CN110969059A - 车道线识别方法及系统 - Google Patents

Abstract

本发明涉及智能交通领域，提供一种车道线识别方法及系统。所述车道线识别方法包括：通过设置在车辆上的定位系统获取并输出车道线的高精度地图信息Lane1；通过设置在车辆上的视觉传感器采集并输出所述车道线的图像信息Lane2；融合所述高精度地图信息Lane1和所述图像信息Lane2以得到车道线识别方程Lane＝K1*Lane1+K2*Lane2，其中，Lane表示待识别的车道线，K1和K2分别为两个比例因子；以及对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定两个比例因子。本发明对车道线的高精度地图信息和图像信息进行了融合和有效性验证，并提出了一种简单、适应性强的车道线识别方程，具有更高的实时性和通用性，且对于弯曲道路及笔直道路都适用。

Description

车道线识别方法及系统

技术领域

本发明涉及智能交通领域，特别涉及一种车道线识别方法及系统。

背景技术

目前，具有自动驾驶系统(Autonomous Driving System，简称ADS)的车辆已开始逐步推向市场，极大地促进了智能交通的发展。ADS是利用安装于车辆上的多种感知设备，实时采集车辆周围的道路数据及目标(例如前方的其他车辆)数据，进行目标静态特性、动态特性的辨识，确定目标在道路上的位置，从而让自动驾驶计算机在最短时间判断出潜在的危险，并做出预防该危险发生的有效措施。

其中，ADS中用于采集道路数据的感知设备主要包括高精度地图单元和前视摄像头。前视摄像头通过图像传感器获取车辆前方的道路图像，经过图像处理单元计算，输出自动驾驶车辆与车道线之间的位置姿态关系以及道路曲率特性。高精度地图单元通过定位系统获得自动驾驶车辆的精确位置，输出自动驾驶车辆前方车道线信息、道路曲率以及道路属性。

可知，高精度地图单元和前视摄像头可探测相同属性的道路数据，特别是车道线信息，而相同属性的道路数据可以相互融合，以增强系统功能或增加系统安全特性。但是，现有技术中对这两种方式获得的道路数据的融合方案比较复杂，最为常用的是使用扩展卡尔曼滤波方法对道路数据进行平滑处理并预测下一周期的车道线参数。但是，使用扩展卡 尔曼滤波方法适用于笔直道路工况，自动驾驶车辆行驶过程中，上述两种道路信息经过扩展卡尔曼滤波后满足自动驾驶要求，但是高精度地图单元在遭受遮挡(穿越桥洞，道路两侧有挡声板)或途径隧道时，使用扩展卡尔曼滤波会使估算出的发散的车道线，导致车辆失控。并且，扩展卡尔曼滤波方法不适用于弯曲道路，自动驾驶车辆在弯曲道路行驶时，摄像头输出的有效道路距离较短，无法与高精度地图单元的道路数据进行融合，而为了减小纵向决策的距离，需要引入速度信息(因为速度低纵向决策距离近，速度高纵向决策距离远)、道路属性信息等，这将增加卡尔曼滤波方程的维度，降低车道线识别的实时性。

发明内容

有鉴于此，本发明旨在提出一种车道线识别方法，以至少部分地解决上述技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种车道线识别方法，包括：通过设置在车辆上的定位系统获取并输出车道线的高精度地图信息Lane1；通过设置在车辆上的视觉传感器采集并输出所述车道线的图像信息Lane2；融合所述车道线的所述高精度地图信息 Lane1和所述图像信息Lane2以得到车道线识别方程 Lane＝K1*Lane1+K2*Lane2，其中，Lane表示待识别的车道线，K1和K2分别为两个比例因子；以及对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

进一步的，所述对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

进一步的，所述根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：根据所述当前道路属性是笔直道路或者弯曲道路、根据所述定位系统工作在无遮挡模式或有遮挡模式、以及根据所述视觉传感器的置信度是否低于预设精度来对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

