CN104766058B - 一种获取车道线的方法和装置 - Google Patents

Abstract

本申请公开了一种用于获取车道线的方法和装置。所述方法的一具体实施方式包括：采集道路数据，其中道路数据至少包括二维图像数据和三维激光点云数据；采用机器学习方法对二维图像数据中的车道线进行识别；基于二维图像数据和三维激光点云数据的空间位置关系，将车道线识别结果转换为三维车道线散点；根据统计特性对三维车道线散点进行过滤；以及对过滤后的车道线散点进行聚类，以获取车道线。该实施方式可以准确、高效地获取车道线，避免道路图像中车辆、道路边沿、其他标志线对车道线获取的影响，在应用于地图绘制时，可以明显提高绘制速度和精度。

Description

一种获取车道线的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及图像数据处理领域，尤其涉及一种用于获取车道线的方法和装置。

背景技术

车道线的提取技术可以应用于地图绘制、车辆自动驾驶和行车安全提示等领域中。目前，绘制高精度地图中的车道线时，首先需要将道路图像中的车道线提取出来。现有的车道线提取方法主要依赖于手工标记或二维图像的车道线识别技术。其中手工标记大多为人工对卫星图像或航拍图像中的车道线进行标记；基于二维图像的车道线识别则是通过车载相机拍摄连续的道路图片，在道路图片中根据车道线特征来对车道线进行识别。上述方法中，手工标记速度较慢，进而导致地图绘制效率较低；基于二维图像的车道线识别则无法生成精确的三维车道线信息，例如无法排除车辆对车道线提取的影响，从而可能产生错误的识别结果。

发明内容

为解决上述现有技术的缺陷，期望提供一种获取三维车道线数据的方法，进一步地，还期望车道线的获取不受道路图像中车辆、道路边沿、栏杆以及其他标志线的影响。为了实现上述一个或多个目的，本申请提供了用于获取车道线的方法和装置。

一方面，本申请提供了一种用于获取车道线的方法，所述方法包括：采集道路数据，该道路数据至少包括二维图像数据和三维激光点云数据；采用机器学习方法对二维图像数据中的车道线进行识别；基于二维图像数据和三维激光点云数据的空间位置关系，将车道线识别结果转换为三维车道线散点；根据统计特性对三维车道线散点进行过滤；以及对过滤后的车道线散点进行聚类，以获取车道线。

另一方面，本申请提供了一种用于获取车道线的装置，所述装置包括：采集单元，配置用于采集道路数据，该道路数据至少包括二维图像数据和三维激光点云数据；识别单元，配置用于采用机器学习方法对二维图像数据中的车道线进行识别；转换单元，配置用于基于二维图像数据和三维激光点云数据的空间位置关系，将车道线识别结果转换为三维车道线散点；过滤单元，配置用于根据统计特性对三维车道线散点进行过滤；以及聚类单元，配置用于对过滤后的车道线散点进行聚类，以获取车道线。

本申请提供的用于获取车道线的方法和装置，通过将二维车道线的识别结果转换为三维的车道线散点，并对三维车道线散点进行多层级的过滤，而后对三维车道线散点聚类，可以准确、高效地获取车道线，避免道路图像中车辆、道路边沿、其他标志线对车道线获取的影响，在应用于地图绘制时，可以明显提高绘制速度和精度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了根据本申请一个实施例的用于获取车道线的方法的示意性的流程图；

图2示出了根据本申请一个实施例的对二维图像数据中的车道线进行识别的方法的示意性的流程图；

图3a示出了一幅二维道路图像的示意图；

图3b示出了对梯形畸变矫正及灰度化后的二维道路图像数据进行训练的结果的效果示意图；

图3c示出了二维图像数据的车道线识别结果的效果示意图；

图4示出了根据本申请一个实施例的将车道线识别结果转换为三维车道线散点的示意性流程图；

图5示出了车道线聚类结果的效果示意图；

图6示出了根据本申请一个实施例的用于获取车道线的装置的示意性结构图；

图7示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

请参考图1，其示出了根据本申请一个实施例的用于获取车道线的方法的示意性的流程图。本实施例主要以该方法用于具有数据处理能力的服务器、终端设备以及独立的计算机系统中来说明。

