CN107341453A - 一种车道线提取方法及装置 - Google Patents

一种车道线提取方法及装置 Download PDF

Info

Publication number
CN107341453A
CN107341453A CN201710471518.7A CN201710471518A CN107341453A CN 107341453 A CN107341453 A CN 107341453A CN 201710471518 A CN201710471518 A CN 201710471518A CN 107341453 A CN107341453 A CN 107341453A
Authority
CN
China
Prior art keywords
lane line
line
lane
information
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710471518.7A
Other languages
English (en)
Other versions
CN107341453B (zh
Inventor
刘扬
杜明义
孙家阔
蔡国印
王国凤
刘清松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN201710471518.7A priority Critical patent/CN107341453B/zh
Publication of CN107341453A publication Critical patent/CN107341453A/zh
Application granted granted Critical
Publication of CN107341453B publication Critical patent/CN107341453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种车道线提取方法、装置及系统，涉及交通技术领域，主要目的在于提升车道线提取精度和效率。所述方法包括：采集可量测实景道路图像；通过对所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对所述车道识别感兴趣区进行车道线边缘检测；根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。本发明适用于基于可量测实景道路图像的车道线提取。

Description

一种车道线提取方法及装置
技术领域
本发明涉及交通技术领域，特别是涉及一种车道线提取方法及装置。
背景技术
随着社会经济的快速发展，驾车出行已然成为人们出行的主要方式。机动车出行给人们带来了很大的便利，但同时也存在着很大的隐患。据不完全统计，机动车驾驶人数量已过半，每年大约有数十万人死于交通事故。为了减少不幸事故的发生，也为了提升人们出行的方便性和舒适性，实现机动车的自动化已成为必然的趋势走向。所以对道路线的检测，如车道线的检测显得尤为重要，检测出车道线能够使自动驾驶更加智能化，带来更安全的保证。
目前，在进行车道线提取时，通常对采集的普通道路图像进行车道线边缘检测，然后直接根据车道线边缘点所构成的直线提取车道线。然而，普通道路图像所包含的车道线信息不全面，且在实际交通道路中，车道线并非一直是直线，直接根据车道线边缘点所构成的直线提取车道线，会造成提取的车道线不准确，从而导致车道线提取精度较低，此外，对所述普通道路图像进行边缘检测，需要处理的冗余图像信息量较大，造成边缘检测的速度较慢，从而导致车道线提取效率较低。
发明内容
有鉴于此，本发明提供一种车道线提取方法及装置，主要目的在于在提升车道线提取精度和效率。
依据本发明一个方面，提供了一种车道线提取方法，包括：
采集可量测实景道路图像；
通过对所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对所述车道识别感兴趣区进行车道线边缘检测；
根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
依据本发明另一个方面，提供了一种车道线提取装置，包括：
采集单元，用于采集可量测实景道路图像；
构建单元，用于通过对所述采集单元采集的所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区；
检测单元，用于对所述构建单元构建的所述车道识别感兴趣区进行车道线边缘检测；
提取单元，用于根据所述检测单元检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
依据本发明又一个方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的车道线提取方法。
依据本发明再一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述的车道线提取方法。
本发明提供一种车道线提取方法及装置，与目前对采集的普通道路图像进行车道线边缘检测，然后直接根据车道线边缘点所构成的直线提取车道线相比，本发明能够采集可测量实景道路图像，由于可测量实景道路图像是在一体化集成融合管理的时空序列上，具有像片绝对方位元素的地面立体影像，通过采集可量测实景道路图像，保证了车道线信息的全面性，从而保证了车道线提取的精度。此外，通过对所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对所述车道识别感兴趣区进行车道线边缘检测，有效地减少了车道识别感兴趣区，提升了车道线边缘检测速度，从而提升了车道线提取效率。与此同时，通过根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线，实现了将车道线提取的问题转化为车道中线选取的问题，简化了车道线提取步骤，进而进一步地提升了车道线提取效率；且通过对车道中线进行修正，然后根据修正的车道中线提取车道线，提升了提取的车道线与实际车道线的接近程度，进而进一步提升了车道线提取精度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种车道线提取方法流程图；
图2示出了本发明实施例提供的可量测实景道路图像；
图3示出了本发明实施例提供的另一种车道线提取方法流程图；
图4示出了本发明实施例提供的车道识别感兴趣拼接模型的构建示意图；
图5示出了本发明实施例提供的车道识别感兴趣区预处理的基本流程图；
图6示出了本发明实施例提供的车道线的特征网格示意图；
图7示出了本发明实施例提供的基于预设车道中线拟合修正的车道线提取方法示意图；
图8示出了本发明实施例提供的三次样条拟合模型进行车道线拟合示意图；
图9示出了本发明实施例提供的车道线定位与提取的示意图；
图10示出了本发明实施例提供的技术方案路线图；
图11示出了本发明实施例提供的一种车道线提取装置的结构示意图；
图12示出了本发明实施例提供的另一种车道线提取装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种车道线提取方法，如图1所示，所述方法包括：
101、采集可量测实景道路图像。
