本申请实施例提供了一种车道线的检测方法及相关装置，用于有效抑制车道线特征点的噪声，从而提高车道线检测的精确度。具体包括：该车道线的检测装置获取车辆行驶过程中的初始车道线特征点和道路结构先验信息；然后在该车道线的检测装置根据道路先验判决规则确定所述道路结构先验信息有效且所述初始车道线特征点与所述道路结构先验信息的相关性达到预设阈值时，将所述初始车道线特征点转化为道路边缘坐标系下的第一车道线特征点；再将所述第一车道线特征点输入高斯混合模型得到第二车道线特征点，所述高斯混合模型用于对所述第一车道线特征点进行分类和去噪；最终根据所述第二车道线特征点输出最终车道线。二车道线特征点输出最终车道线。二车道线特征点输出最终车道线。
【技术实现步骤摘要】
一种车道线的检测方法及相关装置
[0001]本申请涉及人工智能领域，尤其涉及一种车道线的检测方法及相关装置。
技术介绍
[0002]智能驾驶(如，自动驾驶、辅助驾驶等)技术依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让车辆可以在不需要人类主动操作下，实现自动驾驶。自动驾驶的第一步是环境信息的采集与处理，因此环境感知模块是智能平台与交通场景的交互关联端口，也是智能平台运动决策、规划控制模块的前端关键输入。如图1所示的自动驾驶系统中，环境感知模块利用传感器数据获取交通场景信息，是自动驾驶系统的“眼睛”与“耳朵”，直接决定了自动驾驶车辆在驾驶任务中的安全性和稳定性。在环境感知模块中，道路车道线检测是其核心任务之一，车道线检测为车辆运动规划提供局部的车道感知信息，在智能车平台的车道保持(巡航)系统、车道偏离预警系统中都具备关键作用。
[0003]目前的车道线检测技术主要提供了如下几种：一种方案中是从激光雷达的点云数据中分割出包含地面的目标区域，从目标区域提取出地面点云数据，再从地面点云数据中筛选出车道线特征点，基于车道线特征点，拟合得到多条车道线，从多条车道线中筛选出车道线之间的距离在预设车道线距离范围内的车道线作为目标车道线。另一种方案中是以激光雷达中心为原点建立三维坐标系，设置感兴趣区域并检测出道路的路沿，根据路沿的几何特征提取路沿候选点，根据路沿方向一致性的特征去除噪声；由路沿的空间位置确定车道线所在路面的点云数据，根据不同介质的反射强度不同的特征，对扫描线进行分层处理，设置反射强度阈值提取车道线候选点，根据车道线全局连续性的特征进行密度聚类并去噪，最终使用二项式曲线拟合车道线输出。
[0004]但是这两种方式均存在抗噪声能力差，对虚线类型或不规则的车道线或者当车道路面不平整或者当车道路面有障碍物干扰时，车道线的检测精度较差。
技术实现思路
[0005]本申请实施例提供了一种车道线的检测方法及相关装置，用于有效抑制车道线特征点的噪声，从而提高车道线检测的精确度。
[0006]第一方面，本申请提供一种车道线的检测方法，具体包括：该车道线的检测装置获取车辆行驶过程中的初始车道线特征点和道路结构先验信息；然后在该车道线的检测装置根据道路先验判决规则确定所述道路结构先验信息有效且所述初始车道线特征点与所述道路结构先验信息的相关性达到预设阈值时，将所述初始车道线特征点转化为道路边缘坐标系下的第一车道线特征点；再将所述第一车道线特征点输入高斯混合模型得到第二车道线特征点，所述高斯混合模型用于对所述第一车道线特征点进行分类和去噪；最终根据所述第二车道线特征点输出最终车道线。
[0007]本实施例中，该车道线的检测装置可以根据激光感知或雷达感知或空间定位等技术实时获取车辆行驶过程中对于道路结构的感知结果(即该道路结构先验信息)以及该初
始车道线特征点。
