车道线识别方法和装置、电子设备和计算机可读存储介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本技术涉及车道线识别技术领域，尤其涉及一种车道线识别方法和装置、电子设备和计算机可读存储介质。背景技术：2.在自动驾驶领域，对车载相机拍摄的前方道路图像进行车道线检测是自动驾驶感知能力中的必备项，检测出的车道线可用于视觉辅助定位、车道保持等自动驾驶功能的实现。3.车道线检测的目标是输出图像中包含的车道线在3d空间下的曲线方程，现有的车道线检测方案主要通过事先训练好的车道线语义分割模型对图像中的车道线进行语义分割，再通过聚类的方式确定各个车道线实例，最后通过曲线拟合得到各个车道线实例在3d空间下的曲线方程。4.然而在实际场景中，车道线语义分割结果以及车道线实例的聚类结果容易出现瑕疵甚至一些明显的错误，尤其对于虚线车道线，一条虚线车道线可能会被误分割为两条车道线，导致车道线识别精度不高。技术实现要素：5.本技术实施例提供了一种车道线识别方法和装置、电子设备和存储介质，以提高车道线识别精度。6.本技术实施例采用下述技术方案：7.第一方面，本技术实施例提供一种车道线识别方法，其中，所述方法包括：8.获取当前道路图像并对所述当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果；9.利用预设分块策略，对所述当前道路图像的车道线分割结果进行分块，得到多个分块区域对应的车道线分割结果，所述多个分块区域包括第一分块区域和第二分块区域；10.根据所述第一分块区域对应的车道线分割结果，确定第一分块区域对应的车道线拟合结果；11.根据所述第二分块区域对应的车道线分割结果，利用预设迭代优化策略对所述第一分块区域对应的车道线拟合结果进行迭代优化，得到当前道路图像的车道线识别结果。12.可选地，所述获取当前道路图像并对所述当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果包括：13.利用预设车道线语义分割模型对所述当前道路图像进行语义分割，得到当前道路图像的车道线语义分割结果；14.利用预设聚类算法对所述车道线语义分割结果进行像素级聚类，得到当前道路图像的车道线实例分割结果。15.可选地，所述车道线分割结果包括车道线实例，所述根据所述第一分块区域对应的车道线分割结果，确定第一分块区域对应的车道线拟合结果包括：16.根据所述第一分块区域对应的车道线实例的像素点确定所述第一分块区域的车道线实例对应的拟合候选点；17.利用预设车道线拟合算法对所述第一分块区域的车道线实例对应的拟合候选点进行拟合，得到所述第一分块区域对应的车道线拟合结果。18.可选地，所述车道线拟合结果包括车道线拟合曲线，所述根据所述第二分块区域对应的车道线分割结果，利用预设迭代优化策略对所述第一分块区域对应的车道线拟合结果进行迭代优化，得到当前道路图像的车道线识别结果包括：19.基于所述第一分块区域对应的车道线拟合曲线，利用预设采样策略进行采样，得到车道线采样点；20.基于图像坐标系与相机坐标系的变换关系，将所述车道线采样点投影到当前道路图像中，得到第二分块区域对应的车道线投影点；21.根据所述第二分块区域对应的车道线投影点和所述第二分块区域对应的车道线分割结果，对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的车道线拟合结果；22.根据所述第二分块区域对应的车道线拟合结果确定当前道路图像的车道线识别结果。23.可选地，所述车道线分割结果包括车道线实例，所述根据所述第二分块区域对应的车道线投影点和所述第二分块区域对应的车道线分割结果，对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的车道线拟合结果包括：24.根据所述第二分块区域对应的车道线实例的像素点确定所述第二分块区域的车道线实例对应的拟合候选点；25.基于所述第二分块区域的车道线实例对应的拟合候选点和所述第二分块区域对应的车道线投影点，将第二分块区域的车道线实例与第一分块区域的车道线实例进行匹配；26.根据匹配结果对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的第二车道线拟合结果。27.可选地，所述根据匹配结果对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的第二车道线拟合结果包括：28.获取第一分块区域的车道线实例对应的拟合候选点；29.