CN106570446A - 车道线提取的方法和装置 - Google Patents

Abstract

本发明涉及一种车道线提取的方法，包括：获取三维激光点云数据，分析所述三维激光点云数据并提取得到马路边界线；将两条马路边界线中间的点作为车道线候选点云集，根据所述车道线候选点云集中各个候选点的反射率生成高亮点图像；获取行车轨迹数据，根据行车轨迹数据与三维激光点云数据的空间关系，筛选所述高亮点图像中的目标高亮点并进行直线提取得到车道线。提高了车道线的提取速度和精确度，并且结合行车轨迹数据筛选目标高亮点进行直线提取得到车道线，可方便精确的得到车道线，此外，还提供了一种车道线提取的装置。

Description

车道线提取的方法和装置

技术领域

本发明涉及计算机技术领域，特别是涉及一种车道线提取的方法和装置。

背景技术

随着计算机技术和自动化技术的发展，自动驾驶技术受到高度关注，自动驾驶技术离不开高精度地图的支持，如何生成高精度地图成为自动驾驶的瓶颈之一。高精度车道线作为高精度地图中的重要组成部分也尤为重要。

现有的车道线提取方法，往往是基于图像或者视频的提取方法，存在以下缺点：首先，对光照敏感，车道线在不同光照条件下，所生成图像的灰度值不同，增加了车道线提取的难度；其次，提取的精度不高，从二维图像提取三维车道线信息，通常是将路面看成一个平面，而实际路面通常并非平面，从而导致提取精度不高的问题。

发明内容

基于此，有必要针对上述问题，提供一种车道线提取的方法和装置，能方便的生成高精度的车道线。

一种车道线提取的方法，所述方法包括：

获取三维激光点云数据，分析所述三维激光点云数据并提取得到马路边界线；

将两条马路边界线中间的点作为车道线候选点云集，根据所述车道线候选点云集中各个候选点的反射率生成高亮点图像；

获取行车轨迹数据，根据行车轨迹数据与三维激光点云数据的空间关系，筛选所述高亮点图像中的目标高亮点并进行直线提取得到车道线。

一种车道线提取的装置，所述装置包括：

马路边界线提取模块，用于获取三维激光点云数据，分析所述三维激光点云数据并提取得到马路边界线；

高亮点图像生成模块，用于将两条马路边界线中间的点作为车道线候选点云集，根据所述车道线候选点云集中各个候选点的反射率生成高亮点图像；

车道线提取模块，用于获取行车轨迹数据，根据行车轨迹数据与三维激光点云数据的空间关系，筛选所述高亮点图像中的目标高亮点并进行直线提取得到车道线。

上述车道线提取的方法和装置，通过获取三维激光点云数据，分析三维激光点云数据并提取得到马路边界线，将两条马路边界线中间的点作为车道线候选点云集，根据车道线候选点云集中各个候选点的反射率生成高亮点图像，获取行车轨迹数据，根据行车轨迹数据与三维激光点云数据的空间关系，筛选高亮点图像中的目标高亮点并进行直线提取得到车道线，通过生成高亮点图像，为车道线的提取过滤掉了反射率低的点，只在保留的高亮点中进行提取，提高了车道线的提取速度和精确度，并且利用行车轨迹与车道线之间的距离关系，根据行车轨迹数据筛选目标高亮点进行直线提取得到车道线，可方便精确的得到车道线。

附图说明

图1为一个实施例中车道线提取的方法的应用环境图；

图2为一个实施例中图1中服务器的内部结构图；

图3为一个实施例中车道线提取的方法的流程图；

图4为一个实施例中扫描线的示意图；

图5为一个实施例中生成马路边界线的流程图；

图6为一个实施例中生成高亮点图像的流程图；

图7为一个实施例中高亮点图像的示意图；

图8为一个实施例中筛选高亮点提取车道线的流程图；

图9为一个实施例中根据目标高亮点提取车道线的流程图；

图10为一个实施例中删除异常车道线的流程图；

图11为一个实施例中车道线提取的装置的结构框图；

图12为一个实施例中马路边界线提取模块的结构框图；

图13为一个实施例中高亮点图像生成模块的结构框图；

图14为一个实施例中车道线提取模块的结构框图；

图15为另一个实施例中车道线提取模块的结构框图；

图16为一个实施例中种子车道线提取单元的结构框图；

图17为另一个实施例中车道线提取的装置的结构框图；

图18为再一个实施例中车道线提取的装置的结构框图。

具体实施方式

图1为一个实施例中车道线提取的方法运行的应用环境图。如图1所示，该应用环境包括三维激光扫描系统110、服务器120，其中三维激光扫描系统110和服务器120通过网络进行通信。

