一种车道线检测方法、装置、设备及可读存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及人工智能技术领域，尤其是涉及一种车道线检测方法、装置、设备及可读存储介质。背景技术：2.随着智能辅助驾驶的兴起，车道线检测作为其重要的组成部分，近年来也得以大力发展。adas(advanced driver assistance systems，高级驾驶辅助系统)辅助驾驶中的车道线检测技术主要基于相机传感器，通过图像视频分析检测当前的车道线，为后续的车道偏离提供车道线信息，有效进行偏离预警。3.在构思及实现本技术过程中，本技术的发明人发现，现有技术中基于图像视频分析的车道线检测采用的是相机传感器采集到的二维图像，受环境影响较大，特别在成像恶劣的条件下，容易受非车道线点的干扰，无法取得理想的效果，远难满足l3、l4级别的自动驾驶技术指标。此外，基于二维图像信息的车道线检测，没办法得到直接的物理车道线模型，需要根据相机安装的情况进行严格的标定，在图像语义分割的基础上，提取车道线像素点，要训练大量的标签数据来解决多场景适用问题。4.前面的叙述在于提供一般的背景信息，并不一定构成现有技术。技术实现要素：5.本发明实施例所要解决的技术问题在于，提供一种车道线检测方法、装置、设备及可读存储介质，能够解决由于硬件精度、环境因素或传感器抖动导致数据产生较大误差影响车道线检测的问题。6.为解决上述问题，本技术实施例的第一方面提供了一种车道线检测方法，至少包括如下步骤：7.获取单帧车道线，对所述单帧车道线进行车道线识别检测处理，得到当前车道线；8.将所述当前车道线与预设地图进行匹配，得到当前车辆所在的局部地图；9.根据所述局部地图和当前车道线，检测所述当前车道线是否准确；10.当检测到所述当前车道线不准确时，构建对应的虚拟车道线。11.在第一方面的一种可能的实现方式中，在所述得到当前车道线之后，包括：12.获取多帧车道线，对所述多帧车道线进行融合处理，得到校准后的当前车道线。13.在第一方面的一种可能的实现方式中，所述获取多帧车道线，对所述多帧车道线进行融合处理，得到校准后的当前车道线，包括：14.获取多帧车道线，分别对每帧车道线进行车道线识别检测处理，检测得到每帧车道线对应的初始车道线；15.根据目标聚类算法，对多组初始车道线先后进行聚类和融合处理，得到校准后的车道线。16.在第一方面的一种可能的实现方式中，在所述得到当前车道线之后，还包括：17.将所述当前车道线与历史车道线进行比对，判断是否偏离历史车道。18.在第一方面的一种可能的实现方式中，所述对所述单帧车道线进行车道线识别检测处理，包括：19.对获取的单帧车道线进行相机内外参标定，得到第一车道线信息；20.对所述第一车道线先后进行坐标转换和车道线拟合处理，得到当前车道线。21.在第一方面的一种可能的实现方式中，在所述得到当前车辆所在的局部地图之后，还包括：22.获取车辆视觉里程计信息，根据所述车辆视觉里程计信息检测所述当前车道线是否准确。23.在第一方面的一种可能的实现方式中，所述根据所述局部地图和当前车道线，检测所述当前车道线是否准确，包括：24.获取所述当前车道线对应的局部地图；25.提取所述当前车道对应的局部地图中标志性物体的位置信息；26.根据标志性物体的位置信息，对所述当前车道线进行匹配识别，检测当前所述车道线是否准确。27.相应地，本技术实施例的第二方面提供了一种车道线检测装置，包括：28.单帧车道线提取模块，用于获取单帧车道线，对所述单帧车道线进行车道线识别检测处理，得到当前车道线；29.地图匹配模块，用于将所述当前车道线与预设地图进行匹配，得到当前车辆所在的局部地图；30.车道线检测模块，用于根据所述局部地图和当前车道线，检测所述当前车道线是否准确；31.车道线构建模块，用于当检测到所述当前车道线不准确时，构建对应的虚拟车道线。32.本技术实施例的第三方面还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的车道线检测方法的步骤。33.本技术实施例的第四方面还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的车道线检测方法的步骤。34.实施本发明实施例，具有如下有益效果：35.本发明实施例提供的一种车道线检测方法、装置、设备及可读存储介质，所述方法包括：获取单帧车道线，对所述单帧车道线进行车道线识别检测处理，得到当前车道线；将所述当前车道线与预设地图进行匹配，得到当前车辆所在的局部地图；根据所述局部地图和当前车道线，检测所述当前车道线是否准确；当检测到所述当前车道线不准确时，构建对应的虚拟车道线。本发明实施例通过对车道线进行识别检测，与高精度地图进行匹配，得到车辆所在的局部地图后检测当前车道线是否准确，从而解决由于硬件精度、环境因素或传感器抖动导致数据产生较大误差影响车道线检测的问题，在提高车道线检测效率的同时，极大提高了车道线检测的准确性和可靠性，有效降低车道线检测的误差，减少现有检测技术需要较高检测条件且检测误差较大的情况。