如图1所示，在步骤101中，采集道路数据。

在本实施例中，所采集的道路数据至少包括二维图像数据和三维激光点云数据。二维图像数据可以通过使用相机拍摄道路图像来采集，三维激光点云数据则可以通过激光扫描仪来获取。在实际应用中，可以采用车载相机和车载激光扫描系统分别采集二维道路图像数据和三维扫路激光点云数据。其中车载激光扫描系统除了包括激光扫描仪之外，还可以包括INS(Inertial Navigation System，惯性导航系统)和IMU(InertialMeasurement Unit，惯性测量单元)。惯性导航系统可以获取扫描位置的GPS(GlobalPositioning System，全球定位系统)数据以及车辆行驶数据，例如速度、加速度等。IMU可以获取车辆的翻滚、俯仰和偏航等数据。

在一些实现中，激光扫描仪可以在垂直于车辆行驶的方向作二维扫描，与车辆行驶方向构成三维扫描系统，从而获取由离散的向量点形成的三维激光点云数据。具体地，空间目标点的三维坐标可以按照如下方式获取：激光扫描仪可以向外发射激光脉冲，并记录发射的激光脉冲的水平方向偏航角α和俯仰角θ，之后探测脉冲返回的时间以及返回的脉冲的强度，根据脉冲返回时间确定激光脉冲飞行的距离S，则空间目标点的三维坐标(x_w,y_w,z_w)可以根据下式计算：

x_w＝Ssinθcosα

y_w＝Ssinθsinα (1)

z_w＝Scosθ

在对扫描范围内每一个空间点进行扫描之后，可以获得多个包含空间点三维坐标的三维数据点，将这些数据点与每一点返回的脉冲的强度组合起来则可以获得三维激光点云数据。

在步骤102中，采用机器学习方法对二维图像数据中的车道线进行识别。

在本实施例中，可以基于车道线的特征对二维图像数据进行车道线识别，具体地，可以采用机器学习的方法进行识别。例如，采用样本数据对车道线识别的模型进行训练，得到模型的参数和输出。在识别时将步骤101所获取的二维图像数据输入该模型中，输出识别结果。

在一些实施例中，可以采用Hough变换(霍夫变换)来识别二维图像数据中的长直线。Hough变换是一种基于投票机制的参数确定方法。首先采用边缘提取方法将图像中的边缘特征的点提取出来，然后确定直线的参数，例如，如果将平面中的某一条直线方程表示为Ax+By＝0，其中(x,y)为直线上点的坐标，则可以通过Hough变换来确定其中的参数A和B。具体实现方式如下：

首先选定A和B的取值范围，对取值范围中的每一组A、B值，得到一个直线方程，计算落在该直线上的边缘点的数量，作为这一组A、B值的代价值。遍历取值范围中的所有A和B，得到每一组A、B值所对应的代价值，将最大代价值(即落在该直线上的边缘点数量最多)所对应的A、B值作为最终确定的该直线的参数。

可以采用上述方法提取出二维图像数据中的多条直线。之后，可以将直线的长度、直线间的距离与车身宽度的关系、以及车道线的宽度等作为特征，训练识别模型。该识别模型可以将与车道线平行的直线(例如车道上的直行标志、转向标志等)以及其他与车道线不平行的直线(如标志牌边缘等)滤除。

在步骤103中，基于二维图像数据和三维激光点云数据的空间位置关系，将车道线识别结果转换为三维车道线散点。

在本实施例中，可以对车载相机和激光点云进行配准，获得其空间位置关系，然后基于该空间位置关系将二维的车道线识别结果转换为三维车道线散点。

在上述步骤101中，激光扫描仪获取到空间目标点的三维坐标(x_w,y_w,z_w)。下面具体说明如何基于摄像机成像模型得出同一道路场景的二维图像数据和三维激光点云数据的位置关系。摄像机坐标系与图像坐标系均为二维坐标系，而且为同一个平面，所不同的是图像坐标系的坐标原点在最左上角，而摄像机坐标系的坐标原点在图像的正中间。空间坐标系中的一点P(x_w,y_w,z_w)通过成像，得到图像坐标系中的点P₁(x_u,y_v)。则有以下关系：

其中，λ表示尺度缩放因子；K表示摄像机的内部参数矩阵，内部参数与摄像机焦距、传感器每个单元的尺寸、以及摄像机原点在图像坐标系中的位置有关；R和T分别表示旋转和平移矩阵，R和T中的参数为摄像机外部参数。分别与摄像机的偏航角、俯仰角和平移量有关。(x_w,y_w,z_w)^T和(x_u,y_v,1)^T是某个空间点的世界坐标和图像坐标。这样，在摄像机内部参数已知的情况下，利用若干个空间目标点和其对应的成像点的坐标，根据式(2)即可以得出计算出摄像机的外部参数。

