CN110516652B - 车道检测的方法、装置、电子设备及存储介质 - Google Patents
车道检测的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110516652B CN110516652B CN201910825649.XA CN201910825649A CN110516652B CN 110516652 B CN110516652 B CN 110516652B CN 201910825649 A CN201910825649 A CN 201910825649A CN 110516652 B CN110516652 B CN 110516652B
- Authority
- CN
- China
- Prior art keywords
- information
- particle
- matching
- road
- particles
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 321
- 238000000034 method Methods 0.000 claims description 37
- 238000009826 distribution Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 20
- 238000012952 Resampling Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008447 perception Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000013612 plasmid Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车道检测方法、装置、电子设备及存储介质，涉及数据处理领域。本方案可用于自动驾驶，尤其自主泊车领域。车道检测方法的具体实现方案为：获取粒子集合的每个粒子的位置信息；根据所述位置信息，在地图数据中获取每个粒子所在道路的第一信息；获取目标车辆采集的图像数据，所述图像数据包括目标车辆所在道路的第二信息；将所述第一信息和所述第二信息进行匹配，得到匹配结果；根据匹配结果，从所述粒子集合中确定出目标粒子，根据所述目标粒子所在道路的第一信息确定目标车辆所在的车道。在第一信息和第二信息实现匹配的情况下，可以快速且准确的实现目标车辆初始车道的定位。
Description
技术领域
本申请涉及一种数据处理领域，尤其涉及一种车道检测领域。
背景技术
自动驾驶车辆的传统车道级定位方法包括载波定位、基于激光雷达与高精地图匹配的定位和毫米波雷达与高精矢量地图匹配等方式。现有技术存在着初始定位精度低、实时性差以及使用场景限制等缺陷。
发明内容
本申请实施例提出一种车道检测的方法、装置、电子设备及存储介质，以至少解决现有技术中的以上技术问题。
第一方面，本申请实施例提供了一种车道检测的方法，包括：
获取粒子集合的每个粒子的位置信息；
根据位置信息，在地图数据中获取每个粒子所在道路的第一信息；
获取目标车辆采集的图像数据，图像数据包括目标车辆所在道路的第二信息；
将该第一信息和第二信息进行匹配，得到匹配结果；
根据匹配结果，从该粒子集合中确定出目标粒子，根据该目标粒子所在道路的第一信息确定目标车辆所在的车道。
通过上述方案，在第一信息和第二信息实现匹配的情况下，可以快速且准确的实现目标车辆初始车道的定位。
在一种实施方式中，将第一信息和第二信息进行匹配，得到匹配结果，包括：
在该第一信息中，获取粒子两侧的路面标记线的类型以及分布；
在该第二信息中，沿着目标车辆行进方向，获取目标车辆两侧的路面标记线的类型及分布；
在该第二信息中的目标车辆两侧的路面标记线的类型及分布与该第一信息中获取粒子两侧的路面标记线的类型以及分布相同的情况下，确定匹配结果为匹配成功。
通过上述方案，设置了严格的比较条件。只有当第二信息中的目标车辆两侧的路面标记线的类型及分布与第一信息中获取粒子两侧的路面标记线的类型以及分布相同的情况下，才可以确定匹配结果为匹配成功。由此可以提高定位的精准度。
在一种实施方式中，根据匹配结果，从粒子集合中确定出目标粒子，根据目标粒子所在道路的第一信息确定目标车辆所在的车道，包括：
获取匹配成功的各粒子对应的匹配概率；
根据匹配概率，得到匹配成功的各粒子的权重；
根据权重从粒子集合中筛选出权重高于第一阈值的目标粒子；
根据目标粒子所表示的车辆的位置信息，调整目标车辆在车道中的位置。
根据上述方案，在确定车道后，可以根据匹配的概率更新粒子的权重。采用权重高的粒子约束目标车辆在车道内的位置，实现更进一步的精准定位。
在一种实施方式中，获取匹配成功的各粒子对应的匹配概率，包括：
获取各粒子的第一信息中的各路面标记线的第一表示信息；
获取第二信息中的各路面标记线的第二表示信息；
将第二信息中的各路面标记线的第二表示信息，逐一与第二信息中的各路面标记线的第一表示信息进行比较，得到比较结果；
将比较结果最接近的两条路面标记线进行配对，得到匹配对；
根据匹配对中的路面标记线的配对的数量、以及匹配对中的路面标记线类型相同的配对的数量，得到各粒子对应的匹配概率。
根据上述方案，通过第一信息中的各路面标记线的第一表示信息和第二信息中的各路面标记线的第二表示信息，得到可以匹配的路面标记线，组成匹配对。根据匹配对中路面标记线的情况，可以确定出粒子的权重。
在一种实施方式中，根据目标粒子所表示的车辆的位置信息，调整目标车辆在车道中的位置，包括：
获取匹配对中的两条路面标记线；
分别在两条路面标记线上获取采样点；
在两条路面标记线上获取采样点的残差最小的情况下，得到旋转变换矩阵；
根据旋转变换矩阵调整目标粒子的位置；
根据位置调整目标车辆在车道中的位置。
根据上述方案，通过上述方案，即使匹配对中的路面标记线的配对数较少，甚至只有一个匹配对的情况。也可以根据该一个匹配对中的两条路面标记线求取旋转变换矩阵，从而调整调整目标粒子的位置。在匝道、交通拥堵等场景下，往往目标车辆采集的图像数据仅仅能采集到一条路沿，在此情况下，通过仅有的一条路沿也能进行目标粒子位置的调整。
在一种实施方式中，根据匹配概率，得到匹配成功的各粒子的权重，包括：
获取当前帧的前一帧采样的各粒子的权重；
分别根据当前帧的各粒子的匹配概率与概率阈值的差值，与前一帧采样的该粒子的权重进行加法运算，得到当前帧采样的各粒子的权重。
根据上述方案，考虑了多帧间的匹配对粒子权重的影响。若目标车辆采集的图像数据出现质量较差的情况，粒子的权重虽然在当前帧是低的，但子在多帧的总体趋势仍然是上升的，类似于爬坡。只有粒子得分降低到一定阈值时，才会被后续步骤中重采样阶段当作劣质粒子删除。这样能够处理偶然出现的采集的图像数据较差导致权重较低，而粒子被重采样阶段删除的风险。
