【技術實現步驟摘要】
本申請涉及公路交通領域，具體地涉及標線識別方法和裝置、電子設備及程序產品。
技術介紹
1、交通標線是施劃在路面上的關鍵交通控制設施，旨在渠化交通流動、誘導車輛線形，并保障交通安全。這些標線具有界定行車道邊界、規范和管理駕駛員駕駛行為、誘導駕駛員視線、指示和預告前方道路情況以及明確使用路權的多重功能。
2、標線識別在公路交通領域具有廣泛的應用。特別是在進行標線逆反射系數的檢測過程中，標線的準確、快速識別評估標線在不同光照條件下可見性的關鍵環節。
3、鑒于此，業界迫切期待提高標線識別解決方案的識別準確度和識別效率。
4、本
技術介紹
描述的內容僅為了便于了解本領域的相關技術，不視作對現有技術的承認。
技術實現思路
1、因此，本申請實施例打算提供具有較高識別準確度和識別效率的標線識別解決方案。
2、第一方面，提供一種標線識別方法，其包括：
3、將與標線相關的圖像輸入基于yolo圖像分割算法的標線識別模型進行標線識別處理，從而在所述圖像中標識標線區域，所述基于yolo圖像分割算法的標線識別模型包括主干網絡(backbone?network)、頸部網絡(neck?network)和用于處理不同尺寸特征圖的多個分割頭(segment?head)，
4、其中，所述標線識別處理包括：
5、利用所述主干網絡對輸入圖像進行特征提取，通過多個特征通道輸出多個特征圖，所述多個特征通道對應所述多個分割頭；
6、對所述
7、利用所述頸部網絡對經部分注意力處理的多個特征圖進行采樣處理，將經采樣處理的多個特征圖對應輸出到所述多個分割頭；
8、利用所述多個分割頭分別處理經采樣處理的多個特征圖，以分割提取所述多個特征圖中的標線區域。
9、可選地，所述多個分割頭包括大尺寸分割頭、多個中間尺寸分割頭和小尺寸分割頭，
10、其中，所述多個通道包括對應大尺寸分割頭的第一特征通道、分別對應多個中間尺寸分割頭的多個第二特征通道和對應小尺寸分割頭的第三特征通道；
11、其中，所述通過多個特征通道輸出多個特征圖，包括：
12、通過所述第一特征通道輸出所述大尺寸特征圖，
13、通過所述多個第二特征通道分別輸出所述多個中間尺寸特征圖，
14、通過所述第三特征通道輸出所述小尺寸特征圖；
15、其中，所述對所述多個特征通道部分施加注意力機制，從而對所述多個特征圖的一部分施加注意力處理，對所述多個特征圖的其他部分不施加注意力處理，包括：
16、對所述第一特征通道和所述第三通道添加注意力機制從而對所述大尺寸特征圖和所述小尺寸特征圖施加注意力處理，且對所述第二通道不添加注意力機制從而對所述中間尺寸特征圖不施加注意力處理；
17、其中，所述將經采樣處理的多個特征圖對應輸出到所述多個分割頭，包括：
18、將經采樣處理的大尺寸特征圖對應輸出到所述大尺寸分割頭，
19、將經采樣處理的多個中等尺寸特征圖分別對應輸出到所述多個第二分割頭，
20、將經采樣處理的所述小尺寸特征圖對應輸出到小尺寸分割頭。
21、可選地，所述注意力機制包括用于將標線區域的空間坐標信息嵌入到特征中的編碼器和基于嵌入的標線區域的空間坐標信息生成坐標注意力的坐標注意力生成模塊。
22、可選地，所述主干網絡包括分別對應所述多個特征通道的多個特征提取卷積模塊，至少部分對應未添加注意力機制的特征通道的特征提取卷積模塊包括可變形卷積提取層，對應添加注意力機制的特征通道的特征提取卷積模塊包括固定卷積提取層。
23、可選地，所述大尺寸分割頭對應的大尺寸特征圖與所述小尺寸分割頭對應的小尺寸特征圖之比大于或等于8。
24、可選地，進行所述標線識別處理之前，所述方法還包括：
25、將含有被標注標線的訓練圖像輸入待訓練的標線識別模型框架中進行訓練，以得到經訓練的所述標線識別模型，其中，所述訓練圖像帶有與被標注標線相關的真實值，所述真實值包括被標注標線的真實框；
26、所述訓練包括迭代執行下述步驟直至達到預設訓練完成條件：
27、將訓練樣本輸入所述標線識別模型框架，獲得與被標注標線相關的預測值，所述預測值包括被標注標線的預測框；
28、基于給定的損失函數，計算預測值和真實值之間的損失值，其中所述給定的損失函數包括關鍵點交并比(mpdiou)損失函數，所述計算預測值和真實值之間的損失值，包括：
29、確定所述預測框和所述真實框的面積交并比，
30、根據給定的多個框關鍵點，確定所述預測框的框關鍵點和真實框的對應框關鍵點的距離，所述多個框關鍵點包括對角點，
31、根據所述面積交并比和所述距離，確定關鍵點交并比損失值；