其中，所述可量测实景道路图像可以为地面近景可测量道路图像，所述可量测道路图像可以如图2所示。具体地，所述可量测实景道路图像可以为移动道路测量系统采集得到的，所述移动道路测量系统可以为在机动车上集成球定位系统、影像或视频相阵系统、惯性导航系统或航位推算系统，如电子罗盘/里程计等先进的传感器和设备。所述移动道路测量系统可以在车辆高速进行中，快速采集道路及道路两旁地物的空间位置数据和属性数据，如：道路中心线或边线位置坐标、目标地物的位置坐标、路或者车道的宽度、桥或者隧道的高度、交通标志、道路设施等，采集得到的数据可以同步存储在车载计算机系统中，经事后编辑处理，生成各种有用的专题数据库或道路电子地图等成果。
在本发明实施例中，可以根据道路类型、城市交通环境等场景，考虑建筑物，阴影、光照等外界干扰条件设计可量测实景采集方案，然后根据设计的采集方案有针对性的采集可测量实景道路图像。
102、通过对可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对车道识别感兴趣区进行车道线边缘检测。
其中，所述网格动态窗口可以包括车道特征，且可以为正方形，其大小可以为2、2、3、5、10个像素，所述网格动态窗口具体可以由所述道路图像的分辨率大小设定。所述车道识别感兴趣区可以为包括车道线但不包括城市环境等因素的区域、如建筑物、道路车辆等，对于本发明实施例，通过构建基于网格动态窗口的车道识别感兴趣区，能够剔除在车道线边缘检测城市环境等因素的影响，缩小车道线的识别区域，从而能够提升车道线的提取速度，进而能够提升车道线的提取效率。
对于本发明实施例，当构建得到所述车道识别感兴趣区为彩色图像时，可以根据道路颜色的显著区域进行彩色边缘检测，道路中的车道线可以为白色或者黄色，也可以先对彩色图像进行灰度化处理，然后利用卷积边缘检测算法对灰度化的图像进行灰度边缘检测，所述卷积边缘检测算法可以为普利维特(Prewitt)边缘检测算法、索贝尔(Sobel)边缘检测算法、拉普拉斯(Laplacian)边缘检测算法、Canny边缘检测算法等。
103、根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
其中，所述检测得到的车道线信息可以为车道线边缘点信息，根据所述检测得到的车道线信息和所述预设车道中线拟合修正的车道线提取模型提取车道线的过程可以为：根据检测得到的车道线边缘点信息拟合生成车道中线，然后通过多相关的反馈方式对拟合生成的车道中线进行修正，最后根据修正后的车道中线反推提取车道线，本发明实施例，通过根据所述预设车道中线拟合修正的车道线提取模型提取车道线，实现了将车道线提取的问题转化为车道中线选取的问题，简化了车道线提取步骤，进而进一步地提升了车道线提取效率；且通过对车道中线进行修正，然后根据修正的车道中线提取车道线，提升了提取的车道线与实际车道线的接近程度，进而进一步提升了车道线提取精度。
本发明实施例提供的一种车道线提取方法，与目前对采集的普通道路图像进行车道线边缘检测，然后直接根据车道线边缘点所构成的直线提取车道线相比，本发明实施例能够采集可测量实景道路图像，由于可测量实景道路图像是在一体化集成融合管理的时空序列上，具有像片绝对方位元素的地面立体影像，通过采集可量测实景道路图像，保证了车道线信息的全面性，从而保证了车道线提取的精度。此外，通过对所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对所述车道识别感兴趣区进行车道线边缘检测，有效地减少了车道识别感兴趣区，提升了车道线边缘检测速度，从而提升了车道线提取效率。与此同时，通过根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线，实现了将车道线提取的问题转化为车道中线选取的问题，简化了车道线提取步骤，进而进一步地提升了车道线提取效率；且通过对车道中线进行修正，然后根据修正的车道中线提取车道线，提升了提取的车道线与实际车道线的接近程度，进而进一步提升了车道线提取精度。
本发明实施例提供了另一种车道线提取方法，如图3所示，所述方法包括：
201、采集可量测实景道路图像。
其中，所述可量测实景道路图像的相关解释以及采集策略在步骤101已进行了详细的解析，本发明实施例在此不进行赘述。
202、通过对可量测实景道路图像进行分析，构建网格动态窗口生成模型和连续网格动态窗口感兴趣区拼接模型。
对于本发明实施例，步骤202具体可以包括：对可量测实景道路图像进行分析，得到所述图像的图像特性信息和图像位置信息；根据所述图像特性信息构建所述网格动态窗口生成模型，并根据所述图像位置信息和预设图像差异经验模型筛选出的用于反映车道线状态的动态网格窗口，构建所述连续网格动态窗口感兴趣拼接模型。
其中，所述图像特性信息可以包括图像横纵像素比、曝光率、连续帧重合度、车道线颜色、分辨率等。所述网格动态窗口生成模型是根据图像横纵像素比、曝光率、连续帧重合度、车道线颜色、分辨率等构建的，网格动态窗口的长宽用网格数表示，可依据图像分析结果确定；为了方便计算，初始化网格窗口的纵横比与图像纵横比接近。动态网格窗口的数量和位置通过以速度为参数的图像识别经验方程给出。所述预设图像差异经验模型能够剔除一些无用的图像数据，如交通拥堵或等红灯过程中拍摄的大量非必要实景数据。
为了更好的理解车道识别感兴趣拼接模型的构建，本发明实施例提供了图4，图(a)为连续实景中网格动态窗口的原始状态图，图(b)是在一定距离内所建立的感兴趣拼接模型，图(c)依据顺序关系从序列图像中筛选足够反映车道线状态的动态网格窗口，最大程度上减少动态网格窗口数量，通过筛选的动态网格窗口，能够构建所述连续网格动态窗口感兴趣拼接模型。
203、利用网格动态窗口生成模型生成的包含车道特征的网格动态窗口和连续网格动态窗口感兴趣区拼接模型，构建基于网格动态窗口的车道识别感兴趣区。
204、对车道识别感兴趣区进行去除干扰和噪声预处理。
对于本发明实施例，为了实现对所述车道识别感兴趣区去除干扰和噪声，步骤204具体可以为：对所述车道识别感兴趣区进行灰度化处理，其次，对灰度化处理后的图像进行滤波平滑处理，对滤波平滑处理的图像进行图像增强，然后对图像增强得到的图像进行二值化处理，最后根据形态学对二值化的图像结果进行边缘修补。具体地，车道识别感兴趣区预处理的基本流程图可以图5所示。
205、对预处理后的车道识别感兴趣区进行车道线边缘检测。
对于本发明实施例，为了更快的进行所述车道线边缘检测，提升车道线边缘检测的效率，所述对车道识别感兴趣区进行车道线边缘检测的步骤具体可以包括：在所述车道识别感兴趣区内构建出车道线的特征网格提取模型；根据所述特征网格提取模型和预设边沿梯度检测算法，提取出车道线特征网格；对所述特征网格进行车道线边缘检测。所述车道线的特征网格可以如图6所示。
206、根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
需要说明的是，所述可量测实景道路图像可以为可量测实景道路的左右两侧立体图像，所述检测得到的车道线信息可以为左右两侧车道线信息，所述预设中线拟合修正的车道线提取模型包括预设车道中线归一化模型、预设多相关反馈的车道中线修正模型和预设车道中线跟踪车道线模型，此时，步骤206具体可以包括：根据预设车道中线归一化模型对拟合得到的左右两侧车道线进行归一化处理，得到第一拟合车道中线，并通过对所述左右两侧车道线信息进行逆透视映射处理确定第二拟合车道中线；根据预设多相关反馈的车道中线修正模型和所述第二拟合车道中线，对所述第一拟合车道中线进行修正处理；根据修正得到的车道中线和所述预设车道中线跟踪车道线模型，反推提取出左右两侧车道线。