在一些实现中，如果在对二维图像进行车道线识别时没有对图像进行变换处理，则可以根据二维图像数据与三维激光点云数据的空间位置关系，将三维点云数据映射到识别出车道线的二维图像中。如果在对二维图像进行车道线识别时对二维图像数据进行了例如畸变矫正等变换处理，则可以对识别出车道线的二维图像进行逆变换，然后再基于二维图像数据与三维激光点云数据的空间位置关系将三维点云数据映射到逆变换后的识别出车道线的二维图像中，之后将映射到二维图像中的点云数据再做逆变换，得到矫正后的二维车道线图像的三维点云映射结果。

在步骤104中，根据统计特性对三维车道线散点进行过滤。

由于二维图像中所有空间点成像于同一平面，所以二维的车道线识别结果中可能存在由于车辆遮挡而形成的噪声，还可能存在由道路边沿形成的噪声。并且，在将二维识别结果转换为三维车道线散点时可能引入了一些随机噪声。因而需要将这些噪声从三维车道线散点中滤除。具体地，可以根据上述噪声的统计特性对其进行过滤。

在一些可选的实现方式中：上述可以过滤包括：过滤非道路范围的数据点，过滤非车道线平面的数据点，以及过滤车道线周围的噪声数据点。

具体地，过滤非道路范围的数据点，可以包括：从三维激光点云数据中提取道路边沿数据点，从而确定道路边沿；过滤道路边沿以外的数据点。可以根据采集车的位置在三维激光点云数据中查找道路边沿数据点，从而找到表示道路边沿的直线上的数据点，然后根据该直线上点的三维坐标，将该直线以外的数据点过滤掉。在实际应用中，可以将这些数据点剔除或者灰度值标记为零。这样，可以过滤掉非行车道路的噪声，例如护栏、路边标志牌、路灯、树木等。

过滤非车道线平面的数据点，可以包括：对三维车道线数据散点进行随机抽样一致性处理，得出车道线平面上数据点的模型；过滤不符合车道线平面上数据点模型的数据点。具体地，可以按如下方式进行随机抽样一致性处理：

在车道线三维数据散点集合中选取一些数据点构成一个子集，假设该子集内的点均为车道线上的点；利用该子集中的点训练出一个初始模型；判断车道线三维数据散点集合中的其他数据点是否适用于该模型，如果适用于该模型的三维数据散点的数量超过一定阈值，则可以认为该模型为合理的模型。之后，可以采用适用于该模型的除上述子集外其他三维数据散点对该模型进行估计，调整模型的参数，最后可以根据模型对三维车道线散点估计的错误率来评估模型。可选地，可以采用多个不同子集重复上述步骤，得到多个模型，并从中选取评估结果最好(错误率最低)的模型为车道线平面数据点的模型。

在训练车道线平面数据点的模型时，可以保留适用于该模型的三维数据散点，而将不适用于该模型的三维数据散点滤除。在实际应用中，通过随机抽样一致性处理，可以将与车道线不在同一平面的数据点过滤，例如可以将车辆、行人等噪声过滤掉。

过滤车道线周围的噪声数据点，可以包括：统计三维激光点云数据的密度特征，过滤密度小于设定阈值的数据点。可以根据点云中每个点到周围点的最小距离，统计出点云密度分布。在一些实现中，可以将密度较小的数据点过滤掉，以剔除车道线周边的“毛刺”噪声。进一步地，如果三维激光点云数据中噪声符合一定的分布(例如高斯分布)，则可以根据该分布的特征，过滤车道线周围的噪声数据点。

在步骤105中，对过滤后的车道线散点进行聚类，以获取车道线。

对过滤后的三维车道线散点，可以采用诸如欧氏距离聚类等方法对其进行聚类，即可以用欧氏距离来度量各个三维车道线散点之间的相异程度，欧氏距离越大，则表明两点之间相异程度越高。在一些实现中，可以将相异程度低于某一阈值的点聚为一类，则可以获取由三维车道线散点构成的车道线。