[0008]本实施例中提供的技术方案中，该车道线的检测装置对于道路结构先验信息与该初始车道线特征点进行道路先验判决，从而对该初始车道线特征点与该道路结构先验信息先行进行筛选，再借助道路结构先验信息建立道路边缘坐标系，并在该道路边缘坐标系下将初始车道线特征点进行转化，从而保证该初始车道线特征点与道路结构先验信息的有效性。最后输入高斯混合模型进行分类和去噪，由于高斯混合模型能够有效学习相应种类道路车道线的空间分布特征，从而有效对车道线特征点完成分类及去噪，最终提高了车道线检测的精确度。
[0009]可选的，所述道路先验判决规则包括但不限于：
[0010]道路结构的长度超过第一预设值。即需要保证该道路结构的长度足够全面反映道路结构，以及道路延伸方向信息。
[0011]道路结构的曲线的端点位置符合预设条件，所述预设条件为所述道路感知曲线的起始点与车体坐标系的纵向起点的距离小于第二预设值，所述道路感知曲线的结束点与所述车体坐标系统的纵向起点的距离大于第三预设值，所述第二预设值小于所述第三预设值。
[0012]道路结构的两侧路沿的平行度大于平行度阈值。即在实际场景中，一般道路应检测出道路左右两侧两条路沿，考虑到道路的路沿曲线并不全为平行的情况，应计算左右侧路沿的平行度。
[0013]道路结构与边侧车道线特征点的耦合度大于耦合度阈值。道路结构中的路沿分布和车道线分布大多数具有一致性，但也有少数不一致的情况，因此应考虑到最边侧车道线特征点和路沿曲线的耦合度。
[0014]一种可能实现方式中，该车道线的检测装置将所述第一车道线特征点输入所述高斯混合模型得到置信度，所述置信度用于指示所述第二车道线特征点作为有效特征点的概率值。即在该高斯混合模型输出有效特征点时，也输出该有效特征点的概率值。比如将该第一车道线特征点中概率值大于0.6的特征点作为该第二车道线特征点，因此该第二车道线特征点中还包括概率值为0.7的特征点以及概率值为0.8的特征点。
[0015]一种可能实现方式中，若该车道线的检测装置采用激光感知技术，则该车道线的检测装置在获取该初始车道线特征点以及道路结构先验信息时可以采用如下技术方案：
[0016]该车道线的检测装置可以根据该激光感知获取该道路结构先验信息以及该路面的原始激光点云数据；然后对该原始激光点云数据进行预处理提取得到该初始车道线特征点。
[0017]一种可能实现方式中，该车道线的检测装置将该第二车道线特征点与先验线索利用贝叶斯分类器得到该第二车道线特征点中的有效车道线特征点，其中该先验线索包括但不限于该置信度、该第二车道线特征点与历史跟踪结果的相似度以及该第二车道线特征点的反射强度绝对值的概率值，其中该反射强度绝对值用于指示点云反射率强度相对变化特征；最后利用代价函数通过非线性优化方法优化所述有效车道线特征点输出该最终车道线。
[0018]基于上述方案，一种可能实现方式中，所述代价函数根据预设规则设计；所述预设规则至少包括：1、车道线的空间分布和道路结构的空间分布具备一致性。本实施例中，该车
道线的空间分布和道路结构的空间分布的一致性可体现为道路路沿和车道线曲线的平行相似度。2、连贯帧数据的车道线输出具有连续性和一致性，即该车道线特征点和参数方程(用于表示该最终车道线)的贴合度。本实施例中，该车道线特征点和参数方程的贴合度可以体现为车道线特征点到参数方程的点
‑
线距离均值。
[0019]本实施例中，该车道线的检测装置还可以在离线状态下训练得到该高斯混合模型。具体包括：该车道线的检测装置获取离线数据集；然后根据所述离线数据集训练得到所述高斯混合模型。
[0020]可以理解的是，在训练该高斯混合模型时，也可以是利用其他装置进行训练，然后将训练好的高斯混合模型移植至该车道线的检测装置中即可，具体方式此处不做限定。
[0021]基于上述方案，一种可能实现方式中，该车道线的检测装置获取离线数据集包括：
