本发明涉及自动驾驶，尤其涉及车道线检测模型训练方法、检测方法、装置、设备及介质。
背景技术：
1、自动驾驶是依靠计算机与人工智能技术在没有人为操纵的情况下，完成完整、安全、有效的驾驶的一项前沿科技。车道线检测作为自动驾驶领域最关键的技术之一，是自动驾驶控制模块、定位模块以及建图模块重要的先验输入，近年来受到越来越多研究人员的关注。
2、而现有的车道线检测方法，存在车道线检测的精确度较低的问题。
技术实现思路
1、本发明提供了一种车道线检测模型训练方法、检测方法、装置、设备及介质，以解决现有的车道线检测方法，存在车道线检测的精确度较低的问题。
2、根据本发明的一方面，提供了一种车道线检测模型的训练方法，包括：
3、将训练样本图像转换为样本鸟瞰图，其中，训练样本图像为目标车辆的单目图像采集装置采集得到的前视图像；
4、利用预设检测模型对样本鸟瞰图进行处理，其中，预设检测模型包括顺次连接的第一特征提取网络、第二特征提取网络和特征点预测网络，第一特征提取网络用于提取样本鸟瞰图的高维样本特征图，第二特征提取网络用于提取高维样本特征图中的不同尺度的空间特征，特征点预测网络用于预测训练样本图像中的三维车道线；
5、根据预设检测模型的输出和训练样本图像确定目标损失函数；
6、基于目标损失函数对预设检测模型进行训练。
7、根据本发明的另一方面，提供了一种车道线检测方法，包括：
8、将待检测图像转换为鸟瞰图，其中，待检测图像为目标车辆的单目图像采集装置采集得到的前视图像；
9、利用目标车道线检测模型对鸟瞰图进行处理，其中，目标车道线检测模型通过车道线检测模型的训练方法训练得到；
10、根据目标车道线检测模型的输出确定待检测图像中的三维车道线。
11、根据本发明的另一方面，提供了一种车道线检测模型的训练装置，包括：
12、样本图像转换模块，用于将训练样本图像转换为样本鸟瞰图，其中，训练样本图像为目标车辆的单目图像采集装置采集得到的前视图像；
13、样本图像处理模块，用于利用预设检测模型对样本鸟瞰图进行处理，其中，预设检测模型包括顺次连接的第一特征提取网络、第二特征提取网络和特征点预测网络，第一特征提取网络用于提取样本鸟瞰图的高维样本特征图，第二特征提取网络用于提取高维样本特征图中的不同尺度的空间特征，特征点预测网络用于预测训练样本图像中的三维车道线；
14、函数确定模块，用于根据预设检测模型的输出和训练样本图像确定目标损失函数；
15、模型训练模块，用于基于目标损失函数对预设检测模型进行训练。
16、根据本发明的另一方面，提供了一种车道线检测装置，包括：
17、图像转换模块，用于将待检测图像转换为鸟瞰图，其中，待检测图像为目标车辆的单目图像采集装置采集得到的前视图像；
18、图像处理模块，用于利用目标车道线检测模型对鸟瞰图进行处理，其中，目标车道线检测模型通过车道线检测模型的训练方法训练得到；
19、车道线确定模块，用于根据目标车道线检测模型的输出确定待检测图像中的三维车道线。
20、根据本发明的另一方面，提供了一种电子设备，电子设备包括：
21、至少一个处理器；以及
22、与至少一个处理器通信连接的存储器；其中，
23、存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的一种车道线检测模型的训练方法，或者，执行本发明任一实施例的一种车道线检测方法。
24、根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的一种车道线检测模型的训练方法，或者，实现本发明任一实施例的一种车道线检测方法。
25、本发明实施例提供的技术方案，通过将训练样本图像转换为样本鸟瞰图，其中，训练样本图像为目标车辆的单目图像采集装置采集得到的前视图像；利用预设检测模型对样本鸟瞰图进行处理，其中，预设检测模型包括顺次连接的第一特征提取网络、第二特征提取网络和特征点预测网络，第一特征提取网络用于提取样本鸟瞰图的高维样本特征图，第二特征提取网络用于提取高维样本特征图中的不同尺度的空间特征，特征点预测网络用于预测训练样本图像中的三维车道线；根据预设检测模型的输出和训练样本图像确定目标损失函数；基于目标损失函数对预设检测模型进行训练。通过上述技术方案，将训练样本图像转换为样本鸟瞰图，并通过预设检测模型中顺序连接的第一特征提取网络、第二特征提取网络和特征点预测网络实现对样本鸟瞰图的处理，进而根据预设检测模型的输出和训练样本图像确定目标损失函数，并基于目标损失函数对预设检测模型进行训练。由于车道线在训练样本图像中的大小与其距离单目图像采集装置的距离成反向比例关系，因此，在特征点预测网络进行三维车道线预测前，先由第二特征提取网络提取样本鸟瞰图的高维样本特征图中的不同尺度的空间特征，基于该训练方式训练的车道线检测模型，可以有效提高车道线检测的精确度。
26、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
1.一种车道线检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第二特征提取网络包括卷积层参数不同的预设数量的卷积神经网络和每个所述卷积神经网络对应的特征提取模块，其中，所述预设数量大于1；
3.根据权利要求2所述的方法，其特征在于，所述利用所述特征点预测网络对所述样本鸟瞰图特征图进行三维车道线的预测，包括：
4.根据权利要求1所述的方法，其特征在于，所述预设检测模型中还包括承接所述第一特征提取网络的语义分割模块，所述语义分割模块用于基于语义分割技术根据所述高维样本特征图确定所述训练样本图像中的二维车道线；
5.根据权利要求1所述的方法，其特征在于，所述将训练样本图像转换为样本鸟瞰图，包括：
6.一种车道线检测方法，其特征在于，包括：
7.一种车道线检测模型的训练装置，其特征在于，包括：
8.一种车道线检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的一种车道线检测模型的训练方法，或者，实现权利要求6所述的一种车道线检测方法。