附图说明36.图1为本技术一实施例的车道线检测方法的流程示意图；37.图2为本技术一实施例的车道线检测装置的结构示意框图；38.图3为本技术一实施例的计算机设备的结构示意框图。39.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式40.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。41.在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。42.本技术实施例可以应用于服务器中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。43.首先介绍本发明可以提供的应用场景，如提供一种车道线检测方法、装置、设备及可读存储介质，能够实现车道线检测，提高车道线检测效率和精准性。44.本发明第一实施例：45.请参阅图1。46.如图1所示，本实施例提供了一种车道线检测方法，至少包括如下步骤：47.s1、获取单帧车道线，对所述单帧车道线进行车道线识别检测处理，得到当前车道线；48.s2、将所述当前车道线与预设地图进行匹配，得到当前车辆所在的局部地图；49.s3、根据所述局部地图和当前车道线，检测所述当前车道线是否准确；50.s4、当检测到所述当前车道线不准确时，构建对应的虚拟车道线。51.在现有技术中，基于图像视频分析的车道线检测采用的是相机传感器采集到的二维图像，受环境影响较大，特别在成像恶劣的条件下，容易受非车道线点的干扰，无法取得理想的效果，远难满足l3、l4级别的自动驾驶技术指标。此外，基于二维图像信息的车道线检测，没办法得到直接的物理车道线模型，需要根据相机安装的情况进行严格的标定，在图像语义分割的基础上，提取车道线像素点，要训练大量的标签数据来解决多场景适用问题。52.而本实施例为了解决上述技术问题，提出一种车道线检测方法，通过对车道线进行识别检测，与高精度地图进行匹配，得到车辆所在的局部地图后检测当前车道线是否准确，从而解决由于硬件精度、环境因素或传感器抖动导致数据产生较大误差影响车道线检测的问题，在提高车道线检测效率的同时，极大提高了车道线检测的准确性和可靠性，有效降低车道线检测的误差，减少现有检测技术需要较高检测条件且检测误差较大的情况。53.具体的，对于步骤s1，通过图像采集装置获取单帧车道线，对获取的单帧车道线进行车道线识别检测处理，从而得到当前车道线。54.对于步骤s2，主要根据提取得到的当前车道线与预设的高精度地图进行匹配，匹配当前车道线所在高精度地图的位置，在该位置预设范围内获取该位置附近的局部地图。55.对于步骤s3，根据获取当前车道线所在地图位置的局部地图与当前车道线，根据当前车道线的位置数据和特征，与局部地图中的车道线进行匹配，检测当前车道线是否准确。56.对于步骤s4，当检测到当前车道线不匹配或不准确时，构建对应的虚拟车道线替代当前车道线。57.在优选的实施例中，在所述得到当前车道线之后，包括：58.获取多帧车道线，对所述多帧车道线进行融合处理，得到校准后的当前车道线。59.在具体的实施例中，在步骤s1之后，还可以通过获取多帧车道线进行融合处理，从而对当前车道线进行校准，得到校准后的当前车道线作为后续车道线检测的基础。60.在优选的实施例中，所述获取多帧车道线，对所述多帧车道线进行融合处理，得到校准后的当前车道线，包括：61.获取多帧车道线，分别对每帧车道线进行车道线识别检测处理，检测得到每帧车道线对应的初始车道线；62.根据目标聚类算法，对多组初始车道线先后进行聚类和融合处理，得到校准后的车道线。63.在具体的实施例中，通过获取多帧车道线进行融合处理从而对当前车道线进行校准的具体过程包括：获取图像采集装置采集的多帧车道线，并分别对每帧车道线均进行车道线识别检测处理，从而提取得到每帧车道线对应的初始车道线，生成多组初始车道线；根据根据目标聚类算法，对多组初始车道线先后进行聚类和融合处理，得到校准后的车道线。64.示例性地，目标聚类算法可以是k-means聚类算法，也可以是高斯混合模型聚类算法，本实施例对目标聚类算法不做限定，本领域技术人员可以根据需要确定。65.可选地，对所述多帧车道线进行融合处理，得到校准后的当前车道线，具体可以包括：66.根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据；根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心；重复所述根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据到所述根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心的步骤，得到多个目标位置的车道线聚类中心；根据目标算法，对所述多个目标位置的车道线聚类中心进行融合，得到目标道路的车道线。