三维激光扫描系统110包括三维激光扫描仪111和导航系统112，三维激光扫描仪111为能够提供扫描物体表面的三维点云数据的仪器，导航系统112为获取GPS(Global Positioning System，全球定位系统)数据的系统，可为惯性导航系统等，可采集得到行车轨迹数据，采集车在行驶过程中三维激光扫描仪110采集三维激光点云数据的同时导航系统112采集得到行车轨迹数据，并根据行车轨迹数据与三维激光点云数据的空间关系，可得到三维激光点云数据中的每个三维激光点对应的地理位置数据。

三维激光扫描系统110通过网络向服务器120发送三维激光点云数据和行车轨迹数据，服务器120根据三维激光点云数据和行车轨迹数据提取车道线。

在一个实施例中，图1中的服务器120的内部结构如图2所示，该服务器120包括通过系统总线连接的处理器、存储介质、内存和网络接口。其中，该服务器120的存储介质存储有操作系统、数据库和车道线提取的装置，数据库用于存储数据，如三维激光点云数据等，车道线提取的装置用于实现一种适用于服务器120的车道线提取的方法。该服务器120的处理器用于提供计算和控制能力，支撑整个服务器120的运行。该服务器120的内存为存储介质中的车道线提取的装置的运行提供环境。该服务器120的网络接口用于与外部的三维激光扫描系统110通过网络连接通信，比如接收三维激光扫描系统110发送的三维点云数据和行车轨迹数据等。

在一个实施例中，如图3所示，提供了一种车道线提取的方法，以应用于上述应用环境中的服务器来举例说明，包括如下步骤：

步骤S210，获取三维激光点云数据，分析三维激光点云数据并提取得到马路边界线。

具体的，三维激光点云数据记录了由三维激光扫描仪对道路和道路上的实体表面进行扫描后得到的三维激光点的三维坐标，以及各个三维激光点对应的扫描时间，扫描角度，反射率等信息。可以由三维激光扫描仪扫描得到三维激光点云数据后发送至服务器。三维激光扫描仪可安装在车辆上，在行车过程中扫描得到三维激光点云数据。三维激光扫描仪在采集数据时，是按照线扫描的方式进行的，如图4所示，三维激光扫描仪的激光头310每次扫描一个点，然后旋转360度，得到一条完整的扫描线320，扫描线320上的每一个三维激光点都有对应的扫描时间，扫描角度，反射率等信息。根据各个三维激光点的扫描时间先后和角度，可分析得到多条扫描线。马路边界线是指马路车辆行驶范围的边界，马路边界线可通过多种形式形成，如马路车辆行道和人行道相接的部分形成的直线即马路牙子线，高速公路上通过栏杆或绿化带形成的车辆行驶道的边界等，马路边界线由各个马路边界点组成。由于边界线处的高度往往高于马路，所以在马路边界线上的各个马路边界点的垂直坐标会大于马路上的各个点的垂直坐标。根据每条扫描线上三维激光点的垂直坐标突变可检测出每条扫描线上的马路边界点，将各个马路边界点连接就形成马路边界线。

步骤S220，将两条马路边界线中间的点作为车道线候选点云集，根据车道线候选点云集中各个候选点的反射率生成高亮点图像。

具体的，马路边界线一般成对出现，当马路边界线存在多条时，根据位置进行两两组合，当马路边界线为单数时，进行两两组合时可重复利用马路边界线。两条马路边界线中间的点就为车道路面的点，作为车道线候选点云集。由于车道线与路面的反射率不同，车道线的反射率比路面的反射率高。将反射率高的点和低反射率的点，通过预设算法进行区分，只保留高反射率的点生成高亮点图像。生成的算法可根据需要自定义如高于预设反射率的点则保留，将反射率转化为对应的图像亮度生成高亮点图像，或对各个反射率进行二值化生成高亮点图像。生成高亮点图像，为车道线的提取过滤掉了反射率低的点，只在保留的高亮点中进行提取，提高了车道线的提取速度和精确度。