进一步的，所述根据所述当前道路属性是笔直道路或者弯曲道路、根据所述定位系统工作在无遮挡模式或有遮挡模式、以及根据所述视觉传感器的置信度是否低于预设精度来对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性高于所述高精度地图信息，确定K2大于K1；在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0；在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1；在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0，K2＝0；在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性低于所述高精度地图信息，确定K1大于K2；在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0；在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1；以及在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0， K2＝0。

进一步的，所述车道线识别方法还包括：在所述高精度地图信息及所述图像信息都无效的情况下，控制车辆减速并进行提醒。

相对于现有技术，本发明所述的车道线识别方法具有以下优势：

(1)本发明的车道线识别方法对针对车道线的高精度地图信息和图像信息进行了融合，并通过对两者的有效性验证提出了一种简单、适应性强的车道线识别方程，其与滤波算法、预估算法相比，不再需要反复迭代的计算过程，节约了计算时间，从而具有更高的实时性和通用性。

(2)本发明的车道线识别方法结合道路属性信息、定位系统的工作模式及视觉传感器的置信度来进行针对车道线的高精度地图信息和图像信息的数据融合，提高了车道线数据融合精度，从而提高了自动驾驶系统性能，且适用于弯曲道路及笔直道路下自动驾驶系统尤其是结构化道路下自动驾驶系统。

(3)本发明的车道线识别方法在视觉传感器的图像信息和定位系统的高精度地图信息中的一者丢失的情况下，可依赖于另外一者来实现车道保持功能，并给予充足的时间进行人为接管，保证驾驶员低速跛行回家，实现了某一传感器失效系统仍可运行的功能安全需求。

本发明的另一目的在于提出一种车道线识别系统，以至少部分地解决上述技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种车道线识别系统，包括：第一控制单元，包括设置在车辆上的定位系统，用于获取并输出车道线的高精度地图信息Lane1；第二控制单元，包括设置在车辆上的视觉传感器，用于采集并输出所述车道线的图像信息 Lane2；以及第三控制单元，与所述第一控制单元及第二控制单元电性连接，用于融合所述车道线的所述高精度地图信息和所述图像信息以得到车道线识别方程Lane＝K1*Lane1+K2*Lane2；其中，Lane表示待识别的车道线，K1和K2分别为两个比例因子；并且所述第三控制单元还用于对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

进一步的，所述第三控制单元还用于对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

进一步的，所述第三控制单元还用于根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：根据所述当前道路属性是笔直道路或者弯曲道路、根据所述定位系统工作在无遮挡模式或有遮挡模式、以及根据所述视觉传感器的置信度是否低于预设精度来对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

进一步的，所述第三控制单元还用于根据所述当前道路属性是笔直道路或者弯曲道路、根据所述定位系统工作在无遮挡模式或有遮挡模式、以及根据所述视觉传感器的置信度是否低于预设精度来对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性高于所述高精度地图信息，确定K2大于K1；在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0；在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1；在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0，K2＝0；在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性低于所述高精度地图信息，确定K1大于K2；在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0；在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1；以及在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0，K2＝0；

进一步的，在所述高精度地图信息及所述图像信息都无效的情况下，所述第三控制单元还用于控制车辆减速并进行提醒。

所述车道线识别系统与上述车道线识别方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种车道线识别方法的流程示意图；

图2是本发明实施例中车道线的示意图；

图3(a)是本发明实施例中GPS工作在RTK模式时所探测的车道线的示意图；

图3(b)是本发明实施例中GPS工作在非RTK模式时所探测的车道线的示意图；

图4(a)是本发明实施例中视觉传感器在笔直道路上所探测的车道线的示意图；

图4(b)是本发明实施例中视觉传感器在弯曲道路上所探测的车道线的示意图；

图5是本发明实施例的一种车道线识别系统的布置示意图；以及

图6是本发明实施例的车道线识别系统的功能结构示意图。

附图标记说明：

510、第一控制单元；520、第二控制单元；530、第三控制单元； 511、定位系统；512、地图系统。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。