67.另外，当任一个车道线定位数据与预存的地图数据偏差大于预设阈值，则将车道线定位数据删除。示例性地，预设阈值是当前道路宽度的2倍，当任一个车道线定位数据中车道线经纬度与预存的地图中该车道线对应的车道经纬度之差超过预设阈值，则认为该车道线定位数据为异常数据，将该异常数据删除，从而进一步提高车道线定位和检测的准确性。68.在优选的实施例中，在所述得到当前车道线之后，还包括：69.将所述当前车道线与历史车道线进行比对，判断是否偏离历史车道。70.在具体的实施例中，在获得当前车道线之后，还可以对当前车道线与历史车道线进行比对，判断两者偏差是否大于预设阈值，若是，则判断当前车道线已偏离历史车道；若否，则判断当前车道线未偏离历史车道。71.可选地，在获得校准后的当前车道线后，同样可以对校准后的当前车道线与历史车道线进行比对，判断两者偏差是否大于预设阈值，若是，则判断校准后的当前车道线已偏离历史车道；若否，则判断校准后的当前车道线未偏离历史车道。72.在优选的实施例中，所述对所述单帧车道线进行车道线识别检测处理，包括：73.对获取的单帧车道线进行相机内外参标定，得到第一车道线信息；74.对所述第一车道线先后进行坐标转换和车道线拟合处理，得到当前车道线。75.在具体的实施例中，所述步骤s1，具体可以包括：获取单帧车道线后，对单帧车道线先后进行相机内外参标定、坐标转换和拟合处理，从而得到当前车道线。相机内外参标定在图像处理中是必不可少的一步，主要是计算相机的内外参数以及畸变参数；畸变参数进行畸变矫正，生成校正后的图像；内外参数一般进行图像三维场景重构；而相机标定涉及四个坐标系，包括世界坐标系、相机坐标系、图像物理坐标系、图像像素坐标系，因此还需要进行坐标转换；完成坐标转换后对车道线进行拟合处理，最后得到当前车道线。76.在优选的实施例中，在所述得到当前车辆所在的局部地图之后，还包括：77.获取车辆视觉里程计信息，根据所述车辆视觉里程计信息检测所述当前车道线是否准确。78.在具体的实施例中，在步骤s2之后，具体还可以包括通过视觉里程计技术检测当前车道线是否准确，通过车辆视觉里程计信息检测当前车道线，首先获取当前车辆的视觉里程计信息，然后基于单目视觉的车道线检测和单目视觉里程计定位精度优化，视觉里程计(vo)是利用车载相机采集到的图像信息来恢复车体本身的6自由度信息，包括3自由度的旋转和3自由度的平移。视觉传感器可以提供丰富的感知信息，从而进行精准的车道线检测。79.在优选的实施例中，所述根据所述局部地图和当前车道线，检测所述当前车道线是否准确，包括：80.获取所述当前车道线对应的局部地图；81.提取所述当前车道对应的局部地图中标志性物体的位置信息；82.根据标志性物体的位置信息，对所述当前车道线进行匹配识别，检测当前所述车道线是否准确。83.在具体的实施例中，对于步骤s4，主要是获取当前车道线预设范围内的局部地图；提取所述当前车道对应的局部地图中标志性物体的位置信息；根据标志性物体的位置信息，对所述当前车道线进行匹配识别，检测当前所述车道线是否准确。84.可选地，步骤s4的具体过程如下：首先获取多个目标道路车道线对应的局部地图；示例性地，局部地图表征包含目标道路车道线以及其他交通要素的地图，其他交通要素可以包括路面、路灯、植物、天空、斑马线、建筑物等。多个目标道路车道线对应的局部地图可以是从预先存储多个目标道路车道线对应的局部地图的数据库中获取，多个目标道路车道线对应的局部地图可以通过将在目标道路车道线巡航的地图采集车所采集的图像数据以及传感器数据进行数据融合得到。其次，提取多个目标道路车道线对应的局部地图中标志性物体的位置信息；示例性地，标志性物体可以斑马线、交通标志牌、大型广告牌，比如，当多个目标道路处于一个十字路口，在各个目标道路与十字路口交汇处都有斑马线，那么则可以选定斑马线为标志性物体。在地图采集车采集目标道路图像时，由于地图采集车配置有定位系统(比如gps)以及图像采集设备，因此会上传交通要素图像信息以及经纬度信息。最后，根据标志性物体的位置信息对多个目标道路车道线对应的局部地图进行全局融合后，根据标志性物体的位置信息，对所述当前车道线进行匹配识别，检测当前所述车道线是否准确。85.本实施例提供的一种车道线检测方法，包括：获取单帧车道线，对所述单帧车道线进行车道线识别检测处理，得到当前车道线；将所述当前车道线与预设地图进行匹配，得到当前车辆所在的局部地图；根据所述局部地图和当前车道线，检测所述当前车道线是否准确；当检测到所述当前车道线不准确时，构建对应的虚拟车道线。本实施例通过对车道线进行识别检测，与高精度地图进行匹配，得到车辆所在的局部地图后检测当前车道线是否准确，从而解决由于硬件精度、环境因素或传感器抖动导致数据产生较大误差影响车道线检测的问题，在提高车道线检测效率的同时，极大提高了车道线检测的准确性和可靠性，有效降低车道线检测的误差，减少现有检测技术需要较高检测条件且检测误差较大的情况。86.本发明第二实施例：87.请参阅图2。88.如图2所示，本实施例提供了一种车道线检测装置，包括：89.