车道线识别方法、装置、电子设备和计算机可读介质制造方法及图纸

本公开的实施例公开了车道线识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：对预获取的道路图像进行特征点提取，得到特征点组集合；对上述特征点组集合中各个特征点组中的各个特征点进行坐标转换，得到转换特征点组集合；对上述转换特征点组集合中每个转换特征点组中的每个转换特征点进行横向矫正以生成矫正特征点，得到矫正特征点组集合；基于上述矫正特征点组集合，生成车道线识别结果。该实施方式可以提高生成车道线识别结果的准确度。线识别结果的准确度。线识别结果的准确度。

【技术实现步骤摘要】
车道线识别方法、装置、电子设备和计算机可读介质


[0001]本公开的实施例涉及计算机
，具体涉及车道线识别方法、装置、电子设备和计算机可读介质。

技术介绍

[0002]车道线识别，是无人驾驶领域中不可缺少的一项技术。目前，在进行车道线识别时，通常采用的方式为：通过三次多项式对基于图像反投影得到的车道线进行表示，并将该三次多项式作为车道线识别结果。
[0003]然而，当采用上述方式进行车道线识别时，经常会存在如下技术问题：未考虑三次多项式所表征的车道线中各个坐标点的横向不确定度，从而，导致车道线识别结果不够准确，进而，导致自动驾驶的安全性降低。