[0022]该车道线的检测装置获取离线激光点云数据和离线道路结构先验信息；然后该车道线的检测装置对所述离线激本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车道线的检测方法，其特征在于，包括：获取道路结构先验信息和初始车道线特征点；在根据道路先验判决规则确定所述初始车道线特征点与所述道路结构先验信息的相关性达到预设阈值时，将所述初始车道线特征点转化为道路边缘坐标系下的第一车道线特征点；将所述第一车道线特征点输入高斯混合模型得到第二车道线特征点，所述高斯混合模型用于对所述第一车道线特征点进行分类和去噪；根据所述第二车道线特征点输出最终车道线。2.根据权利要求1所述的方法，其特征在于，所述道路先验判决规则包括其中至少一项：道路结构的长度超过第一预设值；道路结构的曲线的端点位置符合预设条件，所述预设条件为所述道路感知曲线的起始点与车体坐标系的纵向起点的距离小于第二预设值，所述道路感知曲线的结束点与所述车体坐标系统的纵向起点的距离大于第三预设值，所述第二预设值小于所述第三预设值；道路结构的两侧路沿的平行度大于平行度阈值；道路结构与边侧车道线特征点的耦合度大于耦合度阈值。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：将所述第一车道线特征点输入所述高斯混合模型得到置信度，所述置信度用于指示所述第二车道线特征点的概率值。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述获取道路结构先验信息和初始车道线特征点包括：根据激光感知技术获取原始激光点云数据和所述道路结构先验信息；对所述原始激光点云数据预处理得到所述初始车道线特征点。5.根据权利要求4所述的方法，其特征在于，所述根据所述第二车道线特征点输出最终车道线包括：将所述第二车道线特征点与先验线索利用贝叶斯分类器得到所述第二车道线特征点的有效车道线特征点，所述先验线索包括但不限于所述置信度、所述第二车道线特征点与历史跟踪结果的相似度以及所述第二车道线特征点的反射强度绝对值的概率值，所述反射强度绝对值用于指示点云反射率强度相对变化特征；利用代价函数通过非线性优化方法优化所述有效车道线特征点输出所述最终车道线。6.根据权利要求5所述的方法，其特征在于，所述代价函数根据预设规则设计；所述预设规则至少包括：车道线的空间分布和道路结构的空间分布具备一致性；连贯帧数据的车道线输出具有连续性和一致性。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：获取离线数据集；根据所述离线数据集训练得到所述高斯混合模型。8.根据权利要求7所述的方法，其特征在于，所述获取离线数据集包括：获取离线道路结构先验信息和离线车道线特征点；
在根据所述道路先验判决规则确定所述离线车道线特征点与所述离线道路结构先验信息的相关性达到预设阈值时，将所述离线车道线特征点和所述离线道路结构先验信息转化为道路边缘坐标系下的所述离线数据集。9.根据权利要求8所述的方法，其特征在于，所述根据所述离线数据集训练得到所述高斯混合模型包括：根据所述离线车道线特征点和所述离线道路结构先验信息的空间分布构建所述高斯混合模型，并求解得到所述高斯混合模型的模型参数值。10.根据权利要求9所述的方法，其特征在于，所述方法还包括：根据所述有效车道线特征点更新所述模型参数值。11.一种车道线的检测装置，其特征在于，包括：获取模块，用于获取道路结构先验信息和初始车道线特征点；处理模块，用于在根据道路先验判决规则确定所述初始车道线特征点与所述道路结构先验信息的相关性达到预设阈值时，将所述初始车道线特征点转化为道路边缘坐标系下的第一车道线特征点；将所述第一车道线特征点输入高斯混合模型...
【专利技术属性】
技术研发人员：白东峰，曹彤彤，刘冰冰，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。