在一种实施方式中，该方法还包括对各粒子进行重采样，包括：
获取各粒子权重的标准差；
在该权重标准差大于标准差阈值的情况下，删除权重低于第二阈值的粒子。
通过上述方案，在多个粒子都位于一条车道上的情况下，标准差小于设定的标准差阈值。多个粒子都在进行重复计算。通过删除粒子，能够去除重复计算，提升计算速度。
在一种实施方式中，该方法还包括：
在该权重标准差小于标准差阈值的情况下，增加粒子的数量。
通过上述方案，标准差的值较低可以说明粒子种群多样性降低，若由于感知或高精数据长期错误，所有粒子代表的都是错误的位姿。这时在其他车道重采样一些新的粒子，错车道后能够迅速恢复正确车道。
第二方面，本申请实施例提供了一种车道检测的装置，包括：
粒子位置信息获取模块，用于获取粒子集合的每个粒子的位置信息；
第一信息获取模块，用于根据位置信息，在地图数据中获取每个粒子所在道路的第一信息；
第二信息获取模块，用于获取目标车辆采集的图像数据，图像数据包括目标车辆所在道路的第二信息；
匹配模块，用于将第一信息和第二信息进行匹配，得到匹配结果；
车道确定模块，用于根据匹配结果，从粒子集合中确定出目标粒子，根据目标粒子所在道路的第一信息确定目标车辆所在的车道。
在一种实施方式中，该匹配模块，包括：
粒子两侧的路面标记线的信息获取子模块，用于在第一信息中，获取粒子两侧的路面标记线的类型以及分布；
目标车辆两侧的路面标记线的信息获取子模块，用于在第二信息中，沿着目标车辆行进方向，获取目标车辆两侧的路面标记线的类型及分布；
匹配执行子模块，用于在第二信息中的目标车辆两侧的路面标记线的类型及分布与第一信息中获取粒子两侧的路面标记线的类型以及分布相同的情况下，确定匹配结果为匹配成功。
在一种实施方式中，该车道确定模块，包括：
匹配概率获取子模块，用于获取匹配成功的各粒子对应的匹配概率；
粒子权重计算子模块，用于根据匹配概率，得到匹配成功的各粒子的权重；
目标粒子筛选子模块，用于根据权重从粒子集合中筛选出权重高于第一阈值的目标粒子；
位置调整子模块，用于根据目标粒子所表示的车辆的位置信息，调整目标车辆在车道中的位置。
在一种实施方式中，该匹配概率获取子模块，包括：
第一表示信息获取单元，用于获取各粒子的第一信息中的各路面标记线的第一表示信息；
第二表示信息获取单元，用于获取第二信息中的各路面标记线的第二表示信息；
比较单元，用于将第二信息中的各路面标记线的第二表示信息，逐一与第二信息中的各路面标记线的第一表示信息进行比较，得到比较结果；
匹配对获取单元，用于将比较结果最接近的两条路面标记线进行配对，得到匹配对；
匹配概率获取执行单元，用于根据匹配对中的路面标记线的配对的数量、以及匹配对中的路面标记线类型相同的配对的数量，得到各粒子对应的匹配概率。
在一种实施方式中，该位置调整子模块，包括：
路面标记线获取单元，用于获取匹配对中的两条路面标记线；
采样单元，用于分别在两条路面标记线上获取采样点；
旋转变换矩阵获取单元，用于在两条路面标记线上获取采样点的残差最小的情况下，得到旋转变换矩阵；
目标粒子的位置调整单元，用于根据旋转变换矩阵调整目标粒子的位置；
位置调整执行单元，用于根据位置调整目标车辆在车道中的位置。
在一种实施方式中，该粒子权重计算子模块，包括：
粒子过往权重获取单元，用于获取当前帧的前一帧采样的各粒子的权重；
粒子权重计算执行单元，用于分别根据当前帧的各粒子的匹配概率与概率阈值的差值，与前一帧采样的该粒子的权重进行加法运算，得到当前帧采样的各粒子的权重。
在一种实施方式中，该装置还包括重采样模块，该重采样模块，包括：
标准差获取子模块，用于获取各粒子权重的标准差；
第一筛选子模块，用于在权重标准差大于标准差阈值的情况下，删除权重低于第二阈值的粒子。
在一种实施方式中，该重采样模块，还包括：
第二筛选子模块，在权重标准差小于标准差阈值的情况下，增加粒子的数量。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
第三方面，本申请提供一种电子设备，该电子设备的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，该装置的结构中包括处理器和存储器，该存储器用于存储支持该装置执行上述车道检测的方法的程序，该处理器被配置为用于执行该存储器中存储的程序。该装置还可以包括通信接口，用于与其他设备或通信网络通信。
第四方面，本发明实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，用于存储车道检测的装置所用的计算机软件指令，其包括用于执行上述车道检测的方法所涉及的程序。
上述申请中的一个实施例具有如下优点或有益效果：在第一信息和第二信息实现匹配的情况下，可以快速且准确的实现目标车辆初始车道的定位。因为采用获取多个粒子的位置对应的地图上的道路第一信息，与目标车辆检测的图像数据相结合，对二者进行匹配。在匹配结果相同的情况下，可以定位出目标车辆的初始车道技术手段，所以克服了现有技术中，对于车道线的初始定位精度低，速度慢。技术问题，进而达到上述技术效果。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第一实施例中的路面标记线的示意图；
图3是根据本申请第一实施例中的粒子初步筛选的示意图；
图4是根据本申请第一实施例的示意图；
图5是根据本申请第一实施例中的路面标记线的示意图；
图6是根据本申请第一实施例的示意图；
图7是根据本申请第一实施例的示意图；
图8是根据本申请第一实施例的示意图面标记线对应的的三次曲线方程示意图；
图9是根据本申请第一实施例的示意图；
图10是根据本申请第一实施例的示意图；
图11是根据本申请第一实施例的示意图；
图12是根据本申请第二实施例的示意图；
图13是根据本申请第三实施例的示意图；
图14是根据本申请第三实施例的示意图；
图15是根据本申请第三实施例的示意图；
图16是根据本申请第三实施例的示意图；
图17是根据本申请第三实施例的示意图；
图18是根据本申请第三实施例的示意图；
图19是根据本申请第三实施例的示意图；
图20是用来实现本申请实施例的车道检测的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出根据本申请实施例的车道检测的方法的流程图。如图1所示，该方法包括以下步骤：
S101：获取粒子集合的每个粒子的位置信息。
S102：根据位置信息，在地图数据中获取每个粒子所在道路的第一信息。
S103：获取目标车辆采集的图像数据，图像数据包括目标车辆所在道路的第二信息。
S104：将第一信息和第二信息进行匹配，得到匹配结果。
S105：根据匹配结果，从粒子集合中确定出目标粒子，根据目标粒子所在道路的第一信息确定目标车辆所在的车道。
粒子集合可以包括多个粒子，每个粒子可以包括当前目标车辆的姿态信息、位置信息和权重信息等。在目标车辆行驶过程中，可以以连续采样帧的形式持续产生多个粒子。