步骤S230，获取行车轨迹数据，根据行车轨迹数据与三维激光点云数据的空间关系，筛选高亮点图像中的目标高亮点并进行直线提取得到车道线。

具体的，行车轨迹数据可由惯性导航系统或行车记录仪等采集数据后上传到服务器，行车轨迹数据是当三维激光扫描仪在车辆上采集三维激光点云数据的过程中导航系统采集的车辆的行驶轨迹GPS数据。由于导航系统直接采集得到的是GPS数据，服务器在接收到行车轨迹数据后，可根据空间关系，将GPS数据转化为与三维激光点云数据的空间所对应的行车轨迹坐标数据，从而可直接根据行车轨迹坐标数据在三维激光点云数据对应的坐标系中生成行车轨迹，并根据三维激光点云数据中的高亮点对应的坐标计算两者之间的距离。因为车辆是在两条车道线的中间行驶，与左右两条车道线的距离有一定的关系，通过行车轨迹可快速初步确定车道线的位置范围。可根据高亮点与行车轨迹之间的距离筛选目标高亮点，如设定预设距离或设定预设距离范围进行筛选，对目标高亮点进行直线提取得到车道线。可以理解的是，可根据生成的车道线筛选新的目标高亮点生成其它的车道线，直到所有的目标高亮点筛选完毕。

本实施例中，通过获取三维激光点云数据，分析三维激光点云数据并提取得到马路边界线，将两条马路边界线中间的点作为车道线候选点云集，根据车道线候选点云集中各个候选点的反射率生成高亮点图像，获取行车轨迹数据，根据行车轨迹数据与三维激光点云数据的空间关系，筛选高亮点图像中的目标高亮点并进行直线提取得到车道线，通过生成高亮点图像，为车道线的提取过滤掉了反射率低的点，只在保留的高亮点中进行提取，提高了车道线的提取速度和精确度，并且利用行车轨迹与车道线之间的距离关系，根据行车轨迹数据筛选目标高亮点进行直线提取得到车道线，可方便精确的得到车道线。

在一个实施例中，如图5所示，步骤S210包括：

步骤S211，分析三维激光点云数据得到扫描线集合。

具体的，三维激光点云数据中的每个三维激光点是按照扫描时间和扫描角度顺序存储的，提取不同时间段内时间连续的扫描角度为0到360度之间的三维激光点连接起来就形成扫描线集合。

步骤S212，根据扫描线集合中的每条扫描线上的扫描点与相邻预设距离扫描点的斜率差异识别马路边界点，连接各条扫描线上位置匹配的马路边界点得到马路边界线。

具体的，对于每一条扫描线，获取当前三维激光点的当前三维坐标，根据扫描时间顺序，先扫描的点为前向，后扫描的点为后向。获取前向预设距离位置的扫描点的前向三维坐标，和后向预设距离位置的扫描点的后向三维坐标，根据当前三维坐标和前向三维坐标计算得到前向斜率，根据当前三维坐标和后向三维坐标计算得到后向斜率，比较前向斜率和后向斜率之间的差异，如果差异超过预设阈值，则将当前三维激光点识别为马路边界点。如计算前向斜率和后向斜率形成的夹角，如果夹角超过预设角度，则将当前三维激光点识别为马路边界点。其中前向预设距离和后向预设距离可根据需要自定义，如预设距离定义为距离当前三维激光点5个点的距离。由于马路边界点往往在三维激光扫描仪最下方位置的左右两侧，可从三维激光扫描仪最下方位置开始分别向两侧计算，提高马路边界点的识别速度。在一个实施例中，通过每一个三维激光点的前5点和后5点的高程差异和高程梯度值识别马路边界点，若高程差大于0.1m，或者梯度>0.5，则识别为马路边界点。通过比较前向和后向斜率差异识别马路边界点的识别率高，更准确。如图4所示，为识别出的马路边界点330和340，将位置匹配的马路边界点连接就得到马路边界线。

在一个实施例中，如图6所示，步骤S220包括：

步骤S221，获取车道线候选点云集在水平面的范围区域，将范围区域进行网格划分。

具体的，车道线候选点云集在x轴和y轴方向的坐标最大值和最小值之间围成的区域为水平面的范围区域，将范围区域进行网格划分，网格的大小可以自定义，如定义网格为以10cm为边长的正方形。