在本发明实施例中，“电性连接”用于表述两个部件之间的信号连接，例如控制信号和反馈信号，以及两个部件之间的电功率连接。另外，本发明实施例中涉及的“连接”可以是有线连接，也可以是无线连接，且涉及的“电性连接”可以是两个部件之间的直接电性连接，也可以是通过其他部件的间接电性连接。

下面将参考附图并结合实施方式来详细说明本发明。

图1是本发明实施例的一种车道线识别方法的流程示意图，其中车道线如图2所示，L1、L2分别本车(当前的自动驾驶车辆)的两条左侧车道线， R1、R2分别为本车的两条右侧车道线。

如图1所示，本发明实施例的车道线识别方法可以包括以下步骤：

步骤S110，通过设置在车辆上的定位系统获取并输出车道线的高精度地图信息Lane1。

举例而言，定位系统例如包括GPS，其可以提供车辆当前所在位置信息，并通过通讯模块(例如2G/3G/4G模块)检测GPS工作在RTK(Real-time kinematic，实时动态)模式，以进一步提高定位精度，例如横向定位偏差10 厘米以内，纵向定位偏差30厘米以内，其定位范围覆盖50公里。GPS还可以与预存有高精度地图数据的地图系统相配合，该地图系统用于存储、输出高精度地图数据信息，优先使用存储空间大于50G，处理内存大于1G的地图系统。GPS可通过固定连接线与地图系统相连，GPS将本车在大地坐标系下的经纬度信息发送给地图系统，地图系统根据从GPS接收的信息输出高精度地图提供的道路信息，其中道路信息包括车辆所行驶道路的车道数量、车道宽度、车道属性(匝道、主路、应急车道)以及车辆前后方200米范围内的车道线信息。

步骤S120，通过设置在车辆上的视觉传感器采集并输出所述车道线的图像信息Lane2。

举例而言，该视觉传感器例如为摄像头，可设置在车辆前方，以例如采集车辆前方水平范围50°、垂直范围38°内的图像。视觉传感器可以实现车道线检测、车辆检测、行人检测、交通标识检测、红绿灯识别以及路面识别等功能，其中车道线检测和车辆检测的纵向探测距离可达150米。

步骤S130，融合所述车道线的所述高精度地图信息Lane1和所述图像信息Lane2以得到车道线识别方程Lane＝K1*Lane1+K2*Lane2。

其中，Lane表示待识别的车道线，K1和K2分别为两个比例因子。

举例而言，对于左侧车道线L1，对应的高精度地图信息和图像信息分别为L11和L12，则L1＝K1*L11+K2*L12，通过确定K1和K2的值以融合车道线的高精度地图信息和图像信息，并据此确定最终输出的左侧车道线 L1。对于右侧车道线R1，与之类似，可表述为R1＝K1*R11+K2*R12。

步骤S140，对所述车道线的所述高精度地图信息Lane1和所述图像信息Lane2进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

其中，步骤S130和步骤S140可通过常规控制器来实现，其对步骤S110 输出的车道线的高精度地图信息和步骤S120输出的车道线的图像信息进行融合、有效性验证和比例因子确定以最终输出车道保持等所需要的车道线信息。

在优选的实施例中，对于步骤S140，可以具体包括：根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

在该优选的实施例中，判断所述当前道路属性主要是指判断本车处于笔直道路或者弯曲道路；判断所述定位系统的工作模式主要是判断所述定位系统工作在无遮挡模式或有遮挡模式，其中有遮挡模式包括穿越桥洞、道路两侧有挡声板、途径隧道等情形，以GPS为例，其可通过4G模块所产生的 4G信号的强弱来判断GPS是否工作在RTK模式(RTK模式对应为车辆无遮挡)；判断所述视觉传感器的置信度主要是判断所述视觉传感器的置信度是否低于预设精度，以摄像头为例，若低于该预设精度，表明摄像头置信度低，所获取的图像信息不合要求，否则所获取的图像信息符合要求。