其中，所述预设车道中线归一化模型可以为基于左右两侧车道平行的车道中线归一化模型，通过预设车道中线归一化模型能够根据检测到车道线边缘点以及角度关系寻找到最接近车道线的点连线，然后将拟合左右两侧车道线转换为拟合车道中线；最后将特征点进行逆透视映射，并作为车道中线的控制点，并进行拟合，从而实现了将检测左右两侧车道线的问题转化为基于所选道路模型的车道中心线控制点选取问题，简化了车道线的提取步骤；通过所述预设多相关反馈的车道中线修正模型，实现了车道中线模型误差积累的“回收”；针对图像连续帧，利用车道中线跟踪车道线模型实现连续车道线的提取，最终能够获得车道线以及所述车道线的形状特征。具体地，本发明实施例提供了如图7。通过图7能够很好的理解基于预设车道中线拟合修正的车道线提取方法。
为了进一步保证车道线提取的准确性，本发明实施例还可以根据检测的车道线信息生成车道线逆透视图，由于通过逆透视图可以将二维矩阵图像变换为三维的立体图像，且车道线的宽度是固定的，可以将提取的车道线和变换得到的立体图像进行比较，通过视觉判断反推车道线是否合理，若不合理，则优化调整车道线的计算参数，然后根据优化后的参数重新提取车道线。
在本发明实施例中，所述根据所述左右两侧车道线信息和预设车道中线归一化模型，确定第一拟合车道中线的步骤具体可以包括：根据预设车道线拟合模型对所述左右两侧的车道线信息进行拟合处理；根据预设车道中线归一化模型对拟合得到的左右两侧车道线进行归一化处理，得到第一拟合车道中线。其中，所述预设车道线拟合模型可以根据检测到车道线信息进行设置，本发明实施例不做限定。例如，当检测到的车道线信息为单一车道信息时，所述预设车道线拟合模型可以为三次样条曲线拟合模型，拟合车道线的过程可以如图8所示。当检测到的车道线信息为车道反复短暂合并或者分叉信息时，所述预设车道线拟合模型可以为霍夫直线模型和贝塞尔曲线模型结合，当检测到的车道线信息为车辆道路口90度转弯、车道地势起伏较大、车道线与车道边缘基本重合等信息时，所述预设车道线拟合模型可以为贝塞尔曲线模型。
此外，所述通过对所述左右两侧车道线信息进行逆透视映射处理确定第二拟合车道中线的步骤具体可以包括：对所述左右两侧车道线信息进行逆透视映射处理；对逆透视映射得到的车道中线信息进行拟合处理，得到第二拟合车道中线。
对于本发明实施例，所述可量测实景道路图像为安装在车辆上的移动道路测量系统采集的，所述移动道路测量系统包括摄像机和定位系统，因此本发明实施例还提供了确定车道线坐标信息功能，包括：解析采集所述可量测实景道路图像所使用的摄相机参数信息以及所述定位系统的坐标位置信息；根据预设立体视觉算法、所述摄像机参数信息和所述坐标位置信息，确定车道线坐标测量方程；通过解算所述车道线坐标测量方程，确定所述车道线的坐标位置信息。
其中，所述摄像机参数信息可以包括摄像机内方位信息和摄像机外方位信息，所述定位系统可以为全球定位系统，定位系统的坐标位置信息可以为全球定位系统天线的中心坐标信息。需要说明的是，为了更好的理解根据预设立体视觉算法、所述摄像机参数信息和所述坐标位置信息，确定车道线坐标测量方程以及解算出车道线的坐标信息的过程，本发明实施例提供了如下步骤、公式和图9：
步骤1：在可量测实景道路图像上选取同名点坐标行列号I′和J′，x0，y0为相机内方位元素。根据式(1)解算像点坐标。
步骤2：根据式(2)求解外方位元素XS，YS，ZS，其中，Xw，Yw，Zw为全球定位系统天线的中心坐标，M是由移动道路测量系统的三个姿态角决定的定向选择矩阵，M＝f(φ,ω,k)，φ,ω,k为已知，f为主距，(VX,VY,VZ)是相阵传感器在像方坐标系中的三个坐标系分量。
步骤3：然后由外方位角元素及像点坐标，根据式(3)计算空间辅助坐标。其中，R1R2由外方位角元素计算得到的左右像片旋转矩阵。
步骤4:按式(4)结合步骤2中的外方位直线元素计算摄影基线分量Bx、By、Bz。
步骤5，由式(5)计算得到投影系数N1,N2。
步骤6：由式(6)求得(XA，YA，ZA))，即地面点地面摄影测量坐标。
对于本发明实施例，为了方便用户看到车道线提取和定位姐结果，还可以构建车道线提取和定位结果存储模型，具体地，可以采用通用的道路存储结构，并保留其附加信息；至少包括车道中线连续坐标链，车道标线，车道线宽、车道颜色、车辆方向及检测提取的附加信息，所述车道中线连续坐标链可以为shape格式；所述车道标线可以为线型，如虚线或连续型；车道颜色可以为白色或者黄色、提取的附加信息可以为提取所用时间、来源图像，使用算法和自动判断得到的周围环境状态等。
为了更好的理解本发明技术方案，本发明实施例还提供了如图10的应用场景，包括但不限定于此：
步骤1：有针对性的可量测实景数据采集，通过步骤1能够采集到城市道路交通环境下连续的可量测实景图像；
步骤2：可量测实景图像分析，其中，步骤2为步骤3进行车道线识别感兴趣区构建提供了支持；
步骤3：车道线识别感兴趣区构建实验，通过步骤3能够有效的剔除城市环境的影响，缩小车道线识别检测区域；
步骤4：可量测实景图像预处理，通过步骤4能够去除干扰和噪声，从而能够提升步骤5车道线边缘检测的速度
步骤5：车道线边缘检测，通过步骤5能够获取到车道线边缘特征
步骤6：预设车道拟合模型构建，通过步骤6为步骤7进行车道线检测及跟踪提供了支持；
步骤7：车道线检测及跟踪实验，通过步骤7能够提出车道线以及车道线形状特征，提升了车道线提取效率和精度；
步骤8：典型城市交通环境自动判别实验，通过步骤8能够不断完善步骤7检测的车道线结果，以及提升车道线自动化识别水平；
步骤9：车道线坐标解算，通过步骤9能够获取到车道线空间位置；
步骤10：车道线提取和定位结果存储模型构建；
步骤11：系统研发计算法检测，步骤11可以为以MATLAB、IDL和高级编程语言结合的方式研发车道线提取及定位系统，通过步骤10和步骤11能够实现车道线自动化提取和定位系统，进一步地提升车道线自动化识别水平。
本发明实施例提供的另一种车道线提取方法，与目前对采集的普通道路图像进行车道线边缘检测，然后直接根据车道线边缘点所构成的直线提取车道线相比，本发明实施例能够采集可测量实景道路图像，由于可测量实景道路图像是在一体化集成融合管理的时空序列上，具有像片绝对方位元素的地面立体影像，通过采集可量测实景道路图像，保证了车道线信息的全面性，从而保证了车道线提取的精度。此外，通过对所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对所述车道识别感兴趣区进行车道线边缘检测，有效地减少了车道识别感兴趣区，提升了车道线边缘检测速度，从而提升了车道线提取效率。与此同时，通过根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线，实现了将车道线提取的问题转化为车道中线选取的问题，简化了车道线提取步骤，进而进一步地提升了车道线提取效率；且通过对车道中线进行修正，然后根据修正的车道中线提取车道线，提升了提取的车道线与实际车道线的接近程度，进而进一步提升了车道线提取精度。
为了实现上述目的，本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的车道线提取方法。
为了实现上述目的，本发明实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述的车道线提取方法。
进一步地，作为图1的具体实现，本发明实施例提供了一种车道线提取装置，如图11所示，采集单元31、构建单元32、检测单元33和提取单元34。
所述采集单元31，可以用于采集可量测实景道路图像。
所述构建单元32，可以用于通过对所述采集单元31采集的所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区。
所述检测单元33，可以用于对所述构建单元32构建的所述车道识别感兴趣区进行车道线边缘检测。
所述提取单元34，可以用于根据所述检测单元33检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