持续产生多个粒子的位置信息可以随机产生。每个粒子的位置信息在地图数据中有其对应的位置。根据该位置可以在地图数据中得到每个粒子所在道路的第一信息。该第一信息可以包括该粒子所在位置的路面标记线的类型以及路面标记线的分布等。路面标记线的类型至少可以包括车道线(实线或虚线)、路沿和护栏中的一种或多种。结合图2所示，在一个示例中，路面标记线的分布可以是车道线，车道线的分布可以是实线-虚线-虚线-虚线-实线。如果粒子分布在车道1，该粒子所在道路的第一信息可以包括(左)实线，(右)虚线-虚线-虚线-实线，或者(左)实线，(右)虚线-虚线等。如果粒子分布在车道2，该粒子所在道路的第一信息可以包括(左)实线-虚线，(右)虚线-虚线-实线，或者(左)实线-虚线，(右)虚线-虚线等。路面标记线的分布可以根据地图的精度不同而有所区别。
地图数据可以采用高精度地图数据。一方面，高精度地图数据的绝对坐标精度更高。绝对坐标精度可以是地图上的某个目标和真实世界的相同目标之间的匹配程度。另一方面，高精度地图数据所含有的道路交通信息元素更丰富和细致。道路交通信息元素可以包括不同的道路信息，例如道路上的单虚线、单实线、左虚右实的双线、左实右虚的双线、减速车道线、车道线的点集(例如4m一个点)等。
目标车辆在行驶过程中，车辆的图像采集装置可以实时获取道路的图像信息。根据图像信息可以提取出道路的第二信息。道路的第二信息包括目标车辆所在位置的路面标记线的类型以及路面标记线的分布。仍结合图2所示，如果目标车辆行驶在第一车道，该目标车辆所在道路的第二信息可以包括(左)实线，(右)虚线-虚线-虚线-实线，或者(左)实线，(右)虚线-虚线等。路面标记线的分布可以根据图像采集装置的拍摄视角不同而有所区别。
在得到第一信息和第二信息后，将二者进行匹配。如果第二信息和在第一车道的粒子的第一信息相同，则说明目标粒子在第一车道，确定目标车辆所在的车道也是第一车道。
考虑到第二信息的误检、漏检等情况，可以在连续多帧均可匹配的情况下，才将目标车辆进行车道定位，从而提高准确率。
结合图3所示，在一种实施方式中，该方法还包括对该粒子集合的每个粒子进行初步筛选的步骤。假设粒子位姿服从高斯分布，以各粒子的位置为均值，以道路的边界宽度的一半为标准差，通过高斯分布采样粒子群。初步筛选的计算式表达如下：
式中xi表示通过初步筛选留下的粒子的位置，
和
分别表示目标车辆采集的图像数据中对应的道路的左侧、右侧边界线的位置。
如图4所示，在一种实施方式中，步骤S104可以包括以下子步骤：
S1041：在第一信息中，获取粒子两侧的路面标记线的类型以及分布。
S1042：在第二信息中，沿着目标车辆行进方向，获取目标车辆两侧的路面标记线的类型及分布。
S1043：在第二信息中的目标车辆两侧的路面标记线的类型及分布与第一信息中获取粒子两侧的路面标记线的类型以及分布相同的情况下，确定匹配结果为匹配成功。
在第一信息和第二信息中，可以优先采用车道线进行比较。在通过车道线比较无法确定车道的情况下，可以结合路沿或护栏进行比较以确定车道。结合图5所示，例如，由于在交通拥堵、雨雪天气或者逆光等场景中，目标车辆采集的图像数据可能会出现漏检的情况，例如检测其所在道路的第二信息为(左)虚线，(右)虚线的情况，可能匹配在车道2或者车道3。在此情况下，可以借助路沿或护栏进行比较。在第一信息和第二信息中可以获取到路沿或护栏的情况下，根据路沿或护栏的位置可以确定出目标车辆的车道。例如，第一信息可以包括(左)路沿-实线-虚线，(右)虚线-虚线-实线。第二信息可以包括(左)路沿-虚线，(右)虚线。在此情况下，可以通过计算路沿距离左侧虚线或者路沿距离右侧虚线的距离，确定出目标车辆的车道线。
上述实施方式中，通过利用车道线、路沿和护栏等多种类型的路面标记线，仅在连续多帧完全匹配到上述任一类型的路面标记线才确定为匹配成功。经过测试，粒子初始化后车道准确率可以达到99.97％。
在第二信息中存在路面标记线的错检，或者漏检的情况下，例如在交通拥堵、逆光等场景下漏检了车道线，还可以利用路沿或护栏等定位到正确车道，测试召回率可以达到95％。在视觉检测良好，噪声较少的情况下，定位到正确车道仅需3秒。
如图6所示，在一种实施方式中，步骤S105可以包括以下子步骤：
S1051：获取匹配成功的各粒子对应的匹配概率。
S1052：根据匹配概率，得到匹配成功的各粒子的权重。
S1053：根据权重从粒子集合中筛选出权重高于第一阈值的目标粒子。
S1054：根据目标粒子所表示的车辆的位置信息，调整目标车辆在车道中的位置。
在确定与目标车辆在同一车道的多个粒子后，可以通过分别计算各粒子所在道路的第一信息和目标车辆所在道路的第二信息的匹配概率获得该粒子的权重。
匹配概率可以通过拟合第一信息和第二信息中的路面标记线。根据拟合结果，将第一信息和第二信息中的路面标记线组成匹配对。根据每个粒子的匹配对中的匹配质量得到该粒子的权重。匹配质量可以利用每个粒子的匹配对的数量，以及匹配对中匹配的两路面标记线的类型是否相同得到。
在多个粒子中，根据该权重筛选出权重高于预设的第一阈值的目标粒子。或者，还可以选择权重最高的粒子作为目标粒子。根据目标粒子所表示的车辆的位置信息，可以调整目标车辆在车道中的位置。
通过上述方案，将第一信息和第二信息进行匹配，得到匹配结果确定出目标车辆所在的车道。为了增强算法的鲁棒性，确定车道后，可以根据对粒子的筛选等方案进一步对目标车辆在车道中的位置进行精确定位。
如图7所示，在一种实施方式中，步骤S1051进一步包括以下子步骤：
S10511：获取各粒子的第一信息中的各路面标记线的第一表示信息。
S10512：获取第二信息中的各路面标记线的第二表示信息。
S10513：将第二信息中的各路面标记线的第二表示信息，逐一与第二信息中的各路面标记线的第一表示信息进行比较，得到比较结果。
S10514：将比较结果最接近的两条路面标记线进行配对，得到匹配对。
S10515：根据匹配对中的路面标记线的配对的数量、以及匹配对中的路面标记线类型相同的配对的数量，得到各粒子对应的匹配概率。
结合图8所示，在图中以pi点表示粒子所在位置，i可以表示粒子的数量。pi点作为该粒子所在坐标系下的原点。以每个粒子的坐标系为基准，将地图数据中获取的每个粒子所在道路的第一信息进行坐标系转换，以转换到对应粒子的坐标系下。例如在图8中，经过坐标系转换后，包括路面标记线d1～路面标记线d4，共4条路面标记线。该粒子所在的车道为路面标记线d2和路面标记线d3之间的第2车道。可以采用L-M(Levenberg-Marquardt)非线性优化算法将粒子的第一信息中的各路面标记线拟合为三次曲线方程，得到该粒子的第一信息中的各路面标记线的第一表示信息。
该第一表示信息可以表示为：
Hdmap lanelines in pi＝{yk＝ak*x3+bk*x2+ck*x+dk}。