进一步地，同样以GPS为例，如图3(a)所示，在地图覆盖区域内并且GPS工作在RTK模式在情况下，输出的4个车道线与实际车道线重合较好，误差<±10厘米。当GPS不工作在RTK模式(4G信号差)，如图3(b) 所示，即GPS的定位会发生跳变，并会将跳变后的定位信息发送给地图系统，地图系统输出的车道线与车辆会产生较大的相对位置误差，其中位置1是本车的真实位置，位置2是GPS定位出的本车的位置，如果基于该方式识别的车道线与车辆相对位置进行横向车道保持控制，本车将修正横向位置偏差d，控制车辆向左侧偏移，那么本车将与左后方车辆发生碰撞。

进一步地，同样以摄像头为例，如图4(a)所示，在摄像头经过精确标定并且探测车道线置信度较高时，输出的车道线与实际车道线重合较好，误差<±10厘米。该探测车道线方式在笔直道路表现较好，纵向100m内车道识别精度高于采用GPS的车道识别精度。但在弯曲道路上，如图4(b)所示摄像头的车道识别距离变短，L1和R1输出前方60米的车道线，车辆前方 45米以内车道线与实际车道线重合较好，45米以外车道线与实际车道线存在较大的偏差，最大偏差达到d，如果将距离偏差d作为本车横向车道保持的控制量，车辆将偏向左侧行驶，那么本车将与左后方车辆发生碰撞。

据此，更进一步地，本发明实施例中根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度进行两种车道线的有效性验证和比例因子确定具体可包括以下八种情形：

1)在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性高于所述高精度地图信息，确定K2大于K1。

此场景下，定位系统和视觉传感器所获取的车道线信息都是有效的，但由于是笔直道路，视觉传感器(本发明实施例中的场景中以摄像头为例)探测车道线方式在笔直道路表现较好，纵向100m内车道识别精度高于采用 GPS的车道识别精度，从而可确定K2大于K1。优选地，K2＝0.7，K1＝0.3。

2)在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0。

此场景下，视觉传感器的置信度较低，从而判定其采集的车道线的图像信息无效，选取基于定位系统采集的车道线的高精度地图信息来完成车道线识别。

3)在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1。

此场景下，例如GPS工作在非RTX模式，从而判定其采集的车道线的高精度地图信息无效，选取基于视觉传感器采集的车道线的图像信息来完成车道线识别。

4)在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0，K2＝0。

此场景下，基于定位系统采集的车道线的高精度地图信息和无效基于视觉传感器采集的车道线的图像信息都无效，从而都不适于完成车道线识别，而无法完成车道线识别会影响自动驾驶车辆的正常行驶，因此应采取一些其他的措施来保证驾驶安全，例如控制车辆减速并进行提醒。其中，控制车辆减速主要表现为控制车辆的纵向速度进行减速或停车，而所述进行提醒具体表现为警示驾驶员接管驾驶。

5)在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性低于所述高精度地图信息，确定K1大于K2。

此场景下，定位系统和视觉传感器所获取的车道线信息都是有效的，但由于是弯曲道路，参考图4(b)，视觉传感器(如摄像头)所能探测到有效距离较短，而GPS在弯曲道路上的表现要更好，从而可确定K2大于K1。优选地，K2＝0.3，K1＝0.7。

6)在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0。

此场景下，视觉传感器的置信度较低，且是弯曲道路，从而判定其采集的车道线的图像信息无效，选取基于定位系统采集的车道线的高精度地图信息来完成车道线识别。

7)在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1。

此场景下，例如GPS工作在非RTX模式，从而判定其采集的车道线的高精度地图信息无效。由于弯曲道路，视觉传感器所能探测到有效距离较短，但其相对于此场景下的GPS，车道线识别的精度还是更高，因此选取基于视觉传感器采集的车道线的图像信息来完成车道线识别。在此，需特别说明的是，因为视觉传感器在弯曲道路上的有效探测距离较短，从而此场景下车辆不宜保持最高速度，应控制车辆减速以保证安全。

8)在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0，K2＝0；

此场景下，基于定位系统采集的车道线的高精度地图信息和基于视觉传感器采集的车道线的图像信息都无效，类似于上述的第4)点，应控制车辆减速并进行提醒。

需说明的是，对于上述八种情形，除第4)、7)和8)之外的其他场景中，可控制车辆的纵向速度保持最高速度。

以GPS和预设精度为0.9的摄像头为例，表1示出了应用本发明实施例的车道线识别方法的比例因子配置情况。

表1

道路属性	GPS状态	摄像头状态	纵向速度	比例因子
					笔直道路	RTK模式	置信度>0.9	最高速度	K1＝0.3，K2＝0.7
笔直道路	RTK模式	置信度<0.9	最高速度	K1＝1，K2＝0
					笔直道路	非RTK模式	置信度>0.9	最高速度	K1＝0，K2＝1
笔直道路	非RTK模式	置信度<0.9	减速-停车	K1＝0，K2＝0
					弯曲道路	RTK模式	置信度>0.9	最高速度	K1＝0.7，K2＝0.3
弯曲道路	RTK模式	置信度<0.9	最高速度	K1＝1，K2＝0
					弯曲道路	非RTK模式	置信度>0.9	减速	K1＝0，K2＝1
弯曲道路	非RTK模式	置信度<0.9	减速-停车	K1＝0，K2＝0

综上所述，本发明实施例的车道线识别方法对针对车道线的高精度地图信息和图像信息进行了融合，并通过对两者的有效性验证提出了一种简单、适应性强的车道线识别方程，其与滤波算法(扩展卡尔曼滤波算法、粒子滤波算法等)、预估算法相比，不再需要反复迭代的计算过程，节约了计算时间，从而具有更高的实时性和通用性。另外，本发明实施例的车道线识别方法结合道路属性信息、定位系统的工作模式及视觉传感器的置信度来进行针对车道线的高精度地图信息和图像信息的数据融合，提高了车道线数据融合精度，从而提高了自动驾驶系统性能，增强了如车道保持、自主换道等功能，且适用于弯曲道路及笔直道路下自动驾驶系统尤其是结构化道路下自动驾驶系统。此外，在视觉传感器的图像信息和定位系统的高精度地图信息中的一者丢失的情况下，可依赖于另外一者来实现车道保持功能，并给予充足的时间进行人为接管，保证驾驶员低速跛行回家，实现了某一传感器失效系统仍可运行的功能安全需求。

图5是本发明实施例的一种车道线识别系统的布置示意图，该车道线识别系统与上述实施例的车道线识别方法基于相同的发明思路。如图5所示，所述车道线识别系统包括：

第一控制单元510，包括设置在车辆上的定位系统，用于获取并输出车道线的高精度地图信息；

第二控制单元520，包括设置在车辆上的视觉传感器，用于采集并输出所述车道线的图像信息；以及

第三控制单元530，与所述第一控制单元510及第二控制单元520电性连接，用于融合所述车道线的所述高精度地图信息和所述图像信息以得到车道线识别方程Lane＝K1*Lane1+K2*Lane2，其中，Lane表示待识别的车道线， Lane1表示所述车道线的所述高精度地图信息，Lane2表示所述车道线的所述图像信息，K1和K2分别为两个比例因子。

并且，所述第三控制单元530还用于对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子，且在优选的实施例中包括：根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

其中，根据所述当前道路属性是笔直道路或者弯曲道路、根据所述定位系统工作在无遮挡模式或有遮挡模式、以及根据所述视觉传感器的置信度是否低于预设精度来对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

其中，判断所述当前道路属性主要是判断本车处于笔直道路或者弯曲道路；判断所述定位系统的工作模式主要是判断所述定位系统工作在无遮挡模式或有遮挡模式；判断所述视觉传感器的置信度主要是判断所述视觉传感器的置信度是否低于预设精度。进一步地，根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证及进行比例因子确定所涉及的八种场景与上述关于车道线识别方法的实施例相同，并在此不再赘述。

图6是本发明实施例的车道线识别系统的功能结构示意图。如图6所示，所述第一控制单元510可包括定位系统511和地图系统512，所述定位系统 511又可进一步包括GPS、通讯模块(例如2G/3G/4G模块)和陀螺仪传感器，其中GPS用于对本车位置进行定位，以获取本车在大地坐标系下的经纬度信息，通讯模块例如通过4G信号强弱判断GSP是否处于RTX模式以进一步确定定位系统511是否处于无遮挡模式，陀螺仪传感器则用于检测车辆姿态、航向角信息等，并使定位系统511输出的本车在大地坐标系下的经纬度信息中包括有车辆姿态信息、航向角信息等。

定位系统511可通过固定连接线与地图系统512电性连接，以将本车在大地坐标系下的经纬度信息发送给地图系统512。地图系统512可包括高精度地图HDMap存储单元和数据运算处理单元，所述HDMap存储单元用于预先存储高精度地图，所述数据运算处理单元则用于结合高精度地图对从 GPS接收的信息进行处理以输出高精度地图提供的车道线信息。具体地，所述数据运算处理单元首先输出自动驾驶车辆前后方道路引导线点数据，该引导线点数据是地图系统512根据车辆前方200米后方80m的道路曲率随机生成的序列点，为了生成等间距的序列点，首先对高精度地图道路引导线点数据进行拟合处理生成车道线拟合曲线，其次对拟合曲线进行等间距离散处理获得处理后的高精度地图离散数据点，为了保证有效性验证的坐标统一，将处理后离散序列点由大地坐标转换到自动驾驶车辆车体坐标系，从而得到最终输出至第三控制单元530的高精度地图提供的车道线信息，该车道线信息可以包括本车前方200米后方80m范围内高精度地图车道线离散点经纬度 (经纬度以地心为原点)、离散点航向角(以正北方向为0°顺时针为证)、车道线类型、车道类型、车道宽度、车道数量、道路边界等信息。

再次参考图6，第二控制单元520可以包括视觉传感器和图像处理单元，其中视觉传感器用于捕捉本车所行驶车道的左右两侧车道线图像，图像处理单元则用于处理该视觉传感器所捕捉的图像以输出符合要求的车道线信息，例如进行了分类的车道、车辆、行人等信息。具体地，图像处理单元输出车道线信息包括：首先将车道线进行等间距离散，然后，为了保证有效性验证的坐标统一，将处理后离散序列点由摄像头坐标转换到自动驾驶车辆车体坐标系。

第一控制单元510和第二控制单元520探测的相同属性的车道线信息可以在第三控制单元530中进行有效性验证以实现相互融合，其中第一控制单元可通过UDP(UserDatagram Protocol，用户数据报协议)通讯方式将车道线的高精度地图信息输出至第三控制单元530，第二控制单元520可以通过 CAN通讯方式将车道线的图像信息输出至第三控制单元530。其中，第三控制单元530为常规控制器，例如为CPU及存储器构成的控制器，其中所述存储器可以是只读存储器(ROM，Read-Only Memory)、随机存取存储器 (RAM，RandomAccess Memory)、闪存(Flash Memory)等。另外，关于第三控制单元530进行有效性验证及车道线识别中的比例因子确定的过程如上所述，在此则不再赘述。

需说明的是，本发明实施例的车道线识别系统的其他实施细节及有益效果可参考上述关于车道线识别方法的实施例，在此则不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，例如适应性改变步骤的执行顺序以及调节功能模块间的连接关系，均应包含在本发明的保护范围之内。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

此外，本发明实施例的各种不同的实施例之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种车道线识别方法，其特征在于，所述车道线识别方法包括：

通过设置在车辆上的定位系统获取并输出车道线的高精度地图信息Lane1；

通过设置在车辆上的视觉传感器采集并输出所述车道线的图像信息Lane2；

融合所述车道线的所述高精度地图信息Lane1和所述图像信息Lane2以得到车道线识别方程Lane＝K1*Lane1+K2*Lane2，其中，Lane表示待识别的车道线，K1和K2分别为两个比例因子；以及

对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

2.根据权利要求1所述的车道线识别方法，其特征在于，所述对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：

根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

3.根据权利要求1或2的车道线识别方法，其特征在于，所述根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：

根据所述当前道路属性是笔直道路或者弯曲道路、根据所述定位系统工作在无遮挡模式或有遮挡模式、以及根据所述视觉传感器的置信度是否低于预设精度来对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

4.根据权利要求1至3中任意一项所述的车道线识别方法，其特征在于，所述根据所述当前道路属性是笔直道路或者弯曲道路、根据所述定位系统工作在无遮挡模式或有遮挡模式、以及根据所述视觉传感器的置信度是否低于预设精度来对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：

在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性高于所述高精度地图信息，确定K2大于K1；

在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0；

在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1；

在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0，K2＝0；

在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性低于所述高精度地图信息，确定K1大于K2；

在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0；

在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1；以及

在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0，K2＝0。

5.根据权利要求1至4中任意一项所述的车道线识别方法，其特征在于，所述车道线识别方法还包括：

在所述高精度地图信息及所述图像信息都无效的情况下，控制车辆减速并进行提醒。

6.一种车道线识别系统，其特征在于，所述车道线识别系统包括：

第一控制单元，包括设置在车辆上的定位系统，用于获取并输出车道线的高精度地图信息Lane1；

第二控制单元，包括设置在车辆上的视觉传感器，用于采集并输出所述车道线的图像信息Lane2；以及

第三控制单元，与所述第一控制单元及第二控制单元电性连接，用于融合所述车道线的所述高精度地图信息和所述图像信息以得到车道线识别方程Lane＝K1*Lane1+K2*Lane2；

其中，Lane表示待识别的车道线，K1和K2分别为两个比例因子；并且

所述第三控制单元还用于对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

7.根据权利要求6所述的车道线识别系统，其特征在于，所述第三控制单元还用于对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：

根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

8.根据权利要求6或7的车道线识别系统，其特征在于，所述第三控制单元还用于根据当前道路属性、所述定位系统的工作模式及所述视觉传感器的置信度对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：

根据所述当前道路属性是笔直道路或者弯曲道路、根据所述定位系统工作在无遮挡模式或有遮挡模式、以及根据所述视觉传感器的置信度是否低于预设精度来对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子。

9.根据权利要求6至8中任意一项所述的车道线识别系统，其特征在于，所述第三控制单元还用于根据所述当前道路属性是笔直道路或者弯曲道路、根据所述定位系统工作在无遮挡模式或有遮挡模式、以及根据所述视觉传感器的置信度是否低于预设精度来对所述高精度地图信息和所述图像信息进行有效性验证，并根据所述有效性验证的结果确定所述两个比例因子包括：

在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性高于所述高精度地图信息，确定K2大于K1；

在所述当前道路属性是笔直道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0；

在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1；

在所述当前道路属性是笔直道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0，K2＝0；

在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述图像信息的有效性低于所述高精度地图信息，确定K1大于K2；

在所述当前道路属性是弯曲道路、所述定位系统工作在无遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息有效而所述图像信息无效，确定K1＝1，K2＝0；

在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度等于或高于预设精度的情况下，所述高精度地图信息无效而所述图像信息有效，确定K1＝0，K2＝1；以及

在所述当前道路属性是弯曲道路、所述定位系统工作在有遮挡模式、所述视觉传感器的置信度低于预设精度的情况下，所述高精度地图信息及所述图像信息都无效，确定K1＝0，K2＝0。

10.根据权利要求9所述的车道线识别系统，其特征在于，在所述高精度地图信息及所述图像信息都无效的情况下，所述第三控制单元还用于控制车辆减速并进行提醒。

Images