步骤S222，将各个候选点垂直投影到范围区域的网格中，获取各个网格中的候选点的最大反射率，将最大反射率作为对应网格的特征值。

具体的，每个候选点有对应的三维坐标，取水平面的坐标，对应投影到水平面的范围区域中，得到各个候选点在网格中的位置。一个网格中可能存在多个投影的候选点，在每个网格中的候选点中取最大反射率的点，将最大反射率作为对应网格的特征值。

步骤S223，根据特征值生成网格特征图像，取预设阈值对网格特征图像进行二值化生成高亮点图像。

具体的，将特征值作为图像的灰度值，可将特征值进行处理后作为图像的灰度值，每个网格作为图像的一个像素，生成对应的网格特征图像。并将特征值大于预设阈值的像素点保留设置成为黑色，其它的像素点的亮度值设置为白色，生成高亮点图像。其中每个黑色的点为高亮点图像中的高亮点，作为提取车道线的候选三维激光点。如图7所示，为一个生成的高亮点图像的示意图。

在一个实施例中，如图8所示，步骤S230包括：

步骤S231，获取行车轨迹预设距离范围内的高亮点作为当前目标高亮点。

具体的，因为车辆是在两条车道线的中间行驶，并且与左右两条车道线的距离在一定的范围内，通过获取与行车轨迹为预设距离范围的高亮点，可快速确定目标高亮点。

步骤S232，对当前目标高亮点进行直线提取得到种子车道线。

具体的，可自定义直线提取算法，如采用RANSAC(RANdom SAmpleConsensus)算法进行直线提取。在进行直线提取时，往往先根据一定范围的高亮点生成对应的一小段直线段，再将直线段进行延长，得到种子车道线。在延长的过程中，考虑到车道线不一定是直线，进行预设角度和距离范围的延长，延长的线段与原始线段可存在一定的角度偏差。如果对当前目标高亮点进行直线提取得到了多条直线段的情况下，可进行筛选得到种子车道线。

步骤S233，不断获取距离种子车道线为车道线宽度倍数的周围的高亮点作为当前目标高亮点，对当前目标高亮点进行直线提取得到其它车道线，直到当前目标高亮点到达马路边界线。

具体的，车道线之间的距离都是固定的车道线宽度，得到种子车道线后，依次向左侧或右侧平移车道线宽度的距离，在周围获取高亮点，将新获取的高亮点作为当前目标高亮点，再次进行直线提取得到其它车道线。直到左侧或右侧的当前目标高亮点到达对应的左侧或右侧的马路边界线为止。在种子车道线提取成功后，通过平移车道线宽度倍数的距离，可快速获取新的高亮点进行提取得到其它车道线。

在一个实施例中，如图9所示，步骤S230包括：

步骤S234，根据直线提取算法生成目标高亮点对应的直线线段。

步骤S235，根据直线线段前后预设角度和预设距离范围内的高亮点延长所述直线线段，得到车道线。

具体的，通过直线提取算法获取得到直线段后，沿直线方向预设角度如，30度阈值范围内，向线段前后搜索预设距离范围内是否存在高亮点，如果存在，则将高亮点加入目标高亮点，并对加入的目标高亮点进行直线提取得到延长的直线段，依此方式不断将直线段前后进行增长，得到完整的车道线。通过预设角度搜索目标高亮点，可以提高非直线的车道线的提取精度。

在一个实施例中，步骤S231包括：获取行车轨迹路线左侧的预设距离范围内的高亮点作为当前第一目标高亮点，获取行车轨迹路线右侧的预设距离范围内的高亮点作为当前第二目标高亮点。

具体的，根据车道线成对出现的特点，同时获取行车轨迹路线左侧和右侧预设距离范围内的高亮点，得到当前第一目标高亮点和当前第二目标高亮点。

步骤S232包括：根据直线提取算法生成当前第一目标高亮点对应的第一直线线段，根据直线提取算法生成当前第二目标高亮点对应的第二直线线段，将第一直线线段和第二直线线段中较长的直线线段作为种子车道线段，延长种子车道线段得到种子车道线。

