【技术实现步骤摘要】
本申请涉及车道线检测，尤其涉及一种车道线检测误差确定方法、装置、设备及可读存储介质。
技术介绍
1、车道线检测在高级辅助驾驶和自动驾驶等中起着非常重要的作用。通过神经网络来检测车道线是近几年流行的技术。为了便于提高神经网络检测车道线的精度，需要确定车道线检测误差。
2、目前，确定2d车道线检测误差的过程为：获取人工标注的2d图像中的车道线(其作为真值)，并获取基于ai(artificial intelligence，人工智能)方式在2d图像中检测标注的车道线点，然后，计算同一个图像中基于ai方式检测的车道线点与人工标注的真值之间的平均偏差，也即目前是计算人工标注的车道线真值和模型检测结果在图像坐标系下的偏差。由于图像坐标系下相机成像模型为近大远小，因此，采用上述方式计算车道线误差时会导致统计误差变化较大，无法准确反映车道线检测误差情况。
3、综上所述，如何提高车道线检测误差确定准确性，是本领域技术人员亟待解决的技术问题。
技术实现思路
1、有鉴于此，本申请的目的是提供一种车道线检测误差确定方法、装置、设备及可读存储介质，用于提高车道线检测误差确定准确性。
2、为了实现上述目的，本申请提供如下技术方案：
3、一种车道线检测误差确定方法，包括：获取图像中的车道线的人工标注集合及模型检测集合；利用逆透视变换矩阵将所述人工标注集合转换到bev平面下，得到第一集合；根据高精度地图从所述第一集合中筛选出目标车道的第一车道线，从所述人工标注集合中获
4、可选地，根据高精度地图从所述第一集合中筛选出目标车道的第一车道线，包括：获取所述图像采集时刻的车体坐标，根据所述车体坐标从所述高精度地图中获取与所述车体坐标相距目标距离范围内的地图块；将所述地图块转换到所述第一集合所在的坐标系下，从转换后的地图块中获取地图车道线集合；所述地图车道线集合中包含目标地图车道的第四车道线，同一所述目标地图车道的各第四车道线相互平行且为直线；根据所述地图车道线集合从所述第一集合中筛选出所述目标车道的第一车道线。
5、可选地，根据所述地图车道线集合从所述第一集合中筛选出所述目标车道的第一车道线，包括：判断所述地图车道线集合中是否存在与所述第一集合中的当前车道线的各标注点的距离均小于第一距离阈值的第四车道线；若否，则将所述第一集合中的下一车道线确定为当前车道线，并返回执行所述判断所述地图车道线集合中是否存在与所述第一集合中的当前车道线的各标注点的距离均小于第一距离阈值的第四车道线，直至将所述第一集合中的最后一车道线确定为当前车道线并完成判断为止；若是，则将所述当前车道线确定为待选车道线，并返回执行所述将所述第一集合中的下一车道线确定为当前车道线的步骤；将各所述待选车道线中同属一条车道的待选车道线确定为所述目标车道的第一车道线。
6、可选地，利用所述第二集合及所述第三集合确定相应车道线的检测误差，包括：确定所述第二集合中的车道线与所述第三集合中的车道线间的匹配关系；计算所述第三集合中的各车道线上的每一检测点与所述第二集合中相匹配的车道线间的距离；根据所述第三集合中的各车道线上的每一检测点与所述第二集合中相匹配的车道线间的距离，得到相应车道线的检测误差。
7、可选地，确定所述第二集合中的车道线与所述第三集合中的车道线间的匹配关系，包括：计算所述第三集合中的各车道线上的多个检测点与所述第二集合中各车道线间的距离；将所述第二集合中与所述第三集合中的车道线上的多个检测点的距离均小于第二距离阈值的车道线确定为所述第三集合中相应车道线匹配的车道线。
8、可选地，对所述逆透视变换矩阵优化，包括：利用高斯牛顿法对所述逆透视变换矩阵进行优化。
9、可选地，还包括：输出相应车道线的检测误差。
10、一种车道线检测误差确定装置，包括：获取模块，用于获取图像中的车道线的人工标注集合及模型检测集合；第一转换模块，用于利用逆透视变换矩阵将所述人工标注集合转换到bev平面下，得到第一集合；筛选模块，用于根据高精度地图从所述第一集合中筛选出目标车道的第一车道线，从所述人工标注集合中获取所述第一车道线对应的第二车道线；同一所述目标车道的各第一车道线为直线；优化模块，用于对所述逆透视变换矩阵优化，直至利用优化后的逆透视变换矩阵对所述第二车道线进行转换后得到的同一车道的各第三车道线相互平行；第二转换模块，用于利用所述优化后的逆透视变换矩阵对所述人工标注集合及所述模型检测集合进行转换，得到相应的第二集合及第三集合；确定模块，用于利用所述第二集合及所述第三集合确定相应车道线的检测误差。