根据所述匹配结果对所述第一分块区域的车道线实例对应的拟合候选点与所述第二分块区域的车道线实例对应的拟合候选点进行合并；30.利用预设车道线拟合算法对合并后的拟合候选点进行拟合，得到所述第二分块区域对应的车道线拟合结果。31.可选地，所述利用预设车道线拟合算法对合并后的拟合候选点进行拟合，得到所述第二分块区域对应的车道线拟合结果包括：32.若所述匹配结果为匹配成功，则确定所述第二分块区域的车道线实例与第一分块区域的车道线实例对应的是同一车道线，并对同一车道线的车道线实例对应的拟合候选点进行拟合；33.若所述匹配结果为匹配失败，则确定所述第二分块区域的车道线实例与所述第一分块区域的车道线实例对应的不是同一车道线，并对所述第二分块区域的车道线实例对应的拟合候选点进行拟合。34.第二方面，本技术实施例还提供一种车道线识别装置，其中，所述装置包括：35.车道线分割单元，用于获取当前道路图像并对所述当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果；36.分块单元，用于利用预设分块策略，对所述当前道路图像的车道线分割结果进行分块，得到多个分块区域对应的车道线分割结果，所述多个分块区域包括第一分块区域和第二分块区域；37.确定单元，用于根据所述第一分块区域对应的车道线分割结果，确定第一分块区域对应的车道线拟合结果；38.优化单元，用于根据所述第二分块区域对应的车道线分割结果，利用预设迭代优化策略对所述第一分块区域对应的车道线拟合结果进行迭代优化，得到当前道路图像的车道线识别结果。39.第三方面，本技术实施例还提供一种电子设备，包括：40.处理器；以及41.被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行前述之任一所述方法。42.第四方面，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行前述之任一所述方法。43.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：本技术实施例的车道线识别方法，先获取当前道路图像并对当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果；然后利用预设分块策略，对当前道路图像的车道线分割结果进行分块，得到多个分块区域对应的车道线分割结果，多个分块区域包括第一分块区域和第二分块区域；之后根据第一分块区域对应的车道线分割结果，确定第一分块区域对应的车道线拟合结果；最后根据第二分块区域对应的车道线分割结果，利用预设迭代优化策略对第一分块区域对应的车道线拟合结果进行迭代优化，得到当前道路图像的车道线识别结果。本技术实施例的车道线识别方法通过采取预设分块策略对车道线分割结果进行分块，并利用预设迭代优化策略对车道线拟合结果进行迭代优化，减小了车道线实例分割结果不准确对车道线最终识别精度的影响，提高了车道线识别精度和稳定性，尤其是对虚线车道线的识别也具有较高的识别精度。附图说明44.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：45.图1为现有技术中一种车道线识别流程示意图；46.图2为现有技术中一种车道线语义分割结果示意图；47.图3为现有技术中一种车道线实例分割结果示意图；48.图4为现有技术中另一种车道线实例分割结果示意图；49.图5为本技术实施例中一种车道线识别方法的流程示意图；50.图6为本技术实施例中一种分块区域划分结果示意图；51.图7为本技术实施例中一种车道线识别流程示意图；52.图8为本技术实施例中一种车道线识别装置的结构示意图；53.图9为本技术实施例中一种电子设备的结构示意图。具体实施方式54.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例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。55.以下结合附图，详细说明本技术各实施例提供的技术方案。56.为了便于对本技术各实施例的理解，如图1所示，提供了现有技术中一种车道线识别流程示意图。首先，利用车道线语义分割模型进行车道线语义分割，分割出图像中所有被预测为车道线的像素，但不对各条车道线作具体实例的区分，如图2所示，提供了现有技术中一种车道线语义分割结果示意图，其中白色部分为车道线，但各条车道线相互间没有区分。57.