在一些实施例中，还可以根据车道线的先验知识对聚类进行限定。一般情况下，车道线较长，并且具有连通性。因此车道线的先验知识可以包括车道线的连通性特征和/或长度阈值。在一些实现中，还可以包括车道线互相平行的特性。举例而言，根据车道线的连通性特征，当车道线散点间的欧氏距离超过某一阈值时，可以认为这两点不属于同一车道线。根据车道线的长度阈值判定聚类后的直线是否为车道线，如果该直线长度小于车道线的长度阈值，则可以认为该直线上的点不属于同一车道线。

在实际应用中，可以将上述获取的车道线用于标记地图。在一些实现中，步骤101采集的道路数据中还可以包括地理位置数据。上述用于获取车道线的方法还可以包括：将获取的车道线与地理位置数据相关联。当采集车在行驶过程中采集连续的二维道路图像数据和三维激光点云数据时，可以同时记录采集车的GPS数据。并将经过处理后获取的三维车道线与GPS数据相关联。之后根据GPS定位信息将相交或距离相近的车道线拼接起来就可以获取连续的车道线。可以在地图上标记出车道线。实现车道线的自动标记。

上述实施例提供的用于获取车道线的方法，可以准确、高效地获取车道线，避免道路图像中车辆、道路边沿、其他标志线对车道线获取的影响。进一步地，在绘制高精度地图时，可以明显提高绘制速度和精度。

对于本申请的上述实施例，应用的场景可以为，根据车载相机和激光扫描系统获取的二维道路图像和三维激光点云，首先提取二维道路图像中的车道线，之后将三维点云映射到二维车道线中，最后计算映射到二维车道线中的点云中点间欧氏距离，根据欧式距离对这些点进行聚类，从而得出三维车道线。可以在一定程度上减少人工绘制地图的工作量，提高地图绘制的效率和精确度。

进一步参考图2，其示出了根据本申请一个实施例的对二维图像数据中的车道线进行识别的方法的示意性流程图。

如图2所示，在步骤201中，对二维图像数据进行梯形畸变矫正。

在本实施例中，由于车载相机的成像轴与地面不垂直，形成一定的角度，因此，拍摄到的图像中，多条车道线不平行，具有一定的畸变。并且，在同一条道路上的拍摄多幅车道线图像时。如果车载相机与道路平面间的角度发生改变，则多幅车道线图像的识别结果难以匹配。在一些实现中，可以获取相机在空间坐标系中的姿态，即相机位置参数，包括俯仰角、偏航角、以及形变系数，然后根据相机的这些位置参数对二维图像数据做变换，矫正畸变，使矫正后的车道线图像具有旋转不变性。

在另一些实现中，如果无法获取相机的位置参数，可以按照如下方式对二维图像做梯形畸变矫正：首先检测二维图像数据中的边缘，然后根据检测到的边缘提取车道线或路边沿的轮廓，之后根据轮廓的平行性计算矫正矩阵，最后根据矫正矩阵对二维图像数据进行变换，得到矫正后的二位图像。

在步骤202中，对矫正后的二维图像处理做灰度化处理，得到灰度化的二维车道线图像。

矫正后的二维图像近似于从垂直于地面的角度拍摄的图像。一般情况下，采集到的二维图像数据为彩色图像，其中车道线为白色，可以对彩色的二维图像进行灰度化处理，获得灰度化的二维车道线图像。在灰度化的二维图像中，车道线像素具有最高的灰度值。进一步地，还可以对灰度化的二维图像做二值化处理，例如可以设置灰度值阈值，将灰度值小于该阈值的图像像素点的灰度均转化为0，灰度值大于该阈值的图像像素的灰度均转换为最高灰度值。

在步骤203中，对灰度化的二维车道线图像进行训练，识别其中的直线。

在本实施例中，可以采用机器学习的方法对灰度化的二维车道线进行训练，得到直线模型，然后根据直线模型识别灰度化的二维车道线图像中的直线。

在步骤204中，根据车道线的先验知识对直线进行过滤，得到车道线的识别结果。

车道线的先验知识可以包括：车道线的连通性特征和/或长度阈值。在本实施例中，对步骤203中识别出的直线，可以根据上述先验知识对其进行过滤，例如过滤掉长度低于某一设定阈值的直线以及直线上点间距大于另一阈值的直线，得到车道线的识别结果。