需要说明的是，本发明实施例提供的一种车道线提取装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
本发明实施例提供的一种车道线提取装置，所述装置可以配置采集单元、构建单元、检测单元和提取单元。与目前对采集的普通道路图像进行车道线边缘检测，然后直接根据车道线边缘点所构成的直线提取车道线相比，本发明实施例能够采集可测量实景道路图像，由于可测量实景道路图像是在一体化集成融合管理的时空序列上，具有像片绝对方位元素的地面立体影像，通过采集可量测实景道路图像，保证了车道线信息的全面性，从而保证了车道线提取的精度。此外，通过对所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对所述车道识别感兴趣区进行车道线边缘检测，有效地减少了车道识别感兴趣区，提升了车道线边缘检测速度，从而提升了车道线提取效率。与此同时，通过根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线，实现了将车道线提取的问题转化为车道中线选取的问题，简化了车道线提取步骤，进而进一步地提升了车道线提取效率；且通过对车道中线进行修正，然后根据修正的车道中线提取车道线，提升了提取的车道线与实际车道线的接近程度，进而进一步提升了车道线提取精度。
进一步地，作为图3的具体实现，本发明实施例提供了另一种车道线提取装置，如图12所示，采集单元41、构建单元42、检测单元43和提取单元44。
所述采集单元41，可以用于采集可量测实景道路图像。
所述构建单元42，可以用于通过对所述采集单元41采集的所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区。
所述检测单元43，可以用于对所述构建单元42构建的所述车道识别感兴趣区进行车道线边缘检测。
所述提取单元44，可以用于根据所述检测单元43检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
对于本发明实施例，为了构建基于网格动态窗口的车道识别感兴趣区，所述构建单元42包括：第一构建模块421和第二构建模块422。
所述第一构建模块421，可以用于通过对可量测实景道路图像进行分析，构建网格动态窗口生成模型和连续网格动态窗口感兴趣区拼接模型。
所述第二构建模块422，可以用于利用所述第一构建模块421构建的所述网格动态窗口生成模型生成的包含车道特征的网格动态窗口和所述连续网格动态窗口感兴趣拼接模型，构建基于网格动态窗口的车道识别感兴趣区。
对于本发明实施例，为了构建网格动态窗口生成模型和连续网格动态窗口感兴趣区拼接模型，所述第一构建模块421包括：分析子模块4211、第一构建子模块4212和第二构建子模块4213。
所述分析子模块4211，可以用于对可量测实景道路图像进行分析，得到所述图像的图像特性信息和图像位置信息。
所述第一构建子模块4212，可以用于根据所述分析子模块4211得到的所述图像特性信息构建所述网格动态窗口生成模型。
所述第二构建子模块4213，可以用于根据所述分析子模块4211得到的所述图像位置信息和预设图像差异经验模型筛选出的用于反映车道线状态的动态网格窗口，构建所述连续网格动态窗口感兴趣区拼接模型。
需要说明的是，所述可量测实景道路图像可以为可量测实景道路的左右两侧立体图像，所述检测得到的车道线信息可以为左右两侧车道线信息，所述预设中线拟合修正的车道线提取模型可以包括预设车道中线归一化模型、预设多相关反馈的车道中线修正模型和预设车道中线跟踪车道线模型，此时，所述提取单元44包括：第一确定模块441、第二确定模块442、修正模块443和第一提取模块444。
所述第一确定模块441，可以用于根据所述左右两侧车道线信息和预设车道中线归一化模型，确定第一拟合车道中线。
所述第二确定模块442，可以用于通过对所述左右两侧车道线信息进行逆透视映射处理确定第二拟合车道中线。
所述修正模块443，可以用于根据预设多相关反馈的车道中线修正模型和所述第一确定模块441确定的所述第二拟合车道中线，对所述第二确定模块442确定的所述第一拟合车道中线进行修正处理。
所述第一提取模块444，可以用于根据所述修正模块443修正得到的车道中线和所述预设车道中线跟踪车道线模型，反推提取出左右两侧车道线。
所述第一确定模块441，具体可以用于根据预设车道线拟合模型对所述左右两侧的车道线信息进行拟合处理，并根据预设车道中线归一化模型对拟合得到的左右两侧车道线进行归一化处理，得到第一拟合车道中线。
所述第二确定模块442，具体可以用于对所述左右两侧车道线信息进行逆透视映射处理，并对逆透视映射得到的车道中线信息进行拟合处理，得到第二拟合车道中线。
对于本发明实施例，为了对所述车道识别感兴趣区进行车道线边缘检测，所述检测单元43可以包括：第三构建模块431、第二提取模块432和检测模块433。
所述第三构建模块431，可以用于在所述车道识别感兴趣区内构建出车道线的特征网格提取模型。
所述第二提取模块432，可以用于根据所述第三构建模块431构建的所述特征网格提取模型和预设边沿梯度检测算法，提取出车道线特征网格。
所述检测模块433，可以用于对所述第二提取模块432提取的所述特征网格进行车道线边缘检测。
对于本发明实施例，所述可量测实景道路图像可以为安装在车辆上的移动道路测量系统采集的，所述移动道路测量系统包括摄像机和定位系统，本发明实施例还能够确定车道线的坐标信息，为了确定车道线的坐标信息，所述装置还包括：解析单元45、第一确定单元46和第二确定单元47。
所述解析单元45，可以用于解析采集所述可量测实景道路图像所使用的摄相机参数信息以及所述定位系统的坐标位置信息。
所述第一确定单元46，可以用于根据预设立体视觉算法、所述解析单元45解析的所述摄像机参数信息和所述坐标位置信息，确定车道线坐标测量方程。
所述第二确定单元47，可以用于通过解算所述第一确定单元46确定的所述车道线坐标测量方程，确定所述车道线的坐标位置信息。
对于本发明实施例，为了更好的识别车道线边缘，进一步提升车道线边缘检测效率，所述装置还包括：处理单元48。
所述处理单元48，可以用于对所述车道识别感兴趣区进行去除干扰和噪声预处理。所述预处理的步骤可以包括：对所述车道识别感兴趣区进行灰度化处理，其次，对灰度化处理后的图像进行滤波平滑处理，对滤波平滑处理的图像进行图像增强，然后对图像增强得到的图像进行二值化处理，最后根据形态学对二值化的图像结果进行边缘修补。
所述检测单元43，具体可以用于对所述处理单元48预处理后的车道识别感兴趣区进行车道线边缘检测。
需要说明的是，本发明实施例提供的另一种车道线提取装置所涉及各功能模块的其他相应描述，可以参考图3所示方法的对应描述，在此不再赘述。
本发明实施例提供的另一种车道线提取装置，所述装置可以配置采集单元、构建单元、检测单元和提取单元。与目前对采集的普通道路图像进行车道线边缘检测，然后直接根据车道线边缘点所构成的直线提取车道线相比，本发明实施例能够采集可测量实景道路图像，由于可测量实景道路图像是在一体化集成融合管理的时空序列上，具有像片绝对方位元素的地面立体影像，通过采集可量测实景道路图像，保证了车道线信息的全面性，从而保证了车道线提取的精度。此外，通过对所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对所述车道识别感兴趣区进行车道线边缘检测，有效地减少了车道识别感兴趣区，提升了车道线边缘检测速度，从而提升了车道线提取效率。与此同时，通过根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线，实现了将车道线提取的问题转化为车道中线选取的问题，简化了车道线提取步骤，进而进一步地提升了车道线提取效率；且通过对车道中线进行修正，然后根据修正的车道中线提取车道线，提升了提取的车道线与实际车道线的接近程度，进而进一步提升了车道线提取精度。
