CN111814651B - 车道线的生成方法、装置和设备 - Google Patents

Abstract

本申请公开了一种车道线的生成方法、装置和设备，涉及智能交通技术领域。在生成车道线时，可以根据包括待处理道路的道路图像对应的反射值底图确定待处理道路中包括的每一个车道线端点的位置；再针对每一个车道线端点，将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，自动预测得到与车道线端点关联的至少一个连接点的位置；这样就可以根据车道线端点的位置和至少一个连接点的位置，生成以车道线端点为起始点的一条矢量化的车道线，从而生成待处理道路中的矢量化的车道线，避免了因车道线存在不连续的现象而导致后续再通过人工方式进行车道线的连接，从而降低了车道线生成过程中的复杂度，提高了车道线的生成效率。

Description

车道线的生成方法、装置和设备

技术领域

本申请涉及数据处理技术领域，尤其涉及智能交通技术领域。

背景技术

高精地图是自动驾驶时代不可或缺的基础设施，车道线作为高精地图的基础要素，在高精地图生成过程中是转关重要的。

现有技术，在生成车道线时，先将获取的道路图像输入至语义分割网络中，并基于语义分割网络的方法生成车道线。但是由于道路图像中的车道线存在磨损或者被遮挡等情况，使得基于语义分割网络生成的车道线存在不连续的现象，后续还需要再通过人工方式进行车道线的连接，才能生成车道线。

因此，采用现有的车道线生成方法，生成过程比较复杂，导致车道线的生成效率较低。

发明内容

本申请实施例提供了一种车道线的生成方法、装置和设备，在生成车道线时，降低了生成过程的复杂度，从而提高了车道线的生成效率。

第一方面，本申请实施例提供了一种车道线的生成方法，该车道线的生成方法可以包括：

获取道路图像对应的反射值底图；其中，所述道路图像中包括待处理道路。

根据所述反射值底图，确定所述待处理道路中包括的每一个车道线端点的位置。

针对每一个车道线端点，将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型，得到与所述车道线端点关联的至少一个连接点的位置。

根据所述车道线端点的位置和所述至少一个连接点的位置，生成所述车道线端点对应的矢量化的目标车道线。

第二方面，本申请实施例提供了一种车道线的生成装置，该车道线的生成装置可以包括：

获取模块，用于获取道路图像对应的反射值底图；其中，所述道路图像中包括待处理道路。

处理模块，用于根据所述反射值底图，确定所述待处理道路中包括的每一个车道线端点的位置；针对每一个车道线端点，将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型，得到与所述车道线端点关联的至少一个连接点的位置。

生成模块，用于根据所述车道线端点的位置和所述至少一个连接点的位置，生成所述车道线端点对应的矢量化的目标车道线。

第三方面，本申请实施例提供了一种电子设备，该电子设备可以包括：

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上述第一方面所述的车道线的生成方法。

第四方面，本申请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，所述计算机指令用于使所述计算机执行上述第一方面所述的车道线的生成方法。

第五方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行上述第一方面所述的车道线的生成方法。

根据本申请的技术方案，在生成车道线时，可以根据包括待处理道路的道路图像对应的反射值底图确定待处理道路中包括的每一个车道线端点的位置；再针对每一个车道线端点，将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，自动预测得到与车道线端点关联的至少一个连接点的位置；这样就可以根据车道线端点的位置和至少一个连接点的位置，得到以车道线端点为起始点的一条矢量化的车道线，从而生成待处理道路中的矢量化的车道线，避免了因车道线存在不连续的现象而导致后续再通过人工方式进行车道线的连接，从而降低了车道线生成过程中的复杂度，提高了车道线的生成效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

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是可以实现本申请实施例的车道线的生成方法的一种场景图；

图2是根据本申请第一实施例提供的车道线的生成方法的流程示意图；

图3为本申请第一实施例提供的包括车道线端点的待处理道路的示意图；

图4为本申请第一实施例提供的包括车道线端点1和与该车道线端点1关联的至少一个连接点的示意图；

图5为本申请第一实施例提供的车道线端点1对应的矢量化的目标车道线的示意图；

图6为本申请第一实施例提供的待处理道路中包括的三条车道线的示意图；

图7是根据本申请第三实施例提供的车道线的生成装置的结构示意图；

图8是根据本申请实施例的车道线的生成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。

在本申请的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本申请的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。