32、基于所述損失值反向更新所述標線識別模型框架的參數。
33、第二方面，提供一種標線識別模型訓練方法，其包括：將含有被標注標線的訓練圖像輸入待訓練的標線識別模型框架中進行訓練，以得到經訓練的標線識別模型，
34、其中，待訓練的標線識別模型框架為基于yolo圖像分割算法的標線識別模型框架，其包括主干網絡(backbone?network)、頸部網絡(neck?network)和用于處理不同尺寸特征圖的多個分割頭(segment?head)，
35、其中，所述訓練圖像帶有與被標注標線相關的真實值，所述真實值包括被標注標線的真實框；
36、所述訓練包括迭代執行下述步驟直至達到預設訓練完成條件：
37、將訓練樣本輸入所述標線識別模型框架，獲得與被標注標線相關的預測值，所述預測值包括被標注標線的預測框；
38、基于給定的損失函數，計算預測值和真實值之間的損失值，其中所述給定的損失函數包括關鍵點交并比(mpdiou)損失函數，所述計算預測值和真實值之間的損失值，包括：
39、確定所述預測框和所述真實框的面積交并比，
40、根據給定的多個框關鍵點，確定所述預測框的框關鍵點和真實框的對應框關鍵點的距離，所述多個框關鍵點包括框對角點，
41、根據所述面積交并比和所述距離，確定關鍵點交并比損失值；
42、基于所述損失值，反向更新所述標線識別模型框架的參數。
43、第三方面，提供一種標線識別模型，所述標線識別模型由根據第二方面所述的標線識別模型訓練方法訓練得到的。
44、第四方面，提供一種電子設備，其包括：處理器和存儲有計算機程序的存儲器，所述處理器被配置為在運行計算機程序時實現根據第一方面和第二方面所述的方法。
45、第五方面，提供一種程序產品，包括計算機程序，其中，所述計算機程本文檔來自技高網...
【技術保護點】
1.一種標線識別方法，其特征在于，包括：
2.根據權利要求1所述的標線識別方法，其特征在于，所述多個分割頭包括大尺寸分割頭、多個中間尺寸分割頭和小尺寸分割頭，
3.根據權利要求1所述的標線識別方法，其特征在于，所述注意力機制包括用于將標線區域的空間坐標信息嵌入到特征中的編碼器和基于嵌入的標線區域的空間坐標信息生成坐標注意力的坐標注意力生成模塊。
4.根據權利要求1所述的標線識別方法，其特征在于，所述主干網絡包括分別對應所述多個特征通道的多個特征提取卷積模塊，至少部分對應未添加注意力機制的特征通道的特征提取卷積模塊包括可變形卷積提取層，對應添加注意力機制的特征通道的特征提取卷積模塊包括固定卷積提取層。
5.根據權利要求2所述的標線識別方法，其特征在于，所述大尺寸分割頭對應的大尺寸特征圖與所述小尺寸分割頭對應的小尺寸特征圖之比大于或等于8。
6.根據權利要求1至5中任一項所述的標線識別方法，進行所述標線識別處理之前，所述方法還包括：
7.一種標線識別模型訓練方法，其特征在于，包括：將含有被標注標線的訓練圖像輸入待
8.一種標線識別模型，其特征在于，所述標線識別模型由根據權利要求7所述的標線識別模型訓練方法訓練得到的。
9.一種電子設備，其特征在于，包括：處理器和存儲有計算機程序的存儲器，所述處理器被配置為在運行計算機程序時實現根據權利要求1-7中任一所述的方法。
10.一種程序產品，包括計算機程序，其中，所述計算機程序被處理器執行時實現根據權利要求1-7中任一所述的方法。
...【技術特征摘要】
1.一種標線識別方法，其特征在于，包括：
2.根據權利要求1所述的標線識別方法，其特征在于，所述多個分割頭包括大尺寸分割頭、多個中間尺寸分割頭和小尺寸分割頭，
3.根據權利要求1所述的標線識別方法，其特征在于，所述注意力機制包括用于將標線區域的空間坐標信息嵌入到特征中的編碼器和基于嵌入的標線區域的空間坐標信息生成坐標注意力的坐標注意力生成模塊。
4.根據權利要求1所述的標線識別方法，其特征在于，所述主干網絡包括分別對應所述多個特征通道的多個特征提取卷積模塊，至少部分對應未添加注意力機制的特征通道的特征提取卷積模塊包括可變形卷積提取層，對應添加注意力機制的特征通道的特征提取卷積模塊包括固定卷積提取層。
5.根據權利要求2所述的標線識別方法，其特征在于，所述大尺寸分割頭對應的大...
【專利技術屬性】
技術研發人員：關艷艷，武玉釗，胡江碧，閆東，徐全亮，付有雷，
申請(專利權)人：北京工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。