本发明实施例还提供了如下技术方案：
A1、一种车道线提取方法，包括：
采集可量测实景道路图像；
通过对所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对所述车道识别感兴趣区进行车道线边缘检测；
根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
A2、如A1所述的方法，所述通过对可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区包括：
通过对可量测实景道路图像进行分析，构建网格动态窗口生成模型和连续网格动态窗口感兴趣区拼接模型；
利用所述网格动态窗口生成模型生成的包含车道特征的网格动态窗口和所述连续网格动态窗口感兴趣区拼接模型，构建基于网格动态窗口的车道识别感兴趣区。
A3、如A2所述的方法，所述通过对可量测实景道路图像进行分析，构建得到网格动态窗口生成模型和连续网格动态窗口感兴趣拼接模型包括：
对可量测实景道路图像进行分析，得到所述图像的图像特性信息和图像位置信息；
根据所述图像特性信息构建所述网格动态窗口生成模型，并根据所述图像位置信息和预设图像差异经验模型筛选出的用于反映车道线状态的动态网格窗口，构建所述连续网格动态窗口感兴趣拼接模型。
A4、如A1所述的方法，所述可量测实景道路图像为可量测实景道路的左右两侧立体图像，所述检测得到的车道线信息为左右两侧车道线信息，所述预设中线拟合修正的车道线提取模型包括预设车道中线归一化模型、预设多相关反馈的车道中线修正模型和预设车道中线跟踪车道线模型，所述根据检测得到的车道线信息和预设中线拟合修正的车道线提取模型提取车道线包括：
根据所述左右两侧车道线信息和预设车道中线归一化模型，确定第一拟合车道中线，并通过对所述左右两侧车道线信息进行逆透视映射处理确定第二拟合车道中线；
根据预设多相关反馈的车道中线修正模型和所述第二拟合车道中线，对所述第一拟合车道中线进行修正处理；
根据修正得到的车道中线和所述预设车道中线跟踪车道线模型，反推提取出左右两侧车道线。
A5、如A4所述的方法，所述根据所述左右两侧车道线信息和预设车道中线归一化模型，确定第一拟合车道中线包括：
根据预设车道线拟合模型对所述左右两侧的车道线信息进行拟合处理；
根据预设车道中线归一化模型对拟合得到的左右两侧车道线进行归一化处理，得到第一拟合车道中线；
所述通过对所述左右两侧车道线信息进行逆透视映射处理确定第二拟合车道中线包括：
对所述左右两侧车道线信息进行逆透视映射处理；
对逆透视映射得到的车道中线信息进行拟合处理，得到第二拟合车道中线。
A6、如A1所述的方法，所述对所述车道识别感兴趣区进行车道线边缘检测包括：
在所述车道识别感兴趣区内构建出车道线的特征网格提取模型；
根据所述特征网格提取模型和预设边沿梯度检测算法，提取出车道线特征网格；
对所述特征网格进行车道线边缘检测。
A7、如A1-A6任一项所述的方法，所述可量测实景道路图像为安装在车辆上的移动道路测量系统采集的，所述移动道路测量系统包括摄像机和定位系统，所述根据检测得到的车道线信息和预设中线拟合修正的车道线提取模型提取车道线之后，所述方法还包括：
解析采集所述可量测实景道路图像所使用的摄相机参数信息以及所述定位系统的坐标位置信息；
根据预设立体视觉算法、所述摄像机参数信息和所述坐标位置信息，确定车道线坐标测量方程；
通过解算所述车道线坐标测量方程，确定所述车道线的坐标位置信息。
A8、如A1-A6任一项所述的方法，所述对所述车道识别感兴趣区进行车道线边缘检测之前，所述方法还包括：
对所述车道识别感兴趣区进行去除干扰和噪声预处理；
所述对所述车道识别感兴趣区进行车道线边缘检测包括：
对预处理后的车道识别感兴趣区进行车道线边缘检测。
B9、一种车道线提取装置，其特征在于，包括：
采集单元，用于采集可量测实景道路图像；
构建单元，用于通过对所述采集单元采集的所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区；
检测单元，用于对所述构建单元构建的所述车道识别感兴趣区进行车道线边缘检测；
提取单元，用于根据所述检测单元检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
B10、如B9所述的装置，所述构建单元包括：
第一构建模块，用于通过对可量测实景道路图像进行分析，构建网格动态窗口生成模型和连续网格动态窗口感兴趣区拼接模型；
第二构建模块，用于利用所述第一构建模块构建的所述网格动态窗口生成模型生成的包含车道特征的网格动态窗口和所述连续网格动态窗口感兴趣拼接模型，构建基于网格动态窗口的车道识别感兴趣区。
B11、如B10所述的装置，所述第一构建模块包括：
分析子模块，用于对可量测实景道路图像进行分析，得到所述图像的图像特性信息和图像位置信息；
第一构建子模块，用于根据所述分析子模块得到的所述图像特性信息构建所述网格动态窗口生成模型；
第二构建子模块，用于根据所述分析子模块得到的所述图像位置信息和预设图像差异经验模型筛选出的用于反映车道线状态的动态网格窗口，构建所述连续网格动态窗口感兴趣区拼接模型。
B12、如B9所述的装置，所述可量测实景道路图像为可量测实景道路的左右两侧立体图像，所述检测得到的车道线信息为左右两侧车道线信息，所述预设中线拟合修正的车道线提取模型包括预设车道中线归一化模型、预设多相关反馈的车道中线修正模型和预设车道中线跟踪车道线模型，所述提取单元包括：
第一确定模块，用于根据所述左右两侧车道线信息和预设车道中线归一化模型，确定第一拟合车道中线；
第二确定模块，用于通过对所述左右两侧车道线信息进行逆透视映射处理确定第二拟合车道中线；
修正模块，用于根据预设多相关反馈的车道中线修正模型和所述第一确定模块确定的所述第二拟合车道中线，对所述第二确定模块确定的所述第一拟合车道中线进行修正处理；
第一提取模块，用于根据所述修正模块修正得到的车道中线和所述预设车道中线跟踪车道线模型，反推提取出左右两侧车道线。
B13、如B12所述的装置，
所述第一确定模块，具体用于根据预设车道线拟合模型对所述左右两侧的车道线信息进行拟合处理，并根据预设车道中线归一化模型对拟合得到的左右两侧车道线进行归一化处理，得到第一拟合车道中线；
所述第二确定模块，具体用于对所述左右两侧车道线信息进行逆透视映射处理，并对逆透视映射得到的车道中线信息进行拟合处理，得到第二拟合车道中线。
B14、如B9所述的装置，所述检测单元包括：
第三构建模块，用于在所述车道识别感兴趣区内构建出车道线的特征网格提取模型；
第二提取模块，用于根据所述第三构建模块构建的所述特征网格提取模型和预设边沿梯度检测算法，提取出车道线特征网格；
检测模块，用于对所述第二提取模块提取的所述特征网格进行车道线边缘检测。
B15、如B9-B14任一项所述的装置，所述可量测实景道路图像为安装在车辆上的移动道路测量系统采集的，所述移动道路测量系统包括摄像机和定位系统，所述装置还包括：
解析单元，用于解析采集所述可量测实景道路图像所使用的摄相机参数信息以及所述定位系统的坐标位置信息；
第一确定单元，用于根据预设立体视觉算法、所述解析单元解析的所述摄像机参数信息和所述坐标位置信息，确定车道线坐标测量方程；
第二确定单元，用于通过解算所述第一确定单元确定的所述车道线坐标测量方程，确定所述车道线的坐标位置信息。