单帧车道线提取模块100，用于获取单帧车道线，对所述单帧车道线进行车道线识别检测处理，得到当前车道线；90.地图匹配模块200，用于将所述当前车道线与预设地图进行匹配，得到当前车辆所在的局部地图；91.车道线检测模块300，用于根据所述局部地图和当前车道线，检测所述当前车道线是否准确；92.车道线构建模块400，用于当检测到所述当前车道线不准确时，构建对应的虚拟车道线。93.可选地，车道线检测装置还可以包括：94.多帧车道线提取模块，用于获取多帧车道线，对所述多帧车道线进行融合处理，得到校准后的当前车道线。95.可选地，多帧车道线提取模块具体可以包括：96.多帧车道线提取单元，用于获取多帧车道线，分别对每帧车道线进行车道线识别检测处理，检测得到每帧车道线对应的初始车道线；97.多帧车道线聚类单元，用于根据目标聚类算法，对多组初始车道线先后进行聚类和融合处理，得到校准后的车道线。98.可选地，车道线检测装置还可以包括：99.历史比对模块，用于将所述当前车道线与历史车道线进行比对，判断是否偏离历史车道。100.可选地，单帧车道线提取模块100具体可以包括：101.第一处理单元，用于对获取的单帧车道线进行相机内外参标定，得到第一车道线信息；102.第二处理单元，用于对所述第一车道线先后进行坐标转换和车道线拟合处理，得到当前车道线。103.可选地，车道线检测装置还可以包括：104.视觉里程计模块，用于获取车辆视觉里程计信息，根据所述车辆视觉里程计信息检测所述当前车道线是否准确。105.可选地，车道线检测模块300具体可以包括：106.地图获取单元，用于获取所述当前车道线对应的局部地图；107.位置提取单元，用于提取所述当前车道对应的局部地图中标志性物体的位置信息；108.检测单元，用于根据标志性物体的位置信息，对所述当前车道线进行匹配识别，检测当前所述车道线是否准确。109.本实施例首先通过单帧车道线提取模块获取单帧车道线，对所述单帧车道线进行车道线识别检测处理，得到当前车道线；然后通过地图匹配模块200将所述当前车道线与预设地图进行匹配，得到当前车辆所在的局部地图；接着通过车道线检测模块根据所述局部地图和当前车道线，检测所述当前车道线是否准确；最后通过车道线构建模块，用于当检测到所述当前车道线不准确时，构建对应的虚拟车道线。本实施例通过对车道线进行识别检测，与高精度地图进行匹配，得到车辆所在的局部地图后检测当前车道线是否准确，从而解决由于硬件精度、环境因素或传感器抖动导致数据产生较大误差影响车道线检测的问题，在提高车道线检测效率的同时，极大提高了车道线检测的准确性和可靠性，有效降低车道线检测的误差，减少现有检测技术需要较高检测条件且检测误差较大的情况。110.参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存车道线检测方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车道线检测方法。所述车道线检测方法，包括：获取单帧车道线，对所述单帧车道线进行车道线识别检测处理，得到当前车道线；将所述当前车道线与预设地图进行匹配，得到当前车辆所在的局部地图；根据所述局部地图和当前车道线，检测所述当前车道线是否准确；当检测到所述当前车道线不准确时，构建对应的虚拟车道线。111.本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种车道线检测方法，包括步骤：获取单帧车道线，对所述单帧车道线进行车道线识别检测处理，得到当前车道线；将所述当前车道线与预设地图进行匹配，得到当前车辆所在的局部地图；根据所述局部地图和当前车道线，检测所述当前车道线是否准确；当检测到所述当前车道线不准确时，构建对应的虚拟车道线。112.上述执行的车道线检测方法，通过对车道线进行识别检测，与高精度地图进行匹配，得到车辆所在的局部地图后检测当前车道线是否准确，从而解决由于硬件精度、环境因素或传感器抖动导致数据产生较大误差影响车道线检测的问题，在提高车道线检测效率的同时，极大提高了车道线检测的准确性和可靠性，有效降低车道线检测的误差，减少现有检测技术需要较高检测条件且检测误差较大的情况。113.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。114.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。115.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。116.另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。117.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。118.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!