具体的，将当前第一目标高亮点进行直线提取得到第一直线线段，将当前第二目标高亮点进行直线提取得到第二直线线段，根据两条直线线段的长度将较长的直线线段作为种子车道线段。同时生成两条种子车道线段，筛选较长的种子车道线段延长得到种子车道线，较长的种子车道线段往往更准确，提高了种子车道线的提取精度。

在一个实施例中，如图10所示，步骤S230之后，还包括：

步骤S410，获取当前车道线和相邻的车道线之间的距离。

具体的，根据线段之间的距离计算方法计算当前车道线和相邻的车道线之间的距离，在计算时往往将当前车道线和相邻的车道线划分为不同的分段，则每个分段可近似为直线段，得到2条直线段之间的距离。如果不同的分段对应的距离不同，则说明车道线在有些分段处存在错误。

步骤S420，如果所述距离不在预设范围内，则删除当前车道线、相邻的车道线中长度较短或方向异常的车道线。

具体的，如果计算出的距离不在预设范围内，则说明当前车道线或相邻的车道线中存在错误，此时删除当前车道线、相邻的车道线中长度较短的车道线，或计算当前车道线和相邻的车道线的斜率，如果斜率不在预设范围内，则为方向异常的车道线，将方向异常的车道线删除。可将车道线的斜率与左右相邻的车道线的斜率进行比较，如果与左右相邻的车道线的斜率差异较大，则为方向异常的车道线。

步骤S430，将下一条车道线作为当前车道线重复步骤S410至S420直到没有车道线被删除为止。

本实施中，由于高亮点图像在生成过程中，易受到车辆和路面箭头等高反射物的影响，从而产生错误高亮点，需要剔除由这些错误高亮点提取得到的车道线，才能得到最终准确的车道线。通过车道线之间的距离不断检测可能出错的车道线，并进行删除，进一步保证了提取的车道线的准确性。

在一个实施例中，在所有步骤之后，还包括：获取三维激光点云数据对应的地理位置数据，将车道线根据对应的地理位置数据绘制于地图。

具体的，根据三维激光点云数据与导航系统采集的GPS数据的对应关系，得到三维激光点云数据中各个三维激光点对应的地理位置数据，如经纬度坐标，获取车道线上的三维激光点的经纬度坐标，根据经纬度坐标将车道线在地图上绘制出来。绘制于地图的车道线可用于自动车辆驾驶等。

在一个实施例中，如图11所示，提供了一种车道线提取的装置，包括：

马路边界线提取模块510，用于获取三维激光点云数据，分析三维激光点云数据并提取得到马路边界线。

高亮点图像生成模块520，用于将两条马路边界线中间的点作为车道线候选点云集，根据车道线候选点云集中各个候选点的反射率生成高亮点图像。

车道线提取模块530，用于获取行车轨迹数据，根据行车轨迹数据与三维激光点云数据的空间关系，筛选高亮点图像中的目标高亮点并进行直线提取得到车道线。

在一个实施例中，如图12所示，马路边界线提取模块510包括：

扫描线获取单元511，用于分析三维激光点云数据得到扫描线集合。

马路边界线生成单元512，用于根据扫描线集合中的每条扫描线上的扫描点与相邻预设距离扫描点的斜率差异识别马路边界点，连接各条扫描线上位置匹配的马路边界点得到马路边界线。

在一个实施例中，如图13所示，高亮点图像生成模块520包括：

网格划分单元521，用于获取车道线候选点云集在水平面的范围区域，将范围区域进行网格划分。

特征值获取单元522，用于将各个候选点垂直投影到范围区域的网格中，获取各个网格中的候选点的最大反射率，将最大反射率作为对应网格的特征值。

高亮点图像生成单元523，用于根据特征值生成网格特征图像，取预设阈值对网格特征图像进行二值化生成高亮点图像。

在一个实施例中，如图14所示，车道线提取模块530包括：

种子车道线提取单元531，用于获取行车轨迹预设距离范围内的高亮点作为当前目标高亮点，对当前目标高亮点进行直线提取得到种子车道线。

其它车道线提取单元532，用于不断获取距离种子车道线为车道线宽度倍数的周围的高亮点作为当前目标高亮点，对当前目标高亮点进行直线提取得到其它车道线，直到当前目标高亮点到达马路边界线。