B16、如B9-B14任一项所述的装置，所述装置还包括：处理单元，
所述处理单元，用于对所述车道识别感兴趣区进行去除干扰和噪声预处理；
所述检测单元，具体用于对所述处理单元预处理后的车道识别感兴趣区进行车道线边缘检测。
C17、一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如A1至A8中任意一项所述的车道线提取方法。
D18、一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行如A1至A8中任意一项所述的车道线提取方法。
在上述实施例中，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。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的车道线提取装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种车道线提取方法，其特征在于，包括：
采集可量测实景道路图像；
通过对所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区，并对所述车道识别感兴趣区进行车道线边缘检测；
根据检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
2.根据权利要求1所述的方法，其特征在于，所述通过对可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区包括：
通过对可量测实景道路图像进行分析，构建网格动态窗口生成模型和连续网格动态窗口感兴趣区拼接模型；
利用所述网格动态窗口生成模型生成的包含车道特征的网格动态窗口和所述连续网格动态窗口感兴趣区拼接模型，构建基于网格动态窗口的车道识别感兴趣区。
3.根据权利要求2所述的方法，其特征在于，所述通过对可量测实景道路图像进行分析，构建得到网格动态窗口生成模型和连续网格动态窗口感兴趣拼接模型包括：
对可量测实景道路图像进行分析，得到所述图像的图像特性信息和图像位置信息；
根据所述图像特性信息构建所述网格动态窗口生成模型，并根据所述图像位置信息和预设图像差异经验模型筛选出的用于反映车道线状态的动态网格窗口，构建所述连续网格动态窗口感兴趣拼接模型。
4.根据权利要求1所述的方法，其特征在于，所述可量测实景道路图像为可量测实景道路的左右两侧立体图像，所述检测得到的车道线信息为左右两侧车道线信息，所述预设中线拟合修正的车道线提取模型包括预设车道中线归一化模型、预设多相关反馈的车道中线修正模型和预设车道中线跟踪车道线模型，所述根据检测得到的车道线信息和预设中线拟合修正的车道线提取模型提取车道线包括：
根据所述左右两侧车道线信息和预设车道中线归一化模型，确定第一拟合车道中线，并通过对所述左右两侧车道线信息进行逆透视映射处理确定第二拟合车道中线；
根据预设多相关反馈的车道中线修正模型和所述第二拟合车道中线，对所述第一拟合车道中线进行修正处理；
根据修正得到的车道中线和所述预设车道中线跟踪车道线模型，反推提取出左右两侧车道线。
5.根据权利要求4所述的方法，其特征在于，所述根据所述左右两侧车道线信息和预设车道中线归一化模型，确定第一拟合车道中线包括：
根据预设车道线拟合模型对所述左右两侧的车道线信息进行拟合处理；
根据预设车道中线归一化模型对拟合得到的左右两侧车道线进行归一化处理，得到第一拟合车道中线；
所述通过对所述左右两侧车道线信息进行逆透视映射处理确定第二拟合车道中线包括：
对所述左右两侧车道线信息进行逆透视映射处理；
对逆透视映射得到的车道中线信息进行拟合处理，得到第二拟合车道中线。
6.根据权利要求1所述的方法，其特征在于，所述对所述车道识别感兴趣区进行车道线边缘检测包括：
在所述车道识别感兴趣区内构建出车道线的特征网格提取模型；
根据所述特征网格提取模型和预设边沿梯度检测算法，提取出车道线特征网格；
对所述特征网格进行车道线边缘检测。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述可量测实景道路图像为安装在车辆上的移动道路测量系统采集的，所述移动道路测量系统包括摄像机和定位系统，所述根据检测得到的车道线信息和预设中线拟合修正的车道线提取模型提取车道线之后，所述方法还包括：
解析采集所述可量测实景道路图像所使用的摄相机参数信息以及所述定位系统的坐标位置信息；
根据预设立体视觉算法、所述摄像机参数信息和所述坐标位置信息，确定车道线坐标测量方程；
通过解算所述车道线坐标测量方程，确定所述车道线的坐标位置信息。
8.一种车道线提取装置，其特征在于，包括：
采集单元，用于采集可量测实景道路图像；
构建单元，用于通过对所述采集单元采集的所述可量测实景道路图像进行分析，构建基于网格动态窗口的车道识别感兴趣区；
检测单元，用于对所述构建单元构建的所述车道识别感兴趣区进行车道线边缘检测；
提取单元，用于根据所述检测单元检测得到的车道线信息和预设车道中线拟合修正的车道线提取模型提取车道线。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求7中任意一项所述的车道线提取方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至权利要求7中任意一项所述的车道线提取方法。
CN201710471518.7A 2017-06-20 2017-06-20 一种车道线提取方法及装置 Active CN107341453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710471518.7A CN107341453B (zh) 2017-06-20 2017-06-20 一种车道线提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710471518.7A CN107341453B (zh) 2017-06-20 2017-06-20 一种车道线提取方法及装置

Publications (2)

Publication Number Publication Date
CN107341453A true CN107341453A (zh) 2017-11-10
CN107341453B CN107341453B (zh) 2019-12-20

Family

ID=60220809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710471518.7A Active CN107341453B (zh) 2017-06-20 2017-06-20 一种车道线提取方法及装置

Country Status (1)

Country Link
CN (1) CN107341453B (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107963012A (zh) * 2017-11-26 2018-04-27 南通尚力机电工程设备有限公司 一种汽车转向灯回调系统
CN107972574A (zh) * 2017-11-26 2018-05-01 南通尚力机电工程设备有限公司 一种汽车转向灯回调方法
CN108171225A (zh) * 2018-03-14 2018-06-15 海信集团有限公司 车道检测方法、装置、终端及存储介质
CN109063540A (zh) * 2018-06-08 2018-12-21 上海寰钛教育科技有限公司 一种图像处理方法和图像处理装置