进一步参考图3a，3b和3c，其示出了本申请上述步骤201-204的处理效果的示意图。其中，图3a示出了采集到的一幅二维道路图像的示意图。用于采集二维道路图像的相机光轴与地面之间有一定的角度，因而所采集的图像中车道线不平行。采集到的图像包括车道线以及车辆、路灯、栏杆等噪声。

图3a中，301、302、303和304表示所拍摄的道路中的车道线，305为车道边沿外的道路上的其他标志线，306表示标志牌，307为道路边沿，308、309表示道路两边的栏杆，310表示道路上行驶的车辆。从图3a中可以看出，二维道路图像中存在多种影响车道线提取的噪声，如其他标志线305、标志牌306、道路边沿307、路边栏杆308和309以及将部分车道线遮挡的车辆310等等。

图3b示出了对梯形畸变矫正及灰度化后的二维道路图像数据进行训练后提取出其中的直线特征的训练结果的效果示意图。矫正后的车道线图像中车道线基本平行，将其灰度化后，可以获得其中灰度与车道线相近的像素点。再对这些像素点进行训练，识别其中的直线，可以得到多条较长的线段(例如图3b中的311)以及多条较短的直线段(例如图3b中的312)。从图3b中可以看出，训练结果中提取出了一些离散的短线段，在根据车道线相互平行、以及车道线的连通性和长度阈值对这些提取出的对这些短线段进行进一步的过滤后，可以得到对二维图像数据的车道线识别结果。图3c示出了二维图像数据的车道线识别结果的一种效果示意图，其中用阴影区域标记了车道线的识别结果313、314、315、316以及317。

在上述实施例中，可以初步提取出二维图像中的车道线。但是从图3c可以看出，车辆边缘的一部分317也被识别为车道线。并且，被车辆遮挡的车道线无法识别。为了提高车道线识别的精确度，需要对识别结果做进一步的处理，例如将识别结果进行二维到三维的转换，利用三维点云数据获取更精确的车道线提取结果。

进一步参考图4，其示出了根据本申请一个实施例的将车道线识别结果转换为三维车道线散点的示意性流程图。

如图4所示，在步骤401中，获取采集二维图像的相机的内外参数。

相机的内部参数包括相机焦距、传感器每个单元的尺寸、以及相机原点在图像坐标系中的位置。外部参数包括相机在三个维度上的偏航角和平移量。如上所述，可以通过摄像机标定的方法计算上述内部参数和外部参数。由于三维激光点云数据中包含所扫描到的每一个空间点的三维坐标，通过相机标定，求解出摄像机的内外参数，就可以得出二维图像数据与三维激光点云数据的空间位置关系。

在一些实现中，可以通过标定方法首先获取相机的焦距、传感器每个单元的尺寸等内部参数，之后利用若干个空间目标点和其对应的成像点的坐标，根据式(2)即可以得出计算出相机的外部参数。

在步骤402中，根据相机的内外参数计算转换矩阵。

在计算出相机的内外参数后，可以计算出转换矩阵。转换矩阵包括内参矩阵K以及外参矩阵R、T。如果用(u₀、v₀)表示摄像机原点在图像坐标系中的位置，f表示相机的焦距，dx、dy分别表示传感器每个单元在图像坐标系的两个坐标轴方向上的的尺寸，则内参矩阵K可以由下式(3)计算得出：

如果用α、β、γ和t_x、t_y、t_z分别表示相机外参中三个方向上的偏航角度和平移量，则矩阵R、T可以由下式(4)(5)计算得出。

T＝(t_x,t_y,t_z)^T (5)

在步骤403中，基于转换矩阵，将三维激光点云数据映射到二维车道线识别结果上。

根据步骤402所计算出的转换矩阵，可以找到三维激光点云数据对应的二维图像中的像素。在本实施例中，可以将三维车道线的点云数据映射到二维车道线的识别结果上。这样，二维车道线识别结果中的每个像素都与多个三维激光点云数据中的点相对应。

在步骤404中，对二维车道线识别结果中的每个像素，取映射在该像素的所有三维激光点云数据中距离相机最近的点作为该像素对应的三维车道线散点。

在本实施例中，在将三维激光点云数据映射到二维的车道线识别结果中之后，二维车道线识别结果中的每一个像素都对应多个三维激光点云数据点。在一些实现中，可以计算多个三维激光点云数据点与相机之间的距离，取距离最小的一个三维激光点云数据点作为二维的车道线识别结果中该像素所对应的三维映射，即二维车道线识别结果中该像素被转换为了一个三维车道线散点。