在第一表示信息中，k值为路面标记线的数量，参数ak、bk、ck、dk分别表示通过非线性优化算法拟合后的各路面标记线的三次项系数、二次项系数、一次项系数和常数项系数。对应图8中的路面标记线包括d1～d4，则路面标记线d1的三次曲线方程可以表示为y1＝a1*x3+b1*x2+c1*x+d1。同理，路面标记线d4的三次曲线方程可以表示为y4＝a4*x3+b4*x2+c4*x+d4。每一条路面标记线均对应一种类型(Lanelinetype)，即对应车道线(虚线或实线)、路沿和护栏等。根据每个粒子的位置，可以获取到每个粒子的第一信息中的各路面标记线的三次曲线方程。
与上述第一表示信息的获取原理相同，根据目标车辆采集的图像数据，可以获取到第二信息中的各路面标记线的第二表示信息。该第一表示信息可以表示为：
Perception lanelines in pi＝{yk′＝a′k′*x3+b′k′*x2+c′k′*x+d′k′}。
在第二表示信息中，k’值为路面标记线的数量，参数a’k、b’k、c’k、d’k分别表示通过非线性优化算法拟合后的各路面标记线的三次项系数、二次项系数、一次项系数和常数项系数。
由于路面标记线的曲率实际情况很小，因此表达式y＝a*x3+b*x2+c*x+d中a、b、c的值很小，常数项系数d的值可以表示为曲线方程与Y轴上相交点的Y轴值。因此，为了减少运算量，可以采用最近邻搜寻策略，利用常数项系数d的值，根据第二表示信息中的每条路面标记线的常数项系数d的值dkpercepton lanelines in pi，与第一表示信息中的每条路面标记线的常数项系数d的值dk′Hdmap lanelines in pi进行比较。其中，d′kperceptonlanelines in pi可以表示第一表示信息中第k条路面标记线的常数项系数d的值，dk′Hdmaplanelines in pi可以表示第二表示信息中第k’条路面标记线的常数项系数d’的值。
前述最近邻搜寻策略的计算式可以表示为：
argmin{dkpercepton lanelines in pi-d′kpercepton lanelines in pi}。
例如，获取第一粒子。第一粒子的第一表示信息中包括三条路面标记线，三条路面标记线的d值分别表示为d1percepton lanelines in pi、d2percepton lanelines in pi、d3percepton lanelines in pi。目标车辆采集的图像数据获取的第二信息中也包括三条路面标记线。三条路面标记线的d值分别表示为d′1percepton lanelines in pi、d′2percepton lanelines in pi、d′3percepton lanelines in pi。
先获取第一表示信息中的第一条路面标记线，其d值表示为d1。根据d1的值分别与第二信息中的三条路面标记线的d值进行比较，即分别将d1与d’1、d’2、d’3的值进行比较，在比较结果最接近的情况下，得到匹配对。例如d1与d’1的差值为1，d1与d’2的差值为2，d1与d’1的差值为3。则d1与d’1的比较结果最接近，则第一表示信息中的第一条路面标记线y1Perception和第二表示信息中的第一条路面标记线y1Hdmap匹配成功，组成匹配对。
在一种实施方式中，为了比较结果的精确，也可以将两条路面标记线的三次曲线方程进行比较，在此不再赘述。
对于任意粒子，匹配对可以表示为：{ykPerception，yk′Hdmap}。该匹配对中，ykPerception可以表示任意粒子的第一信息中的第k条路面标记线的三次曲线方程息。yk′Hdmap可以第二信息中第k’条路面标记线的三次曲线方程。
对于任意粒子，该粒子的匹配概率可以表示为：
匹配对中路面标记线的配对数量表示匹配对{ykPerception，yk′Hdmap}中有多少组匹配成功的路面标记线。对于匹配对中路面标记线类型相同的对数量，则需要在匹配对中确定两条路面标记线的类型是否相同。例如均为虚线，或者均为路沿，则属于类型相同。若匹配对中的一条路面标记线为实线，另一条路面标记线为虚线，则不属于类型相同。
如图9所示，在一种实施方式中，步骤S1054进一步包括以下子步骤：
S10541：获取匹配对中的两条路面标记线。
S10542：分别在两条路面标记线上获取采样点。
S10543：在两条路面标记线上获取采样点的残差最小的情况下，得到旋转变换矩阵。
S10544：根据旋转变换矩阵调整目标粒子的位置。
S10545：根据位置调整目标车辆在车道中的位置。
对于目标粒子，获取其匹配对。可以在匹配对中获取任意配对的两条路面标记线，也可以选择距离粒子最近的路面标记线以及与该最近的路面标记线配对的另一条路面标记线，还可以在匹配对中查询匹配程度最高的两条路面标记线。
结合图8所示，选择距离粒子最近的路面标记线以及与该最近的路面标记线配对的另一条路面标记可以包括：例如粒子在路面标记线d2和路面标记线d3之间，则距离粒子最近的路面标记线d2或者路面标记线d3作为主车道线，距离粒子最近的路面标记线d1或者路面标记线d4作为次车道线。获取跟路面标记线d2配对的第二信息中的路面标记线。或者，也可以将路面标记线d3作为主车道线，并获取跟路面标记线d3配对的第二信息中的路面标记线。
在匹配对中查询匹配程度最高的两条路面标记线可以包括：在匹配对中，根据在前述步骤中计算得到的比较结果，选择比较结果最接近的两条路面标记线。
分别在获取到的两条路面标记线上进行采样，以获取到采样点。两个采样点可以表示为piPerception、piHdmap。piPerception表示在匹配对中对应在第一信息中的路面标记线上的第i个采样点，piHdmap表示在匹配对中对应在第二信息中的路面标记线上的第i个采样点。求取最优的旋转变换矩阵，使得第二信息中的路面标记线上的采样点到第一信息中的路面标记线上的采样点的残差的平方最小。上述计算对应的公式表示为：
式中n表示采样点的数量，
表示采用李代数表示的旋转变换矩阵。
根据上述公式获得的旋转变换矩阵，可以调整粒子目标粒子的位置。将目标粒子输入至迭代无迹卡尔曼滤波器(IUKF，Iterated Unscented Kalman Filter)，可以同时估计出目标车辆的位置、姿态、速度和惯性测量单元(IMU)的偏移量。为了提供更加精确的运动模型，迭代无迹卡尔曼滤波器以高频惯性测量单元(更新频率100HZ)为更新频率，结合全球定位系统GPS(更新频率10HZ)、目标粒子的位姿(更新频率33HZ)等参数，计算出目标车辆的位置、姿态、速度和惯性测量单元的偏移量。
通过上述方案，即使匹配对中的路面标记线的配对数较少，甚至只有一个匹配对的情况。也可以根据该一个匹配对中的两条路面标记线求取旋转变换矩阵，从而调整调整目标粒子的位置。在匝道、交通拥堵等场景下，往往目标车辆采集的图像数据仅仅能采集到一条路沿，在此情况下，通过仅有的一条路沿也能进行目标粒子位置的调整。