技术实现思路

[0004]车道线识别，是无人驾驶领域中不可缺少的一项技术。目前，在进行车道线识别时，通常采用的方式为：通过三次多项式对基于图像反投影得到的车道线进行表示，并将该三次多项式作为车道线识别结果。
[0005]然而，当采用上述方式进行车道线识别时，经常会存在如下技术问题：未考虑三次多项式所表征的车道线中各个坐标点的横向不确定度，从而，导致车道线识别结果不够准确，进而，导致自动驾驶的安全性降低。
附图说明
[0006]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0007]图1是本公开的一些实施例的车道线识别方法的一个应用场景的示意图；图2是根据本公开的车道线识别方法的一些实施例的流程图；图3是根据本公开的车道线识别方法的另一些实施例的流程图；图4是根据本公开的车道线识别装置的一些实施例的结构示意图；图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
[0008]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0009]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在
不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0010]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0011]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0012]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0013]下面将参考附图并结合实施例来详细说明本公开。
[0014]图1是本公开的一些实施例的车道线识别方法的一个应用场景的示意图。
[0015]在图1的应用场景中，首先，计算设备101可以对预获取的道路图像102进行特征点提取，得到特征点组集合103。接着，计算设备101可以对上述特征点组集合103中各个特征点组中的各个特征点进行坐标转换，得到转换特征点组集合104。然后，计算设备101可以对上述转换特征点组集合104中每个转换特征点组中的每个转换特征点进行横向矫正以生成矫正特征点，得到矫正特征点组集合105。最后，计算设备101可以基于上述矫正特征点组集合105，生成车道线识别结果106。
[0016]需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
[0017]应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
[0018]继续参考图2，示出了根据本公开的车道线识别方法的一些实施例的流程200。该车道线识别方法的流程200，包括以下步骤：步骤201，对预获取的道路图像进行特征点提取，得到特征点组集合。
[0019]在一些实施例中，车道线识别方法的执行主体（如图1所示的计算设备101）可以对预获取的道路图像进行特征点提取，得到特征点组集合。其中，上述预获取的道路图像可以是当前车辆中安装的相机拍摄的、当前时刻的道路图像，也可以是上述执行主体的缓存中的道路图像。首先，可以通过边缘检测算法对上述道路图像进行边缘检测，确定上述道路图像中所存在的、表征车道线的区域（即，长条形的车道线区域）。另外，每个区域可以对应一个标识，用于唯一标识车道线。然后，可以提取出每个区域的特征点，得到特征点组。具体的，可以提取出每个区域的中心线位置上的各个像素点，作为特征点组。由此，道路图像中若存在多条车道线，则可以检测出多个表征车道线的区域。对于每个区域可以提取出一个特征点组。由此，可以得到特征点组集合。另外，特征点组集合中的特征点可以是上述道路图像中的像素点。因此，每个特征点可以对应一个像素坐标。从而，每个特征点组可以对应一个车道线的唯一标识。例如，1，2，3等。
[0020]步骤202，对特征点组集合中各个特征点组中的各个特征点进行坐标转换，得到转换特征点组集合。
[0021]在一些实施例中，上述执行主体可以对上述特征点组集合中各个特征点组中的各
个特征点进行坐标转换，得到转换特征点组集合。其中，坐标转换可以通过预设的、上述相机的内参矩阵和外参矩阵，将特征点的像素坐标转换至相机坐标系。由此，得到的转换特征点组集合中的转换特征点可以是处于相机坐标系中的三维坐标。具体的，可以将上述摄像头与地面之间的距离值的相反数确定为转换特征点在相机坐标系中的高度值（即，竖坐标值）。
[0022]步骤203，对转换特征点组集合中每个转换特征点组中的每个转换特征点进行横向矫正以生成矫正特征点，得到矫正特征点组集合。
[0023]在一些实施例中，上述执行主体可以对上述转换特征点组集合中每个转换特征点组中的每个转换特征点进行横向矫正以生成矫正特征点，得到矫正特征点组集合。其中，可以通过以下步骤对每个转换特征点进行横向矫正以生成矫正特征点：第一步，通过预设的车道线检测算法（例如，UFLD（Ultra Fast Structure
‑
aware Deep Lane Detection，车道线快速检测算法）），对上述道路图像进行车道线检测，得到车道线方程组。其中，上述车道线方程组中的每个车道线方程可以是上述道路图像的图像坐标系下的方程，用于表征上述道路图像中每个车道线所在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线识别方法，包括：对预获取的道路图像进行特征点提取，得到特征点组集合；对所述特征点组集合中各个特征点组中的各个特征点进行坐标转换，得到转换特征点组集合；对所述转换特征点组集合中每个转换特征点组中的每个转换特征点进行横向矫正以生成矫正特征点，得到矫正特征点组集合；基于所述矫正特征点组集合，生成车道线识别结果。2.根据权利要求1所述的方法，其中，所述方法还包括：将所述车道线识别结果发送至车辆控制端，以调整当前车辆与车道线之间的距离。3.根据权利要求1所述的方法，其中，所述对预获取的道路图像进行特征点提取，得到特征点组集合，包括：确定所述道路图像中表征车道线的车道中心曲线方程组，其中，所述车道中心线曲线方程组中的各个车道中心线曲线方程处于所述道路图像的图像坐标系中；确定所述车道中心曲线方程组的中每个车道中心曲线方程与所述道路图像中各行像素之间的交点以生成特征点组，得到特征点组集合。4.根据权利要求3所述的方法，其中，所述对所述转换特征点组集合中每个转换特征点组中的每个转换特征点进行横向矫正以生成矫正特征点，包括：获取拍摄所述道路图像的相机的内参矩阵、检测距离值和所述相机相对地面的高度值与俯仰角；利用所述内参矩阵、所述高度值和所述俯仰角，确定所述转换特征点与所述特征点组集合中对应的特征点之间的转换关系表达式；确定所述转换特征点对应的特征点的概率密度函数，将所述转换特征点对应的特征点的横坐标的概率密度函数作为第一概率密度函数；利用所述检测距离值，确定所述转换特征点的概率密度函数，将所述转换特征点的横坐标的概率密度函数作为第二概率密度函数；基于所述第一概率密度函数和所述第二概率密度函数，对所述转换特征点进行横向矫正，得到矫正特征点。5.根据权利要求4所述的方法，其中，所述基于所述第一概率密度函数和所述第二概率密度函数，对所述转换特征点进行横向矫正，得到矫正特征点，包括：基于所述第一概率密度函数和所述第二概率密度函数，生成所述转...

【专利技术属性】
技术研发人员：胡禹超，
申请(专利权)人：禾多科技北京有限公司，
类型：发明
国别省市：