在一个实施例中，如图15所示，车道线提取模块530包括：

直线线段提取单元533，用于根据直线提取算法生成目标高亮点对应的直线线段。

第一延长单元534，用于根据直线线段前后预设角度和预设距离范围内的高亮点延长直线线段，得到车道线。

在一个实施例中，如图16所示，种子车道线提取单元531包括：

目标高亮点获取单元531a，用于获取行车轨迹路线左侧的预设距离范围内的高亮点作为当前第一目标高亮，获取行车轨迹路线右侧的预设距离范围内的高亮点作为当前第二目标高亮。

筛选单元531b，用于根据直线提取算法生成当前第一目标高亮点对应的第一直线线段，根据直线提取算法生成当前第二目标高亮点对应的第二直线线段，将第一直线线段和第二直线线段中较长的直线线段作为种子车道线段。

第二延长单元531c，用于延长种子车道线段得到种子车道线。

在一个实施例中，如图17所示，所述装置还包括：

删除模块540，用于获取当前车道线和相邻的车道线之间的距离，如果距离不在预设范围内，则删除当前车道线、相邻的车道线中长度较短或方向异常的车道线，将下一条车道线作为当前车道线重复进入删除模块直到没有车道线被删除为止。

在一个实施例中，如图18所示，所述装置还包括：

绘制模块550，用于获取三维激光点云数据对应的地理位置数据，将车道线根据对应的地理位置数据绘制于地图。

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，所述程序可存储于一计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (16)

1.一种车道线提取的方法，所述方法包括：

获取三维激光点云数据，分析所述三维激光点云数据并提取得到马路边界线；

将两条马路边界线中间的点作为车道线候选点云集，根据所述车道线候选点云集中各个候选点的反射率生成高亮点图像；

获取行车轨迹数据，根据行车轨迹数据与三维激光点云数据的空间关系，筛选所述高亮点图像中的目标高亮点并进行直线提取得到车道线。

2.根据权利要求1所述的方法，其特征在于，所述分析所述三维激光点云数据并提取得到马路边界线的步骤包括：

分析所述三维激光点云数据得到扫描线集合；

根据所述扫描线集合中的每条扫描线上的扫描点与相邻预设距离扫描点的斜率差异识别马路边界点，连接各条扫描线上位置匹配的马路边界点得到马路边界线。

3.根据权利要求1所述的方法，其特征在于，所述根据所述车道线候选点云集中各个候选点的反射率生成高亮点图像的步骤包括：

获取所述车道线候选点云集在水平面的范围区域，将所述范围区域进行网格划分；

将所述各个候选点垂直投影到所述范围区域的网格中，获取所述各个网格中的候选点的最大反射率，将所述最大反射率作为对应网格的特征值；

根据所述特征值生成网格特征图像，取预设阈值对所述网格特征图像进行二值化生成高亮点图像。

4.根据权利要求1所述的方法，其特征在于，所述根据行车轨迹数据与三维激光点云数据的空间关系，筛选所述高亮点图像中的目标高亮点并进行直线提取得到车道线的步骤包括：

获取行车轨迹预设距离范围内的高亮点作为当前目标高亮点；

对所述当前目标高亮点进行直线提取得到种子车道线；

不断获取距离所述种子车道线为车道线宽度倍数的周围的高亮点作为当前目标高亮点，对所述当前目标高亮点进行直线提取得到其它车道线，直到当前目标高亮点到达所述马路边界线。

5.根据权利要求1所述的方法，其特征在于，所述筛选所述高亮点图像中的目标高亮点并进行直线提取得到车道线的步骤包括：

根据直线提取算法生成所述目标高亮点对应的直线线段；

根据所述直线线段前后预设角度和预设距离范围内的高亮点延长所述直线线段，得到车道线。

6.根据权利要求4所述的方法，其特征在于，所述获取行车轨迹预设距离范围内的高亮点作为当前目标高亮点的步骤包括：

获取所述行车轨迹路线左侧的预设距离范围内的高亮点作为当前第一目标高亮，获取所述行车轨迹路线右侧的预设距离范围内的高亮点作为当前第二目标高亮；

所述对所述当前目标高亮点进行直线提取得到种子车道线的步骤包括：

根据直线提取算法生成所述当前第一目标高亮点对应的第一直线线段；

根据直线提取算法生成所述当前第二目标高亮点对应的第二直线线段；

将所述第一直线线段和第二直线线段中较长的直线线段作为种子车道线段；

延长所述种子车道线段得到所述种子车道线。

7.根据权利要求1所述的方法，其特征在于，在所述根据行车轨迹数据与三维激光点云数据的空间关系，筛选所述高亮点图像中的目标高亮点并进行直线提取得到车道线的步骤之后，还包括：