如图10所示，在一种实施方式中，步骤S1052进一步包括以下子步骤：
S10521：获取当前帧的前一帧采样的各粒子的权重。
S10522：分别根据当前帧的各粒子的匹配概率与概率阈值的差值，与前一帧采样的该粒子的权重进行加法运算，得到当前帧采样的各粒子的权重。
因为目标车辆采集的图像数据在短时间内(例如0.5s)出现误检、漏检、多检的情况，所以单帧的匹配得分并不能反映当前粒子的真实可信度。考虑到历史信息，粒子的权重可以采用以下表达式获取：
scoret＝scoret-1+(p-scale)×stept(0＜score≤100，t＞0)
针对任意粒子，scoret-1可以表示该粒子在当前帧的前一帧的权重。p可以表示步骤S1051中得到的该粒子当前帧的匹配概率。scale可以表示平衡因数(可以根据经验值设置为0.5)，step为每一步更新步长，每次更新的粒子权重都是在上一次基础之上。当匹配概率p大于scale时，表示采集条件良好(例如图像数据中采集到的车道线清晰、准确)，粒子权重增加；反之，粒子分数减小。
更新步长的计算方式可以表示为：从当前帧开始计算，在连续帧的匹配概率p均大于平衡因数scale的情况下，可以缩短步长从而加快更新频率，使得粒子的权重增加。反之在连续帧的匹配概率p均小于平衡因数scale的情况下，可以增加步长从而减缓更新频率，使得粒子得分降低。
通过上述动态调整步长，可以加快优质粒子权重的增长，从而降低优质粒子被当作劣质粒子删除的风险。
通过上述方案，考虑了多帧间的匹配对粒子权重的影响。若目标车辆采集的图像数据出现质量较差的情况，粒子的权重虽然在当前帧是低的，但粒子在多帧的总体趋势仍然是上升的，类似于爬坡。只有粒子得分降低到一定阈值时，才会被后续步骤中重采样阶段当作劣质粒子删除。这样能够处理偶然出现的采集的图像数据较质量差导致该粒子权重较低，而被重采样阶段删除的风险。
如图11所示，在一种实施方式中，该方法还包括对各粒子进行重采样，具体包括以下步骤：
S201：获取各粒子权重的标准差。
S202：在权重标准差大于标准差阈值的情况下，删除权重低于第二阈值的粒子。
在一种实施方式中，该方法还包括：
在权重标准差小于标准差阈值的情况下，增加目标粒子的数量。
根据各粒子权重对粒子进行筛选从而进行重采样。筛选过程中，考虑各种数据存在噪声。因此，既要保留权重大的粒子，又要有一小部分权重小的粒子，来保证粒子种群的多样性。判断粒子种群多样性根据各粒权重的标准差判断：
式中，r可以表示各粒子权重的均值，xi可以表示第i个粒子的权重，N可以表示粒子的数量，σ可以表示标准差。
当标准差小于设定的标准差阈值时，说明种群多样性较差，应该增加新的粒子，当标准差大于设定的标准差阈值时，说明各粒子间差异较大，应该删除权重低的粒子。可以通过设定第二阈值的方式，进行粒子筛选。当粒子的权重低于第二阈值的情况下，将该粒子删除。
通过上述方案，在多个粒子都位于一条车道上的情况下，标准差小于设定的标准差阈值。多个粒子都在进行重复计算，降低计算速度。通过删除粒子，能够去除重复计算，提升计算速度。
标准差的值较低可以说明粒子种群多样性降低，若由于感知或高精数据长期错误，所有粒子代表的都是错误的位姿。这时在其他车道重采样一些新的粒子，错车道后能够迅速恢复正确车道。
如图12所示，在一种实施方式中，目标车辆采集的图像数据对应感知数据。在地图数据中获取每个粒子所在道路的第一信息对应地图数据。粒子的采样通过采样模块进行。在初始化判断的情况下，利用车道线、路沿或者护栏的类型匹配，根据目标车辆采集的图像数据和每个粒子所在道路的第一信息对应地图数据进行车道的初始化判断。在非初始化判断的情况下，通过粒子权重筛选出目标粒子，将目标粒子输出给迭代无迹卡尔曼滤波器，得到目标车辆的位置、姿态、速度和惯性测量单元的偏移量等信息。上述信息经过运动模型滤波器后，当做目标车辆最准确的信息，输入至粒子采样模块。另外，该方法还包括利用自适应重采样对各粒子进行筛选。筛选后的粒子也被输入至粒子采样模块，从而进行循环。保持目标车辆形式过程中，参与计算的粒子质量高。
传统的方法采用根据惯性测量单元来预测下一时刻的粒子位姿，或直接根据两帧的粒子位姿预测下一时刻位姿，在惯性测量单元抖动时或粒子位姿跳变严重时，预测出的位姿误差较大。并且传统的粒子滤波只有粒子数量达到一定量级，算法输出精度才能有较好的保证，但是自动驾驶对算法实时性要求很高，车道级定位作为众多模块的其中一个，只有有限的资源分配。一般要求2GHZ主频下，单核CPU占用率不超过10％，算法迭代频率高于感知数据(例如图像数据)获取的频率(感知数据获取的可以是33HZ，若粒子滤波算法频率低于此频率，会丢失感知数据，出现错车道情况)。若粒子数量过多，计算负担过高，很难达到要求。在权重估计阶段，首先感知数据(车身坐标系)和高精数据(经纬度)不是在同一坐标系，其次二者数据类型不一样。最棘手的是，两者的数据存在不同特性的噪声。因此现有技术无法将二者进行匹配运算。在重采样阶段，优质粒子可能被多次采样，比如大量粒子在同一车道，会导致大量的重复计算，增加算法耗时和CPU占用率。而伪劣质粒子可能被删除，导致错车道后无法恢复到正确车道。并且，传统的自动驾驶还需要进行地图更新：选取当前最优质的一个粒子，根据它的最优轨迹树与对应的感知数据更新地图。
采用本申请的技术方案，可以克服现有技术的上述不足。例如在交通拥堵场景下，感知长期误检、漏检，车道级定位依然能够准确、持续的输出。在车道线不清晰、逆光、雨雪天气，感知漏检、多检、少检时，能够结合路沿和护栏实现准确、持续的定位。并且错车道后快速的恢复能力。
图13示出根据本申请实施例的车道检测的装置结构示意图。如图13所示，该装置包括：
粒子位置信息获取模块301，用于获取粒子集合的每个粒子的位置信息。
第一信息获取模块302，用于根据位置信息，在地图数据中获取每个粒子所在道路的第一信息。
第二信息获取模块303，用于获取目标车辆采集的图像数据，图像数据包括目标车辆所在道路的第二信息。
匹配模块304，用于将第一信息和第二信息进行匹配，得到匹配结果。
车道确定模块305，用于根据匹配结果，从粒子集合中确定出目标粒子，根据目标粒子所在道路的第一信息确定目标车辆所在的车道。
如图14所示，在一种实施方式中，该匹配模块304包括：
粒子两侧的路面标记线的信息获取子模块3041，用于在第一信息中，获取粒子两侧的路面标记线的类型以及分布。
目标车辆两侧的路面标记线的信息获取子模块3042，用于在第二信息中，沿着目标车辆行进方向，获取目标车辆两侧的路面标记线的类型及分布。
匹配执行子模块3043，用于在第二信息中的目标车辆两侧的路面标记线的类型及分布与第一信息中获取粒子两侧的路面标记线的类型以及分布相同的情况下，确定匹配结果为匹配成功。
如图15所示，在一种实施方式中，该车道确定模块305，包括：
匹配概率获取子模块3051，用于获取匹配成功的各粒子对应的匹配概率。
粒子权重计算子模块3052，用于根据匹配概率，得到匹配成功的各粒子的权重。