CN109543520A (zh) * 2018-10-17 2019-03-29 天津大学 一种面向语义分割结果的车道线参数化方法
CN109636820A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 电子地图车道线修正方法、设备及计算机可读存储介质
CN109636842A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 车道线修正方法、装置、设备及存储介质
CN109635639A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 交通标识的位置检测方法、装置、设备和存储介质
CN109657632A (zh) * 2018-12-25 2019-04-19 重庆邮电大学 一种车道线检测识别方法
CN110120081A (zh) * 2018-02-07 2019-08-13 北京四维图新科技股份有限公司 一种生成电子地图车道标线的方法、装置及存储设备
CN110472527A (zh) * 2019-07-29 2019-11-19 江苏必得科技股份有限公司 一种轨道线检测方法及系统
CN110490032A (zh) * 2018-05-15 2019-11-22 武汉小狮科技有限公司 一种基于深度学习的路面环境感知方法及装置
CN110796606A (zh) * 2018-08-01 2020-02-14 新疆万兴信息科技有限公司 一种确定IPM matrix参数的方法及装置
CN110864908A (zh) * 2019-11-21 2020-03-06 中国汽车工程研究院股份有限公司 自动驾驶汽车场地车道线采集小车
WO2020133369A1 (en) * 2018-12-29 2020-07-02 Beijing Didi Infinity Technology And Development Co., Ltd. Identifying a curb based on 3-d sensor data
CN111428537A (zh) * 2019-01-09 2020-07-17 阿里巴巴集团控股有限公司 一种道路导流带边缘提取方法、装置和设备
CN111739044A (zh) * 2020-06-12 2020-10-02 鞍钢集团矿业有限公司 基于遥感图像的矿山道路网提取方法
CN112147632A (zh) * 2020-09-23 2020-12-29 中国第一汽车股份有限公司 车载激光雷达感知算法的测试方法、装置、设备和介质
CN113239733A (zh) * 2021-04-14 2021-08-10 重庆利龙科技产业(集团)有限公司 一种多车道车道线检测方法
CN113720348A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同环境下的车辆车道级定位方法及电子设备
CN115171376A (zh) * 2022-06-27 2022-10-11 广州小鹏汽车科技有限公司 地图数据处理方法、服务器和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177246A (zh) * 2013-03-26 2013-06-26 北京理工大学 基于动态区域划分的双模型车道线识别方法
CN104008387A (zh) * 2014-05-19 2014-08-27 山东科技大学 一种基于特征点分段线性拟合的车道线检测方法
CN105718916A (zh) * 2016-01-27 2016-06-29 大连楼兰科技股份有限公司 一种基于霍夫变换的车道线检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177246A (zh) * 2013-03-26 2013-06-26 北京理工大学 基于动态区域划分的双模型车道线识别方法
CN104008387A (zh) * 2014-05-19 2014-08-27 山东科技大学 一种基于特征点分段线性拟合的车道线检测方法
CN105718916A (zh) * 2016-01-27 2016-06-29 大连楼兰科技股份有限公司 一种基于霍夫变换的车道线检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHENQIANG YING ET AL.: "《Robust lane marking detection using boundary-based inverse perspective mapping》", 《2016 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 *
耿静静: "《基于单目视觉的车道线检测与识别》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
龚建伟等: "《一种自适应动态窗口车道线高速检测方法》", 《北京理工大学学报》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107972574A (zh) * 2017-11-26 2018-05-01 南通尚力机电工程设备有限公司 一种汽车转向灯回调方法
CN107963012A (zh) * 2017-11-26 2018-04-27 南通尚力机电工程设备有限公司 一种汽车转向灯回调系统
CN110120081B (zh) * 2018-02-07 2023-04-25 北京四维图新科技股份有限公司 一种生成电子地图车道标线的方法、装置及存储设备
CN110120081A (zh) * 2018-02-07 2019-08-13 北京四维图新科技股份有限公司 一种生成电子地图车道标线的方法、装置及存储设备
CN108171225A (zh) * 2018-03-14 2018-06-15 海信集团有限公司 车道检测方法、装置、终端及存储介质
CN108171225B (zh) * 2018-03-14 2020-12-18 海信集团有限公司 车道检测方法、装置、终端及存储介质
CN110490032A (zh) * 2018-05-15 2019-11-22 武汉小狮科技有限公司 一种基于深度学习的路面环境感知方法及装置
CN109063540A (zh) * 2018-06-08 2018-12-21 上海寰钛教育科技有限公司 一种图像处理方法和图像处理装置
CN109063540B (zh) * 2018-06-08 2022-05-06 上海寰钛教育科技有限公司 一种图像处理方法和图像处理装置
CN110796606A (zh) * 2018-08-01 2020-02-14 新疆万兴信息科技有限公司 一种确定IPM matrix参数的方法及装置
CN110796606B (zh) * 2018-08-01 2023-07-07 新疆万兴信息科技有限公司 一种确定IPM matrix参数的方法、装置、电子设备及介质
CN109543520A (zh) * 2018-10-17 2019-03-29 天津大学 一种面向语义分割结果的车道线参数化方法
CN109636820A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 电子地图车道线修正方法、设备及计算机可读存储介质