然后，在得到车道线语义分割结果的基础上，对车道线像素进行聚类，从而实现对车道线实例的区分。如图3所示，提供了现有技术中一种车道线实例分割结果示意图，可以看出，图像中的两条车道线被区分开，分别标记为黑色和白色。58.之后，根据车道线实例分割结果，为每一条车道线在每一行上取一个点，将这些点通过相机内外参数转换到相机坐标系(即3d坐标系)下，即可获得每一条车道线的拟合候选点，相机内外参数可以事先通过相机标定获得。59.最后，对于每一条车道线，取该车道线的拟合候选点进行曲线拟合，即可获得每一条车道线的拟合曲线。60.然而，在实际场景中，车道线语义分割结果以及车道线实例分割结果都可能会出现瑕疵甚至一些明显的错误，尤其对于虚线车道线，如图4所示，提供了现有技术中另一种车道线实例分割结果示意图，可以看出，右侧白色矩形框内的同一条虚线车道线被误分割为了两条不同的车道线，使得最终的车道线识别结果产生误检、跳变及大幅的漂移等问题，进而影响了依赖车道识别结果的自动驾驶功能的实现。61.基于此，本技术实施例提供了一种车道线识别方法，如图5所示，提供了本技术实施例中一种车道线识别方法的流程示意图，所述方法至少包括如下的步骤s510至步骤s540：62.步骤s510，获取当前道路图像并对所述当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果。63.本技术实施例在进行车道线识别时，需要先获取车载相机采集的当前道路图像，然后利用一定的车道线分割算法对当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果，车道线分割算法可以基于现有的车道线语义分割模型和聚类算法得到，具体可以分割出图像中每个车道线实例的像素。64.步骤s520，利用预设分块策略，对所述当前道路图像的车道线分割结果进行分块，得到多个分块区域对应的车道线分割结果，所述多个分块区域包括第一分块区域和第二分块区域。65.前述步骤得到的当前道路图像的车道线分割结果可以看作是初始的车道线分割结果，为了进一步提高车道线识别的精度，需要采取一定策略进行优化，这里首先需要采取的策略就是预设分块策略，“分块”可以理解为是将包含有车道线分割结果的当前道路图像划分为多个区域，得到多个分块区域对应的车道线分割结果。66.由于从车载相机视角拍摄到的车道线在道路图像中的朝向通常是沿着图像的纵向方向延伸的，因此上述预设分块策略可以是沿着图像的横向方向按照一定间隔将包含有车道线分割结果的当前道路图像划分为多个区域，这里的间隔大小可以根据实际需要灵活调整，例如可以是等间隔，也可以根据近大远小的原理，从图像底部向上划分，间隔越来越小。如图6所示，提供了本技术实施例中一种分块区域划分结果示意图，可以看出，包含有车道线分割结果的当前道路图像被等分为n01、n02、n03、n04四个分块区域。67.在得到上述多个分块区域后，还需要确定当前的第一分块区域和第二分块区域，需要说明的是，本技术实施例的“第一”和“第二”是一个相对概念，可以看作是横向上相邻的两个分块区域，在初始处理时，基于近大远小的原理，第一分块区域可以看作是图像底部的第一个分块区域如图6中的n01区域，第二分块区域可以是n02区域。由于本技术后续步骤采取的优化策略是迭代优化，因此当n01区域和n02区域处理完成后，将以n01区域和n02区域对应的处理结果为基础，继续处理n03区域，此时n03区域即为当前的第二分块区域，以此类推，直到所有分块区域均迭代完成。68.步骤s530，根据所述第一分块区域对应的车道线分割结果，确定第一分块区域对应的车道线拟合结果。69.在确定出当前的第一分块区域后，需要根据第一分块区域对应的车道线分割结果，例如第一分块区域中分割出的各个车道线实例的像素点，确定出第一分块区域对应的车道线拟合结果，由于该车道线拟合结果对应的是第一分块区域，因此可以看作是一个初始或者中间的车道线拟合结果，作为后续迭代优化的基础。70.步骤s540，根据所述第二分块区域对应的车道线分割结果，利用预设迭代优化策略对所述第一分块区域对应的车道线拟合结果进行迭代优化，得到当前道路图像的车道线识别结果。71.由于前述步骤得到的第一分块区域的车道线拟合结果是基于第一分块区域的车道线分割结果得到的，考虑到车道线在图像中的纵向分布特点，可以进一步利用第二分块区域对应的车道线分割结果以及预设迭代优化策略来对第一分块区域的车道线拟合结果进行迭代优化，直到所有分块区域迭代处理完成，从而得到最终的车道线识别结果。72.