目标粒子筛选子模块3053，用于根据权重从粒子集合中筛选出权重高于第一阈值的目标粒子。
位置调整子模块3054，用于根据目标粒子所表示的车辆的位置信息，调整目标车辆在车道中的位置。
如图16所示，在一种实施方式中，该匹配概率获取子模块3051，包括：
第一表示信息获取单元30511，用于获取各粒子的第一信息中的各路面标记线的第一表示信息。
第二表示信息获取单元30512，用于获取第二信息中的各路面标记线的第二表示信息。
比较单元30513，用于将第二信息中的各路面标记线的第二表示信息，逐一与第二信息中的各路面标记线的第一表示信息进行比较，得到比较结果。
匹配对获取单元30514，用于将比较结果最接近的两条路面标记线进行配对，得到匹配对。
匹配概率获取执行单元30515，用于根据匹配对中的路面标记线的配对的数量、以及匹配对中的路面标记线类型相同的配对的数量，得到各粒子对应的匹配概率。
如图17所示，在一种实施方式中，该位置调整子模块3054，包括：
路面标记线获取单元30541，用于获取匹配对中的两条路面标记线。
采样单元30542，用于分别在两条路面标记线上获取采样点。
旋转变换矩阵获取单元30543，用于在两条路面标记线上获取采样点的残差最小的情况下，得到旋转变换矩阵。
目标粒子的位置调整单元30544，用于根据旋转变换矩阵调整目标粒子的位置。
位置调整执行单元30545，用于根据位置调整目标车辆在车道中的位置。
如图18所示，在一种实施方式中，该粒子权重计算子模块3052，包括：
粒子过往权重获取单元30521，用于获取当前帧的前一帧采样的各粒子的权重；
粒子权重计算执行单元30522，用于分别根据当前帧的各粒子的匹配概率与概率阈值的差值，与前一帧采样的该粒子的权重进行加法运算，得到当前帧采样的各粒子的权重。
如图19所示，在一种实施方式中，该装置还包括重采样模块401，该重采样模块401，包括：
标准差获取子模块4011，用于获取各粒子权重的标准差。
第一筛选子模块4012，用于在权重标准差大于标准差阈值的情况下，删除权重低于第二阈值的粒子。
在一种实施方式中，该重采样模块401，还包括：
第二筛选子模块4013，在权重标准差小于标准差阈值的情况下，增加粒子的数量。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图20所示，是根据本申请实施例的车道检测的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图20所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图20中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的车道检测的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的车道检测的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的车道检测的方法对应的程序指令/模块(例如，附图13所示的粒子位置信息获取模块301、第一信息获取模块302、第二信息获取模块303、匹配模块304和车道确定模块305)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的车道检测的方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据车道检测的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至车道检测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
车道检测的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图20中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与车道检测的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(Liquid Crystal Display，LCD)、发光二极管(Light EmittingDiode，LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(programmable logic device，PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode Ray Tube，阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，在第一信息和第二信息实现匹配的情况下，可以快速且准确的实现目标车辆初始车道的定位。因为采用获取多个粒子的位置对应的地图上的道路第一信息，与目标车辆检测的图像数据相结合，对二者进行匹配。在匹配结果相同的情况下，可以定位出目标车辆的初始车道技术手段，所以克服了现有技术中，对于车道线的初始定位精度低，速度慢。技术问题，进而达到上述技术效果。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种车道检测的方法，其特征在于，包括：
获取粒子集合的每个粒子的位置信息；
根据所述位置信息，在地图数据中获取每个粒子所在道路的第一信息；
获取目标车辆采集的图像数据，所述图像数据包括目标车辆所在道路的第二信息；
将所述第一信息和所述第二信息进行匹配，得到匹配结果；
获取匹配成功的各粒子对应的匹配概率；
根据所述匹配概率，得到匹配成功的各粒子的权重；
根据所述权重从所述粒子集合中筛选出权重高于第一阈值的目标粒子；
根据所述目标粒子所表示的车辆的位置信息，调整目标车辆在所述车道中的位置；
所述获取匹配成功的各粒子对应的匹配概率，包括：
获取所述各粒子的所述第一信息中的各路面标记线的第一表示信息；
获取所述第二信息中的各路面标记线的第二表示信息；
将所述第二信息中的各路面标记线的第二表示信息，逐一与所述第二信息中的各路面标记线的第一表示信息进行比较，得到比较结果；
将所述比较结果最接近的两条路面标记线进行配对，得到匹配对；
根据所述匹配对中的路面标记线的配对的数量、以及所述匹配对中的路面标记线类型相同的配对的数量，得到所述各粒子对应的所述匹配概率。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一信息和所述第二信息进行匹配，得到匹配结果，包括：
在所述第一信息中，获取粒子两侧的路面标记线的类型以及分布；
在所述第二信息中，沿着目标车辆行进方向，获取目标车辆两侧的路面标记线的类型及分布；