通过上述实施例提供的方法，可以将车道线识别结果转换为三维车道线散点，将二维车道线的识别映射到真实的三维空间中，可以获得更丰富的三维车道线信息，例如可以获取被车辆遮挡的车道线数据，从而可以提升车道线识别的准确性和可靠性。

进一步参考图5，其示出了根据本实施例的方法对三维车道线散点聚类的结果的效果示意图。从图5中可以看出，车道线的聚类结果中包含多条平行、连通的较长的直线。且相邻两直线间的距离相等，符合车道线的特征，表明聚类结果准确可靠。

进一步参考图6，其示出了根据本申请一个实施例的用于获取车道线的装置的示意性结构图。如图6所示，用于获取车道线的装置600可以包括采集单元601、识别单元602、转换单元603、过滤单元604以及聚类单元605。其中，采集单元601可以配置用于采集道路数据。该道路数据可以至少包括二维图像数据和三维激光点云数据。识别单元602可以配置用于采用机器学习方法对采集单元601采集到的二维图像数据中的车道线进行识别。转换单元603可以配置用于基于采集单元601采集到的二维图像数据和三维激光点云数据的空间位置关系，将识别单元602的车道线识别结果转换为三维车道线散点。过滤单元604可以配置用于根据统计特性对转换单元所得到的三维车道线散点进行过滤。聚类单元604可以配置用于对过滤后的车道线散点进行聚类，以获取车道线。

在本实施例中，二维图像数据可以通过使用相机拍摄道路图像来采集，三维激光点云数据则可以通过激光扫描仪来获取。这些道路数据被采集或获取后可以传送至具有数据处理能力的服务器或终端设备中的采集单元601进行处理。识别单元602可以采用样本数据对车道线识别的模型进行训练，获取模型的参数和输出。在识别时将采集单元601采集的二维图像数据输入该模型，输出识别结果。转换单元603可以对相机和激光点云进行配准，获取相机的内外参数，然后计算转换矩阵，根据转换矩阵将三维激光点云数据映射到二维车道线识别结果中。过滤单元604可以根据映射到二维车道线识别结果中的三维车道线散点的统计学特性分别对非道路范围的数据点、非道路平面的数据点以及车道线周围的噪声数据点进行过滤。聚类单元605可以采用诸如欧氏距离聚类等方法对过滤后的三维车道线散点聚类，得到三维车道线。

在一些实施例中，采集单元601采集的数据还可以包括地理位置数据。用于获取车道线的装置600还可以包括优化单元606以及关联单元607。其中优化单元606可以配置用于根据车道线的先验知识(例如连通性特征、长度阈值等)对聚类单元605的聚类过程进行限定。关联单元607可以配置用于将获取的车道线与地理位置数据相关联。

装置600中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对用于获取车道线的方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。装置600中的相应单元可以与终端设备和/或服务器中的单元相互配合以实现本申请实施例的方案。

本申请上述实施例提供的用于获取车道线的装置可以实现三维车道线的获取，通过三维点云数据与二维图像数据的配准，剔除车辆等噪声的影响，从而提升了获取的车道线的准确性和可靠性。

图7示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统700的结构示意图。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。该计算机可读存储介质存储有一个或者一个以上程序，该程序可以包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (20)

1.一种用于获取车道线的方法，其特征在于，所述方法包括：

采集道路数据，所述道路数据至少包括二维图像数据和三维激光点云数据；

采用机器学习方法对所述二维图像数据中的车道线进行识别；

基于所述二维图像数据和三维激光点云数据的空间位置关系，将车道线识别结果转换为三维车道线散点；

根据统计特性对所述三维车道线散点进行过滤；以及

对过滤后的车道线散点进行聚类，以获取车道线。

2.根据权利要求1所述的方法，其特征在于，所述采用机器学习方法对所述二维图像数据中的车道线进行识别，包括：

对所述二维图像数据进行梯形畸变矫正；

对矫正后的二维图像数据做灰度化处理，得到灰度化的二维车道线图像；

对所述灰度化的二维车道线图像进行训练，识别其中的直线；

根据车道线的先验知识对所述直线进行过滤，得到车道线的识别结果。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据车道线的先验知识对所述聚类进行限定。