S1：获取当前车道线和相邻的车道线之间的距离；

S2：如果所述距离不在预设范围内，则删除所述当前车道线、相邻的车道线中长度较短或方向异常的车道线；

将下一条车道线作为当前车道线重复步骤S1至S2直到没有车道线被删除为止。

8.根据权利要求1所述的方法，其特征在于，在执行所有步骤之后，所述方法还包括：

获取所述三维激光点云数据对应的地理位置数据；

将所述车道线根据对应的地理位置数据绘制于地图。

9.一种车道线提取的装置，其特征在于，所述装置包括：

马路边界线提取模块，用于获取三维激光点云数据，分析所述三维激光点云数据并提取得到马路边界线；

高亮点图像生成模块，用于将两条马路边界线中间的点作为车道线候选点云集，根据所述车道线候选点云集中各个候选点的反射率生成高亮点图像；

车道线提取模块，用于获取行车轨迹数据，根据行车轨迹数据与三维激光点云数据的空间关系，筛选所述高亮点图像中的目标高亮点并进行直线提取得到车道线。

10.根据权利要求9所述的装置，其特征在于，所述马路边界线提取模块包括：

扫描线获取单元，用于分析所述三维激光点云数据得到扫描线集合；

马路边界线生成单元，用于根据所述扫描线集合中的每条扫描线上的扫描点与相邻预设距离扫描点的斜率差异识别马路边界点，连接各条扫描线上位置匹配的马路边界点得到马路边界线。

11.根据权利要求9所述的装置，其特征在于，所述高亮点图像生成模块包括：

网格划分单元，用于获取所述车道线候选点云集在水平面的范围区域，将所述范围区域进行网格划分；

特征值获取单元，用于将所述各个候选点垂直投影到所述范围区域的网格中，获取所述各个网格中的候选点的最大反射率，将所述最大反射率作为对应网格的特征值；

高亮点图像生成单元，用于根据所述特征值生成网格特征图像，取预设阈值对所述网格特征图像进行二值化生成高亮点图像。

12.根据权利要求9所述的装置，其特征在于，所述车道线提取模块包括：

种子车道线提取单元，用于获取行车轨迹预设距离范围内的高亮点作为当前目标高亮点，对当前目标高亮点进行直线提取得到种子车道线；

其它车道线提取单元，用于不断获取距离所述种子车道线为车道线宽度倍数的周围的高亮点作为当前目标高亮点，对所述当前目标高亮点进行直线提取得到其它车道线，直到当前目标高亮点到达所述马路边界线。

13.根据权利要求9所述的装置，其特征在于，所述车道线提取模块包括：

直线线段提取单元，用于根据直线提取算法生成所述目标高亮点对应的直线线段；

第一延长单元，用于根据所述直线线段前后预设角度和预设距离范围内的高亮点延长所述直线线段，得到车道线。

14.根据权利要求12所述的装置，其特征在于，所述种子车道线提取单元包括：

目标高亮获取单元，用于获取所述行车轨迹路线左侧的预设距离范围内的高亮点作为当前第一目标高亮，获取所述行车轨迹路线右侧的预设距离范围内的高亮点作为当前第二目标高亮；

筛选单元，用于根据直线提取算法生成所述当前第一目标高亮点对应的第一直线线段，根据直线提取算法生成所述当前第二目标高亮点对应的第二直线线段，将所述第一直线线段和第二直线线段中较长的直线线段作为种子车道线段；

第二延长单元，用于延长所述种子车道线段得到所述种子车道线。

15.根据权利要求9所述的装置，其特征在于，所述装置还包括：

删除模块，用于获取当前车道线和相邻的车道线之间的距离，如果所述距离不在预设范围内，则删除所述当前车道线、相邻的车道线中长度较短或方向异常的车道线，将下一条车道线作为当前车道线重复进入删除模块直到没有车道线被删除为止。

16.根据权利要求9所述的装置，其特征在于，所述装置还包括：

绘制模块，用于获取所述三维激光点云数据对应的地理位置数据，将所述车道线根据对应的地理位置数据绘制于地图。