在所述第二信息中的所述目标车辆两侧的路面标记线的类型及分布与所述第一信息中获取粒子两侧的路面标记线的类型以及分布相同的情况下，确定匹配结果为匹配成功。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标粒子所表示的车辆的位置信息，调整目标车辆在所述车道中的位置，包括：
获取所述匹配对中的两条路面标记线；
分别在所述两条路面标记线上获取采样点；
在所述两条路面标记线上获取采样点的残差最小的情况下，得到旋转变换矩阵；
根据所述旋转变换矩阵调整目标粒子的位置；
根据所述位置调整目标车辆在所述车道中的位置。
4.根据权利要求1所述的方法，其特征在于，所述根据所述匹配概率，得到匹配成功的各粒子的权重，包括：
获取当前帧的前一帧采样的各粒子的权重；
分别根据当前帧的各粒子的匹配概率与概率阈值的差值，与所述前一帧采样的该粒子的权重进行加法运算，得到当前帧采样的各粒子的权重。
5.根据权利要求1所述的方法，其特征在于，还包括对所述各粒子进行重采样，包括：
获取所述各粒子权重的标准差；
在所述权重的标准差大于所述标准差阈值的情况下，删除权重低于第二阈值的粒子。
6.根据权利要求5所述的方法，其特征在于，还包括：
在所述权重的标准差小于所述标准差阈值的情况下，增加粒子的数量。
7.一种车道检测的装置，其特征在于，包括：
粒子位置信息获取模块，用于获取粒子集合的每个粒子的位置信息；
第一信息获取模块，用于根据所述位置信息，在地图数据中获取每个粒子所在道路的第一信息；
第二信息获取模块，用于获取目标车辆采集的图像数据，所述图像数据包括目标车辆所在道路的第二信息；
匹配模块，用于将所述第一信息和所述第二信息进行匹配，得到匹配结果；
匹配概率获取子模块，用于获取匹配成功的各粒子对应的匹配概率；
粒子权重计算子模块，用于根据所述匹配概率，得到匹配成功的各粒子的权重；
目标粒子筛选子模块，用于根据所述权重从所述粒子集合中筛选出权重高于第一阈值的目标粒子；
位置调整子模块，用于根据所述目标粒子所表示的车辆的位置信息，调整目标车辆在所述车道中的位置；
所述匹配概率获取子模块，包括：
第一表示信息获取单元，用于获取所述各粒子的所述第一信息中的各路面标记线的第一表示信息；
第二表示信息获取单元，用于获取所述第二信息中的各路面标记线的第二表示信息；
比较单元，用于将所述第二信息中的各路面标记线的第二表示信息，逐一与所述第二信息中的各路面标记线的第一表示信息进行比较，得到比较结果；
匹配对获取单元，用于将所述比较结果最接近的两条路面标记线进行配对，得到匹配对；
匹配概率获取执行单元，用于根据所述匹配对中的路面标记线的配对的数量、以及所述匹配对中的路面标记线类型相同的配对的数量，得到所述各粒子对应的所述匹配概率。
8.根据权利要求7所述的装置，其特征在于，所述匹配模块，包括：
粒子两侧的路面标记线的信息获取子模块，用于在所述第一信息中，获取粒子两侧的路面标记线的类型以及分布；
目标车辆两侧的路面标记线的信息获取子模块，用于在所述第二信息中，沿着目标车辆行进方向，获取目标车辆两侧的路面标记线的类型及分布；
匹配执行子模块，用于在所述第二信息中的所述目标车辆两侧的路面标记线的类型及分布与所述第一信息中获取粒子两侧的路面标记线的类型以及分布相同的情况下，确定匹配结果为匹配成功。
9.根据权利要求7所述的装置，其特征在于，所述位置调整子模块，包括：
路面标记线获取单元，用于获取所述匹配对中的两条路面标记线；
采样单元，用于分别在所述两条路面标记线上获取采样点；
旋转变换矩阵获取单元，用于在所述两条路面标记线上获取采样点的残差最小的情况下，得到旋转变换矩阵；
目标粒子的位置调整单元，用于根据所述旋转变换矩阵调整目标粒子的位置；
位置调整执行单元，用于根据所述位置调整目标车辆在所述车道中的位置。
10.根据权利要求7所述的装置，其特征在于，所述粒子权重计算子模块，包括：
粒子过往权重获取单元，用于获取当前帧的前一帧采样的各粒子的权重；
粒子权重计算执行单元，用于分别根据当前帧的各粒子的匹配概率与概率阈值的差值，与所述前一帧采样的该粒子的权重进行加法运算，得到当前帧采样的各粒子的权重。
11.根据权利要求7所述的装置，其特征在于，还包括重采样模块，所述重采样模块，包括：
标准差获取子模块，用于获取所述各粒子权重的标准差；
第一筛选子模块，用于在所述权重标准差大于所述标准差阈值的情况下，删除权重低于第二阈值的粒子。
12.根据权利要求11所述的装置，其特征在于，所述重采样模块，还包括：
第二筛选子模块，在所述权重标准差小于所述标准差阈值的情况下，增加粒子的数量。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910825649.XA CN110516652B (zh) | 2019-08-30 | 2019-08-30 | 车道检测的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910825649.XA CN110516652B (zh) | 2019-08-30 | 2019-08-30 | 车道检测的方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110516652A CN110516652A (zh) | 2019-11-29 |
| CN110516652B true CN110516652B (zh) | 2023-04-18 |
Family
ID=68629272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910825649.XA Active CN110516652B (zh) | 2019-08-30 | 2019-08-30 | 车道检测的方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516652B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112885074B (zh) * | 2019-11-30 | 2023-01-13 | 华为技术有限公司 | 道路信息检测方法以及装置 |
| CN111174782B (zh) * | 2019-12-31 | 2021-09-17 | 智车优行科技（上海）有限公司 | 位姿估计方法、装置、电子设备及计算机可读存储介质 |
| CN111291681B (zh) * | 2020-02-07 | 2023-10-20 | 北京百度网讯科技有限公司 | 车道线变化信息的检测方法、装置及设备 |
| CN111339877B (zh) * | 2020-02-19 | 2023-04-07 | 阿波罗智联(北京)科技有限公司 | 盲区的长度检测方法、装置、电子设备及存储介质 |
| CN111540023B (zh) * | 2020-05-15 | 2023-03-21 | 阿波罗智联(北京)科技有限公司 | 图像采集设备的监测方法、装置、电子设备及存储介质 |
| CN113723141B (zh) * | 2020-05-25 | 2022-09-06 | 阿波罗智能技术(北京)有限公司 | 车辆的定位方法、装置、电子设备、车辆及存储介质 |
| CN111693090A (zh) * | 2020-06-10 | 2020-09-22 | 上海有个机器人有限公司 | 一种机器人的路面环境老化测试方法、介质、终端和装置 |
| CN112462752A (zh) * | 2020-10-12 | 2021-03-09 | 星火科技技术(深圳)有限责任公司 | 智能小车的数据采集方法、设备、存储介质及装置 |
| CN114812575A (zh) * | 2022-03-15 | 2022-07-29 | 中汽创智科技有限公司 | 一种修正参数的确定方法、装置、电子设备及存储介质 |
| CN114715156B (zh) * | 2022-05-18 | 2022-10-14 | 北京小马智卡科技有限公司 | 控制车辆进出匝道的方法、装置、设备和存储介质 |
| CN114972824B (zh) * | 2022-06-24 | 2023-07-14 | 小米汽车科技有限公司 | 杆件检测方法、装置、车辆和存储介质 |
| CN115116017A (zh) * | 2022-06-27 | 2022-09-27 | 北京旋极信息技术股份有限公司 | 车道识别方法、装置及存储介质 |
| CN115203352B (zh) * | 2022-09-13 | 2022-11-29 | 腾讯科技（深圳）有限公司 | 车道级定位方法、装置、计算机设备和存储介质 |
| CN116380088B (zh) * | 2023-06-05 | 2023-08-29 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 目标车道的确定方法和装置 |
| CN109974690A (zh) * | 2019-03-18 | 2019-07-05 | 北京摩拜科技有限公司 | 车辆定位方法、设备及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105206090B (zh) * | 2015-10-13 | 2017-06-16 | 厦门星辰天羽汽车设计有限公司 | 一种车辆定位方法 |
| CN109816980A (zh) * | 2019-02-20 | 2019-05-28 | 东软睿驰汽车技术（沈阳）有限公司 | 一种确定车辆所处车道的方法及相关装置 |
| CN113538919B (zh) * | 2019-03-11 | 2022-10-28 | 百度在线网络技术（北京）有限公司 | 车道偏离识别方法、装置、设备和存储介质 |
-
2019
- 2019-08-30 CN CN201910825649.XA patent/CN110516652B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 目标车道的确定方法和装置 |
| CN109974690A (zh) * | 2019-03-18 | 2019-07-05 | 北京摩拜科技有限公司 | 车辆定位方法、设备及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110516652A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516652B (zh) | 车道检测的方法、装置、电子设备及存储介质 | |
| CN110979346B (zh) | 确定车辆所处车道的方法、装置及设备 | |
| JP2021152906A (ja) | 車両軌跡の予測方法、装置、機器及び記憶媒体 | |
| CN110827325B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN111583668B (zh) | 交通拥堵检测方法、装置、电子设备和存储介质 | |
| CN112668460A (zh) | 目标检测方法、电子设备、路侧设备和云控平台 | |
| CN110738183B (zh) | 路侧相机障碍物检测方法及装置 | |
| CN113723141B (zh) | 车辆的定位方法、装置、电子设备、车辆及存储介质 | |
| CN112560680A (zh) | 车道线处理方法、装置、电子设备及存储介质 | |
| CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
| CN110595490B (zh) | 车道线感知数据的预处理方法、装置、设备和介质 | |
| CN111324115A (zh) | 障碍物位置检测融合方法、装置、电子设备和存储介质 | |
| KR102694715B1 (ko) | 장애물의 검출 방법, 전자 기기, 노변 기기 및 클라우드 컨트롤 플랫폼 | |
| CN111507204A (zh) | 倒计时信号灯的检测方法、装置、电子设备及存储介质 | |
| CN112528927A (zh) | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 | |
| CN112581533A (zh) | 定位方法、装置、电子设备及存储介质 | |
| CN115147809A (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
| CN111652112A (zh) | 一种车道流向的识别方法、装置、电子设备及存储介质 | |
| CN111353466A (zh) | 车道线识别处理方法、设备、存储介质 | |
| CN112782700A (zh) | 一种基于雷达图的降水预测方法以及装置 | |
| CN113742440B (zh) | 道路图像数据处理方法、装置、电子设备及云计算平台 | |
| CN114387410A (zh) | 道路数据融合的地图生成方法、装置以及电子设备 | |
| CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
| CN113255404A (zh) | 车道线识别方法、装置、电子设备和计算机可读存储介质 | |
| CN111783611A (zh) | 无人车的定位方法、装置、无人车及存储介质 |
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 |