11、一种车道线检测误差确定设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述任一项所述的车道线检测误差确定方法的步骤。
12、一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的车道线检测误差确定方法的步骤。
13、本申请提供了一种车道线检测误差确定方法、装置、设备及可读存储介质，其中，该方法包括：获取图像中的车道线的人工标注集合及模型检测集合；利用逆透视变换矩阵将人工标注集合转换到bev平面下，得到第一集合；根据高精度地图从第一集合中筛选出目标车道的第一车道线，从人工标注集合中获取第一车道线对应的第二车道线；同一目标车道的各第一车道线为直线；对逆透视变换矩阵优化，直至利用优化后的逆透视变换矩阵对第二车道线进行转换后得到的同一车道的各第三车道线相互平行；利用优化后的逆透视变换矩阵对人工标注集合及模型检测集合进行转换，得到相应的第二集合及第三集合；利用第二集合及第三集合确定相应车道线的检测误差。
14、本申请公开的上述技术方案，利用逆透视变换矩阵将图像中车道线的人工标注集合转换到bev平面下而得到第一集合，并根据高精度地图从第一集合中筛选出目标车道的第一车道线，其中，同一目标车道的第一车道线均为直线，且从人工标注集合中筛选出第一车道线对应的第二车道线。之后，对逆透视变换矩阵进行优化，直至利用优化后的逆透视变换矩阵对第二车道线进行转换后所得到的同一车道的第三车道线相互平行，以基于高精度地图实现对逆透视变换矩阵的优化修正，找到最优的逆透视变换矩阵，然后则利用优化后的逆透视变换矩阵对图像中的车道线的人工标注集合和模型检测集合进行转换，利用转换得到的第二集合和第三集合确定车道线的检测误差。通过上述先利用高精度地图和人工标注的车道线数据找到最优的逆透视变换矩阵，然后再基于最优的逆透视变换矩阵对图像中车道线的人工标注集本文档来自技高网...
【技术保护点】
1.一种车道线检测误差确定方法，其特征在于，包括：
2.根据权利要求1所述的车道线检测误差确定方法，其特征在于，根据高精度地图从所述第一集合中筛选出目标车道的第一车道线，包括：
3.根据权利要求2所述的车道线检测误差确定方法，其特征在于，根据所述地图车道线集合从所述第一集合中筛选出所述目标车道的第一车道线，包括：
4.根据权利要求1至3任一项所述的车道线检测误差确定方法，其特征在于，利用所述第二集合及所述第三集合确定相应车道线的检测误差，包括：
5.根据权利要求4所述的车道线检测误差确定方法，其特征在于，确定所述第二集合中的车道线与所述第三集合中的车道线间的匹配关系，包括：
6.根据权利要求4所述的车道线检测误差确定方法，其特征在于，对所述逆透视变换矩阵优化，包括：
7.根据权利要求1所述的车道线检测误差确定方法，其特征在于，还包括：
8.一种车道线检测误差确定装置，其特征在于，包括：
9.一种车道线检测误差确定设备，其特征在于，包括：
10.一种可读存储介质，其特征在于，
...【技术特征摘要】
1.一种车道线检测误差确定方法，其特征在于，包括：
2.根据权利要求1所述的车道线检测误差确定方法，其特征在于，根据高精度地图从所述第一集合中筛选出目标车道的第一车道线，包括：
3.根据权利要求2所述的车道线检测误差确定方法，其特征在于，根据所述地图车道线集合从所述第一集合中筛选出所述目标车道的第一车道线，包括：
4.根据权利要求1至3任一项所述的车道线检测误差确定方法，其特征在于，利用所述第二集合及所述第三集合确定相应车道线的检测误差，包括：
5.根据权利要求4所述的车道线检测误差确定方法，其特征在于，确...
【专利技术属性】
技术研发人员：张浩，高峰，李明泽，
申请(专利权)人：大卓智能科技有限公司，
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。