本技术实施例的车道线识别方法通过采取预设分块策略对车道线分割结果进行分块，并利用预设迭代优化策略对车道线拟合结果进行迭代优化，减小了车道线实例分割结果不准确对车道线最终识别精度的影响，提高了车道线识别精度和稳定性，尤其是对虚线车道线的识别也具有较高的识别精度。73.在本技术的一些实施例中，所述获取当前道路图像并对所述当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果包括：利用预设车道线语义分割模型对所述当前道路图像进行语义分割，得到当前道路图像的车道线语义分割结果；利用预设聚类算法对所述车道线语义分割结果进行像素级聚类，得到当前道路图像的车道线实例分割结果。74.在对当前道路图像进行车道线分割时，可以先利用事先训练好的车道线语义分割模型对当前道路图像进行车道线语义分割，即从图像中分割出所有车道线的像素点，然后可以进一步利用预设聚类算法对所有车道线的像素点进行聚类，从而得到当前道路图像中包含的各个车道线实例。75.上述车道线语义分割模型可以基于现有的卷积神经网络如u-net网络等训练得到，预设聚类算法可以基于现有的dbscan(density-based spatial clustering of applications with noise，密度相连的点的最大集合)算法等来实现。当然，具体如何进行车道线语义分割和聚类，本领域技术人员也可以结合现有技术灵活选择，在此不作具体限定。76.在本技术的一些实施例中，所述车道线分割结果包括车道线实例，所述根据所述第一分块区域对应的车道线分割结果，确定第一分块区域对应的车道线拟合结果包括：根据所述第一分块区域对应的车道线实例的像素点确定所述第一分块区域的车道线实例对应的拟合候选点；利用预设车道线拟合算法对所述第一分块区域的车道线实例对应的拟合候选点进行拟合，得到所述第一分块区域对应的车道线拟合结果。77.由于车道线具有一定宽度，分割出的车道线实例的每个像素行都对应有多个车道线像素点，为了保证拟合的效果，并不需要将所有的车道线实例的像素点均进行车道线拟合，因此可以先从第一分块区域对应的车道线实例的所有像素点中确定出用于车道线拟合的候选点，例如针对每个车道线实例，可以选取其对应的每个像素行的中间像素点用于车道线拟合。78.此外，由于上述选取出的中间像素点是位于图像坐标系下的，而车道线的拟合是对相机坐标系下的3d点的拟合，因此可以基于事先标定好的相机内外参数，将上述每行选取出的中间像素点均转换到相机坐标系下，作为各个车道线实例对应的拟合候选点。79.最后再利用一定的车道线拟合算法将上述各个车道线实例对应的拟合候选点分别进行拟合，从而得到各个车道线实例的车道线拟合曲线。车道线拟合算法可以基于现有技术灵活选择，例如可以采用b样条、三次样条插值、ransac(random sample consensus，随机抽样一致)、最小二乘法等任意一种来实现，在此不作具体限定。80.在本技术的一些实施例中，所述车道线拟合结果包括车道线拟合曲线，所述根据所述第二分块区域对应的车道线分割结果，利用预设迭代优化策略对所述第一分块区域对应的车道线拟合结果进行迭代优化，得到当前道路图像的车道线识别结果包括：基于所述第一分块区域对应的车道线拟合曲线，利用预设采样策略进行采样，得到车道线采样点；基于图像坐标系与相机坐标系的变换关系，将所述车道线采样点投影到当前道路图像中，得到第二分块区域对应的车道线投影点；根据所述第二分块区域对应的车道线投影点和所述第二分块区域对应的车道线分割结果，对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的车道线拟合结果；根据所述第二分块区域对应的车道线拟合结果确定当前道路图像的车道线识别结果。81.以第一分块区域为当前道路图像的第一个分块区域即n01区域为例，在得到n01区域对应的车道线拟合曲线后，可以采用一定的采样策略进行车道线点的采样，然后再基于相机内外参数，将采样点投影到当前道路图像中，得到车道线投影点。采样策略的原则是使每条车道线实例在图像中的每个像素行都有一个投影点，或者至少是在图像中的第二分块区域即n02区域的每个像素行都有一个投影点。82.基于n01区域的车道线拟合曲线进行车道线点的采样和投影的目的是为了预测出n01区域对应的车道线实例在n02区域的位置，再结合n02区域原始分割出的车道线实例，即可确定n01区域的车道线实例与n02区域的车道线实例的关系，以此对n01区域的车道线拟合曲线进行迭代优化，直至所有分块均迭代完成，得到最终的车道线识别结果，通过上述迭代优化处理能够避免同一虚线车道线被误分割为不同车道线的问题，提高了车道线的识别精度。