CN109635639A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 交通标识的位置检测方法、装置、设备和存储介质
CN109636842B (zh) * 2018-10-31 2020-07-07 百度在线网络技术（北京）有限公司 车道线修正方法、装置、设备及存储介质
CN109636842A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 车道线修正方法、装置、设备及存储介质
CN113408407A (zh) * 2018-10-31 2021-09-17 百度在线网络技术（北京）有限公司 电子地图车道线修正方法、设备及计算机可读存储介质
CN109636820B (zh) * 2018-10-31 2021-07-06 百度在线网络技术（北京）有限公司 电子地图车道线修正方法、设备及计算机可读存储介质
CN109657632A (zh) * 2018-12-25 2019-04-19 重庆邮电大学 一种车道线检测识别方法
CN109657632B (zh) * 2018-12-25 2022-05-06 重庆邮电大学 一种车道线检测识别方法
US11138448B2 (en) 2018-12-29 2021-10-05 Beijing Didi Infinity Technology And Development Co., Ltd. Identifying a curb based on 3-D sensor data
WO2020133369A1 (en) * 2018-12-29 2020-07-02 Beijing Didi Infinity Technology And Development Co., Ltd. Identifying a curb based on 3-d sensor data
CN111428537A (zh) * 2019-01-09 2020-07-17 阿里巴巴集团控股有限公司 一种道路导流带边缘提取方法、装置和设备
CN111428537B (zh) * 2019-01-09 2023-05-23 阿里巴巴集团控股有限公司 一种道路导流带边缘提取方法、装置和设备
CN110472527A (zh) * 2019-07-29 2019-11-19 江苏必得科技股份有限公司 一种轨道线检测方法及系统
CN110864908A (zh) * 2019-11-21 2020-03-06 中国汽车工程研究院股份有限公司 自动驾驶汽车场地车道线采集小车
CN110864908B (zh) * 2019-11-21 2020-10-20 中国汽车工程研究院股份有限公司 自动驾驶汽车场地车道线采集小车
CN111739044A (zh) * 2020-06-12 2020-10-02 鞍钢集团矿业有限公司 基于遥感图像的矿山道路网提取方法
CN112147632A (zh) * 2020-09-23 2020-12-29 中国第一汽车股份有限公司 车载激光雷达感知算法的测试方法、装置、设备和介质
CN113239733A (zh) * 2021-04-14 2021-08-10 重庆利龙科技产业(集团)有限公司 一种多车道车道线检测方法
CN113720348B (zh) * 2021-11-01 2022-03-18 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同环境下的车辆车道级定位方法及电子设备
CN113720348A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同环境下的车辆车道级定位方法及电子设备
CN115171376A (zh) * 2022-06-27 2022-10-11 广州小鹏汽车科技有限公司 地图数据处理方法、服务器和存储介质
CN115171376B (zh) * 2022-06-27 2024-01-05 肇庆小鹏新能源投资有限公司广州分公司 地图数据处理方法、服务器和存储介质

Also Published As

Publication number Publication date
CN107341453B (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN107341453A (zh) 一种车道线提取方法及装置
US20210001877A1 (en) Determination of lane connectivity at traffic intersections for high definition maps
Wolcott et al. Fast LIDAR localization using multiresolution Gaussian mixture maps
Li et al. Road network extraction via deep learning and line integral convolution
CN111169468B (zh) 一种自动泊车的系统及方法
CN112923904B (zh) 面向多无人机协同摄影测量的地质灾害隐患探测方法
CN105667518A (zh) 车道检测的方法及装置
Beinschob et al. Semi-automated map creation for fast deployment of AGV fleets in modern logistics
CN111079680B (zh) 临时交通信号灯检测方法、装置和自动驾驶设备
CN114526745B (zh) 一种紧耦合激光雷达和惯性里程计的建图方法及系统
US20210001891A1 (en) Training data generation for dynamic objects using high definition map data
CN106980657A (zh) 一种基于信息融合的车道级电子地图构建方法
CN114076956A (zh) 一种基于激光雷达点云辅助的车道线标定方法
EP3904831A1 (en) Visual localization using a three-dimensional model and image segmentation
CN107808123A (zh) 图像可行域检测方法、电子设备、存储介质、检测系统
CN109902610A (zh) 交通标志识别方法和装置
US11488353B2 (en) Manual curation tool for map data using aggregated overhead views
CN110929661A (zh) 一种基于卷积神经网络的可停靠车位检测方法及系统
CN114494618A (zh) 地图的生成方法、装置、电子设备及存储介质
CN115841552A (zh) 高精地图生成方法及装置、电子设备和介质
CN110909656A (zh) 一种雷达与摄像机融合的行人检测方法和系统
CN110348407A (zh) 一种泊车位检测方法
KR102618951B1 (ko) 시각적 매핑 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102616435B1 (ko) 지도 갱신 방법 및 이를 실행하기 위하여 기록매체에기록된 컴퓨터 프로그램
KR102626574B1 (ko) 카메라 및 라이다의 캘리브레이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant