一概率和所在存在所述目标概率的情况下，根据所述目标概率关联的所在所述目标概率包括所述第一概率和所述第二概率的情况下35.根据权利要求1至4任一项所述的方法，基于所述标线识别结果指示的至少一条交通标线的标线信息，控制所述行驶装置行所述基于所述样本栅格的所述第一预测概率、所述第二预测概率、从所述样本栅格的所述第一预测概率和所述第二预测概率中，确定出与基于所述第一预测概率和所述第二预测概率中除所述目标预测概率之外的其他预测基于所述样本俯视图中各个像素点的像素信息，确定与每个所基于所述样本俯视图中各个像素点的像素信息，确定所述样本俯针对所述标注标签信息指示为交通标线类别的目标所述目标像素点的相邻像素点的标注标签信息调整为所述目标像素点的基于所述样本俯视图中所述相邻像素点的调整后的标注划分模块，用于对所述道路点云数据进行栅格化第一确定模块，用于利用训练后的目标神经网络，基于每个第二确定模块，用于基于各个所述目标栅格分别所属的交通获取样本点云数据；对所述样本点云数据进行栅格化划分，得4将每个所述样本栅格所包含的所述局部样本点云数据输入至待训练在所述样本栅格的所述标注标签信息指示所述样本栅格不属基于所述第一损失和所述第二损失，对所述待训练神经网络进5[0002]随着计算机视觉技术的快速发展，计算机视觉技术在越来越多的领域中得到应[0011]在一种可能的实施方式中，所述交通标线类别包括车道线类别和道路边界线类6标栅格的准确交通标线类别。[0018]基于各个所述目标栅格的所述识别结果，确定所述道路点云数据的标线识别结[0028]利用训练后的目标神经网络，基于每个所述目标栅格所包含的所述局部点云数7栅格的标注标签信息指示的交通标线类别相匹配的目标[0046]基于所述第一预测概率和所述第二预测概率中除所述目标预测概率之外的其他异，第二子损失能够表征网络输出的预测概率和背景标签对应的标注标签信息之间的差8[0049]基于各个所述样本栅格分别所包含的所述局部样本点云数据[0052]在一种可能的实施方式中，所述基于所述样本俯视图中[0054]针对所述标注标签信息指示为交通标线类别的目标像素点，基于预设的扩展宽[0062]在一种可能的实施方式中，所述交通标线类别包括车道线类别和道路边界线类9[0066]基于各个所述目标栅格的所述识别结果，确定所述道路点云数据的标线识别结标注标签信息指示的交通标线类别相匹配的目[0085]基于所述第一预测概率和所述第二预测概率中除所述目标预测概率之外的其他[0089]针对所述标注标签信息指示为交通标线类别的目标像素点，基于预设的扩展宽[0097]图2示出了本公开实施例所提供的一种对待训练神经网络进行训练的方法的流程道路图像中属于交通标线的像素点，在图像坐标系中的坐标转换为世界坐标系中的坐标，定出道路点云数据中属于交通标线类别的各个点云点，进而准确得到各个类别的交通标[0105]针对以上方案所存在的缺陷，均是发明人在经过实践并[0108]下面以执行主体为计算机设备为例对本公开实施例提供的交通标线的识别方法标系中的纵轴方向(即y轴方向)可以垂直道路所在方向，世界坐标系中的竖轴方向(即z轴类别的交通标线包括位于道路两侧边缘处的道路边界线；车道线类别的交通标线为道路够表征目标栅格与道路中的交通标线类别是否相一层线性整流函数(Linearrectificationfunction，简称ReLU)函数层和一层最大池化输入至ReLU函数层，利用ReLU函数对每个第二中间特征信息对应的特征值进行数值转化，将小于0的特征值置为0，将大于0的特征值保留，从而得到每个点云点的第三中间特征信[0142]这里，标线识别结果用于指示道路点云数据对应的至少一条交通标线的标线信点云数据对应的各条道路边界线的标线信息。标线信息可以包括交通标线的标线位置和/定出每个目标栅格所属的交通标线类别。格所包含的局部点云数据中的各个点云点均为道路边界线类基于各条交通标线分别对应的目标栅格中的点云点的坐标，确定各条交通标线的标线位以为利用安装在行驶装置上的激光雷达采集的。在得到道路点云数据的标线识别结果之将目标像素点的相邻像素点的标注标签信息调整为目标像素点[0199]在一种实施例中，预测概率可以包括样本栅格属于车道线类别的第一预测概率、标注标签信息指示的交通标线类别相匹配的目与该样本栅格实际所属的交通标线类别相匹的目标[0223]在一种可能的实施方式中，所述交通标线类别包括车道线类别和道路边界线类[0227]基于各个所述目标栅格的所述识别结果，确定所述道路点云数据的标线识别结线信息包括标线位置和/或标线类别。[0240]所述训练模块306，在所述基于各个所述样本栅格分别所属的交通标线类别的预的标注标签信息指示的交通标线类别相匹配的目[0246]基于所述第一预测概率和所述第二预测概率中除所述目标预测概率之外的其他[0250]针对所述标注标签信息指示为交通标线类别的目标像素点，基于预设的扩展宽的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件[0263]若本申请技术方案涉及个