83.在本技术的一些实施例中，所述车道线分割结果包括车道线实例，所述根据所述第二分块区域对应的车道线投影点和所述第二分块区域对应的车道线分割结果，对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的车道线拟合结果包括：根据所述第二分块区域对应的车道线实例的像素点确定所述第二分块区域的车道线实例对应的拟合候选点；基于所述第二分块区域的车道线实例对应的拟合候选点和所述第二分块区域对应的车道线投影点，将第二分块区域的车道线实例与第一分块区域的车道线实例进行匹配；根据匹配结果对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的第二车道线拟合结果。84.n02区域对应的车道线分割结果包含了n02区域分割出的车道线实例的所有像素点，因此也可以先从中选取出拟合候选点，例如同样可以选取每个车道线实例对应的每个像素行的中间像素点作为拟合候选点，然后采用一定匹配策略将n02区域的车道线实例对应的拟合候选点与n01区域的车道线采样点在n02区域的投影点进行距离比较，从而确定出n01区域的车道线实例与n02区域的车道线实例的匹配关系，例如是否是同一车道线，进而可以根据n01区域的车道线实例与n02区域的车道线实例的匹配关系对n01区域对应的车道线拟合曲线进行迭代优化。85.上述匹配策略例如可以设置为：如果第二分块区域的车道线实例对应的拟合候选点与对应的车道线投影点之间的像素距离小于预设像素距离阈值，且满足该要求的拟合候选点的数量占比达到第一预设数量阈值，则认为匹配成功；如果第二分块区域的车道线实例对应的拟合候选点与对应的车道线投影点之间的像素距离不小于上述预设像素距离阈值，且不满足上述要求的拟合候选点的数量占比达到第二预设数量阈值，则认为匹配失败。86.在本技术的一些实施例中，所述根据匹配结果对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的第二车道线拟合结果包括：获取第一分块区域的车道线实例对应的拟合候选点；根据所述匹配结果对所述第一分块区域的车道线实例对应的拟合候选点与所述第二分块区域的车道线实例对应的拟合候选点进行合并；利用预设车道线拟合算法对合并后的拟合候选点进行拟合，得到所述第二分块区域对应的车道线拟合结果。87.第二分块区域的车道线实例与第一分块区域的车道线实例的匹配结果反映了这两个区域的车道线实例是否对应的是同一车道线，基于该匹配结果可以将第一分块区域的车道线实例对应的拟合候选点与第二分块区域的车道线实例对应的拟合候选点进行合并，合并后的拟合候选点可能包含属于同一车道线的拟合候选点，也可能包含不属于同一车道线的拟合候选点，因此可以根据不同的合并结果进行车道线拟合，得到第二分块区域对应的车道线拟合结果。88.在本技术的一些实施例中，所述利用预设车道线拟合算法对合并后的拟合候选点进行拟合，得到所述第二分块区域对应的车道线拟合结果包括：若所述匹配结果为匹配成功，则确定所述第二分块区域的车道线实例与第一分块区域的车道线实例对应的是同一车道线，并对同一车道线的车道线实例对应的拟合候选点进行拟合；若所述匹配结果为匹配失败，则确定所述第二分块区域的车道线实例与所述第一分块区域的车道线实例对应的不是同一车道线，并对所述第二分块区域的车道线实例对应的拟合候选点进行拟合。89.举例说明，如果第二分块区域的最左侧车道线实例与第一分块区域的最左侧车道线实例匹配成功，说明这两个分块区域的车道线实例对应的是同一车道线，那么这时合并得到的拟合候选点就同时包含了第二分块区域的最左侧车道线实例的拟合候选点和第一分块区域的最左侧车道线实例的拟合候选点，将这些合并后的拟合候选点再进行拟合，从而得到该车道线经过一次迭代优化后的车道线拟合结果。90.而如果第二分块区域的最右侧车道线实例与第一分块区域中任意一条车道线实例都没有匹配成功，说明该最右侧车道线实例可能是在第二分块区域才被分割出的，因此可以单独对第二分块区域的最右侧车道线实例对应的拟合候选点进行拟合，从而得到第二分块区域的最右侧车道线实例的车道线拟合结果，这个过程相当于对车道线的拟合候选点进行了渐进式的重新聚类。91.需要说明的是，上述过程仅仅以两个分块区域为例进行说明，后续分块区域的处理逻辑和前述过程类似，例如当得到n02区域的车道线拟合结果后，可以结合n01区域和n02区域对应的所有车道线拟合曲线再进行车道线点的采样和投影，目的是得到n01区域和n02区域的各个车道线实例在n03区域对应的车道线投影点，再将其与n03区域分割出的车道线实例的拟合候选点进行距离比较，从而确定出n03区域分割出的各个车道线实例与n01区域和n02区域的各个车道线实例的匹配关系，并以此更新n01区域和n02区域对应的车道线拟合结果，以此方式继续迭代，直至所有的分块区域均迭代完成，得到最终的车道线识别结果。92.为了便于对本技术上述实施例的理解，如图7所示，提供了本技术实施例中一种车道线识别流程示意图。首先将当前道路图像输入事先训练好的车道线语义分割模型，得到车道线语义分割结果，利用预设聚类算法对车道线语义分割结果进行聚类，得到当前道路图像的车道线实例分割结果。然后，利用预设分块策略对当前道路图像的车道线实例分割结果进行分块，得到多个分块区域的车道线实例分割结果。之后，根据第一分块区域的车道线实例的像素点确定车道线拟合候选点，并进行车道线拟合，得到第一分块区域的车道线拟合曲线，对第一分块区域的车道线拟合曲线进行采样，得到车道线采样点，再通过坐标变换投影到当前道路图像中，对应得到第二分块区域的车道线投影点，将第二分块区域的车道线投影点与第二分块区域的车道线实例的拟合候选点进行比较，实现对车道线实例的拟合候选点的重聚类和车道线拟合结果的更新，以此迭代，直至所有分块迭代完成，输出最终的车道线识别结果。93.本技术实施例还提供了一种车道线识别装置800，如图8所示，提供了本技术实施例中一种车道线识别装置的结构示意图，所述装置800至少包括：车道线分割单元810、分块单元820、确定单元830以及优化单元840，其中：94.车道线分割单元810，用于获取当前道路图像并对所述当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果；95.分块单元820，用于利用预设分块策略，对所述当前道路图像的车道线分割结果进行分块，得到多个分块区域对应的车道线分割结果，所述多个分块区域包括第一分块区域和第二分块区域；96.确定单元830，用于根据所述第一分块区域对应的车道线分割结果，确定第一分块区域对应的车道线拟合结果；97.优化单元840，用于根据所述第二分块区域对应的车道线分割结果，利用预设迭代优化策略对所述第一分块区域对应的车道线拟合结果进行迭代优化，得到当前道路图像的车道线识别结果。98.在本技术的一些实施例中，所述车道线分割单元810具体用于：利用预设车道线语义分割模型对所述当前道路图像进行语义分割，得到当前道路图像的车道线语义分割结果；利用预设聚类算法对所述车道线语义分割结果进行像素级聚类，得到当前道路图像的车道线实例分割结果。99.在本技术的一些实施例中，所述车道线分割结果包括车道线实例，所述确定单元830具体用于：根据所述第一分块区域对应的车道线实例的像素点确定所述第一分块区域的车道线实例对应的拟合候选点；利用预设车道线拟合算法对所述第一分块区域的车道线实例对应的拟合候选点进行拟合，得到所述第一分块区域对应的车道线拟合结果。100.在本技术的一些实施例中，所述车道线拟合结果包括车道线拟合曲线，所述优化单元840具体用于：基于所述第一分块区域对应的车道线拟合曲线，利用预设采样策略进行采样，得到车道线采样点；基于图像坐标系与相机坐标系的变换关系，将所述车道线采样点投影到当前道路图像中，得到第二分块区域对应的车道线投影点；根据所述第二分块区域对应的车道线投影点和所述第二分块区域对应的车道线分割结果，对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的车道线拟合结果；根据所述第二分块区域对应的车道线拟合结果确定当前道路图像的车道线识别结果。101.在本技术的一些实施例中，所述车道线分割结果包括车道线实例，所述优化单元840具体用于：根据所述第二分块区域对应的车道线实例的像素点确定所述第二分块区域的车道线实例对应的拟合候选点；基于所述第二分块区域的车道线实例对应的拟合候选点和所述第二分块区域对应的车道线投影点，将第二分块区域的车道线实例与第一分块区域的车道线实例进行匹配；根据匹配结果对所述第一分块区域对应的车道线拟合曲线进行迭代优化，得到第二分块区域对应的第二车道线拟合结果。102.在本技术的一些实施例中，所述优化单元840具体用于：获取第一分块区域的车道线实例对应的拟合候选点；根据所述匹配结果对所述第一分块区域的车道线实例对应的拟合候选点与所述第二分块区域的车道线实例对应的拟合候选点进行合并；利用预设车道线拟合算法对合并后的拟合候选点进行拟合，得到所述第二分块区域对应的车道线拟合结果。103.在本技术的一些实施例中，所述优化单元840具体用于：若所述匹配结果为匹配成功，则确定所述第二分块区域的车道线实例与第一分块区域的车道线实例对应的是同一车道线，并对同一车道线的车道线实例对应的拟合候选点进行拟合；若所述匹配结果为匹配失败，则确定所述第二分块区域的车道线实例与所述第一分块区域的车道线实例对应的不是同一车道线，并对所述第二分块区域的车道线实例对应的拟合候选点进行拟合。104.能够理解，上述车道线识别装置，能够实现前述实施例中提供的车道线识别方法的各个步骤，关于车道线识别方法的相关阐释均适用于车道线识别装置，此处不再赘述。105.图9是本技术的一个实施例电子设备的结构示意图。请参考图9，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。106.处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。107.存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。108.处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成车道线识别装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：109.获取当前道路图像并对所述当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果；110.利用预设分块策略，对所述当前道路图像的车道线分割结果进行分块，得到多个分块区域对应的车道线分割结果，所述多个分块区域包括第一分块区域和第二分块区域；111.根据所述第一分块区域对应的车道线分割结果，确定第一分块区域对应的车道线拟合结果；112.根据所述第二分块区域对应的车道线分割结果，利用预设迭代优化策略对所述第一分块区域对应的车道线拟合结果进行迭代优化，得到当前道路图像的车道线识别结果。113.上述如本技术图1所示实施例揭示的车道线识别装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。114.该电子设备还可执行图1中车道线识别装置执行的方法，并实现车道线识别装置在图1所示实施例的功能，本技术实施例在此不再赘述。115.本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中车道线识别装置执行的方法，并具体用于执行：116.获取当前道路图像并对所述当前道路图像进行车道线分割，得到当前道路图像的车道线分割结果；117.利用预设分块策略，对所述当前道路图像的车道线分割结果进行分块，得到多个分块区域对应的车道线分割结果，所述多个分块区域包括第一分块区域和第二分块区域；118.根据所述第一分块区域对应的车道线分割结果，确定第一分块区域对应的车道线拟合结果；119.根据所述第二分块区域对应的车道线分割结果，利用预设迭代优化策略对所述第一分块区域对应的车道线拟合结果进行迭代优化，得到当前道路图像的车道线识别结果。120.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。121.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。122.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。123.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。124.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。125.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。126.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。127.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。128.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。129.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。









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!