4.根据权利要求2或3所述的方法，其特征在于，所述车道线的先验知识包括：车道线的连通性特征和/或长度阈值。

5.根据权利要求1-3之一所述的方法，其特征在于，所述将车道线识别结果转换为三维车道线散点，包括：

获取采集所述二维图像的相机的内外参数；

根据所述内外参数计算转换矩阵；

基于所述转换矩阵，将所述三维激光点云数据映射到所述识别结果上；

对所述识别结果中的每个像素，取映射在该像素的所有三维激光点云数据中距离所述相机最近的点作为所述像素对应的三维车道线散点。

6.根据权利要求1所述的方法，其特征在于，所述过滤包括：

过滤非道路范围的数据点；

过滤非车道线平面的数据点；以及

过滤车道线周围的噪声数据点。

7.根据权利要求6所述的方法，其特征在于，所述过滤非道路范围的数据点，包括：

从所述三维激光点云数据中提取道路边沿数据点，从而确定道路边沿；

过滤所述道路边沿以外的数据点。

8.根据权利要求6所述的方法，其特征在于，所述过滤非车道线平面的数据点，包括：

对所述数据散点进行随机抽样一致性处理，得出车道线平面上数据点的模型；

过滤不符合所述车道线平面上数据点模型的数据点。

9.根据权利要求6所述的方法，其特征在于，所述过滤车道线周围的噪声数据点，包括：

统计所述三维激光点云数据的密度特征，过滤密度小于设定阈值的数据点。

10.根据权利要求1所述的方法，其特征在于，所述道路数据还包括地理位置数据，则所述方法还包括：将所述获取的车道线与所述地理位置数据相关联。

11.一种用于获取车道线的装置，其特征在于，所述装置包括：

采集单元，配置用于采集道路数据，所述道路数据至少包括二维图像数据和三维激光点云数据；

识别单元，配置用于采用机器学习方法对所述二维图像数据中的车道线进行识别；

转换单元，配置用于基于所述二维图像数据和三维激光点云数据的空间位置关系，将车道线识别结果转换为三维车道线散点；

过滤单元，配置用于根据统计特性对所述三维车道线散点进行过滤；以及

聚类单元，配置用于对过滤后的车道线散点进行聚类，以获取车道线。

12.根据权利要求11所述的装置，其特征在于，所述识别单元配置用于按如下方式对所述二维图像数据中的车道线进行识别：

对所述二维图像数据进行梯形畸变矫正；

对矫正后的二维图像数据做灰度化处理，得到灰度化的二维车道线图像；

对所述灰度化的二维车道线图像进行训练，识别其中的直线；

根据车道线的先验知识对所述直线进行过滤，得到车道线的识别结果。

13.根据权利要求11所述的装置，其特征在于，所述装置还包括：

优化单元，配置用于根据所述车道线的先验知识对所述聚类进行限定。

14.根据权利要求12或13所述的装置，其特征在于，所述车道线的先验知识包括：车道线的连通性和/或长度阈值。

15.根据权利要求11-13之一所述的装置，其特征在于，所述转换单元配置用于按如下方式将车道线识别结果转换为三维车道线散点：

获取采集所述二维图像的相机的内外参数；

根据所述内外参数计算转换矩阵；

基于所述转换矩阵，将所述三维激光点云数据映射到所述识别结果上；

对所述识别结果中的每个像素，取映射在该像素的所有三维激光点云数据中距离所述相机最近的点作为所述像素对应的三维车道线散点。

16.根据权利要求11所述的装置，其特征在于，所述过滤单元配置用于：

过滤非道路范围的数据点；

过滤非道路平面的数据点；以及

过滤车道线周围的噪声数据点。

17.根据权利要求16所述的装置，其特征在于，所述过滤非道路范围的数据点，包括：

从所述三维激光点云数据中提取道路边沿数据点，从而确定道路边沿；

过滤所述道路边沿以外的数据点。

18.根据权利要求16所述的装置，其特征在于，所述过滤非车道线平面的数据点，包括：

对所述数据散点进行随机抽样一致性处理，得出车道线平面数据点的模型；

过滤不符合所述车道线平面数据点模型的数据点。

19.根据权利要求16所述的装置，其特征在于，所述过滤车道线周围的噪声数据点，包括：

统计所述三维激光点云数据的密度特征，过滤密度小于设定阈值的数据点。

20.根据权利要求11所述的装置，其特征在于，所述道路数据还包括地理位置数据，则所述装置还包括：

关联单元，配置用于将所述获取的车道线与所述地理位置数据相关联。