本申请实施例提供的车道线的生成方法可以应用于矢量车道线构建的场景中，示例的，请参见图1所示，图1是可以实现本申请实施例的车道线的生成方法的一种场景图，在构建道路中的车道线时，是基于语义分割网络的方法生成车道线，但由于包括该道路的道路图像中的车道线存在磨损或者被遮挡等情况，使得基于语义分割网络生成的车道线存在不连续的现象，后续还需要再通过人工方式进行车道线的连接，才能生成车道线，生成过程比较复杂，导致车道线的生成效率较低。

为了降低车道线生成过程中的复杂度，以提高车道线的生成效率，可以尝试对道路图像中的车道线存在磨损或者被遮挡的情况进行处理，避免基于语义分割网络生成的车道线存在不连续的现象，这样后续无需再通过人工方式进行车道线的连接，以降低车道线生成过程中的复杂度。但是，在现有的方案中，在生成车道线时，还没有一种合适的方法可以对道路图像中的车道线存在磨损或者被遮挡的情况进行处理，因此，通过该种尝试，仍然无法降低车道线生成过程中的复杂度。

基于此，经过长期创造性劳动，本申请实施例提供了一种车道线的生成方法，可以先获取包括待处理道路的道路图像对应的反射值底图，并根据反射值底图，确定待处理道路中包括的每一个车道线端点的位置；再针对每一个车道线端点，将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，得到与车道线端点关联的至少一个连接点的位置；这样就可以根据车道线端点的位置和至少一个连接点的位置，生成车道线端点对应的矢量化的目标车道线，从而生成待处理道路中的矢量化的车道线。

可以看出，本申请实施例提供的车道线的生成方法，与现有技术相比，不再是基于语义分割网络获取车道线，而是在通过包括待处理道路的道路图像对应的反射值底图，确定待处理道路中包括的每一个车道线端点的位置后，针对每一个车道线端点，可以通过第一预测模型自动预测得到与车道线端点关联的至少一个连接点的位置；这样就可以根据车道线端点的位置和至少一个连接点的位置，生成以车道线端点为起始点的一条矢量化的车道线，从而生成待处理道路中的矢量化的车道线，避免了因车道线存在不连续的现象而导致后续再通过人工方式进行车道线的连接，从而降低了车道线生成过程中的复杂度，提高了车道线的生成效率。

此外，在本申请实施例中，在获取矢量车道线时，针对每一个车道线端点，是通过第一预测模型自动预测得到与车道线端点关联的至少一个连接点的位置，考虑到了点与点之间的关系，与现有技术中基于语义分割网络获取车道线时并没有考虑到点与点的方案相比，进一步提高了获取到的车道线的准确度。

在详细介绍本申请实施例提供的技术方案之前，先解释一下本申请实施例中涉及到的几个概念，以便于理解本申请实施例提供的车道线的生成方法的技术方案。

点云数据：现有技术中多采用激光扫描的方式，获取环境的点云数据；当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成物体的激光点云数据。点云数据是在目标表面特性的海量点云的集合。

反射值底图：根据激光测量原理得到的点云，包括三维坐标(XYZ)和激光反射信息；根据摄影测量原理得到的点云，包括三维坐标(XYZ)；结合激光测量和摄影测量原理得到点云，包括三维坐标(XYZ)和激光反射信息。按照点云中的反射信息表示点云数据，即可获取点云数据对应的反射值底图。

下面，将通过具体的实施例对本申请提供的车道线的生成方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

实施例一

图2是根据本申请第一实施例提供的车道线的生成方法的流程示意图，该车道线的生成方法可以由软件和/或硬件装置执行，例如，该硬件装置可以为车道线的生成装置，该车道线的生成装置可以设置在电子设备中。示例的，请参见图2所示，该车道线的生成方法可以包括：

S201、获取道路图像对应的反射值底图。

其中，道路图像中包括待处理道路。

示例的，在获取道路图像对应的反射值底图时，可以接收其它设备发送的道路图像对应的反射值地图；也可以先获取道路图像对应的点云图像；并对点云图像进行转换处理，得到反射值底图；当然，也可以通过其它方式获取道路图像对应的反射值底图，具体可以根据实际需要进行设置，在此，对于如何获取道路图像对应的反射值底图，本申请实施例不做进一步地限制。

S202、根据反射值底图，确定待处理道路中包括的每一个车道线端点的位置。

可以理解的是，在本申请实施例中，根据反射值底图确定的车道线端点的位置不是某一条车道线端点的位置，而是该待处理道路中包括的每一个车道线端点的位置。

示例的，在根据反射值底图，确定待处理道路中包括的每一个车道线端点的位置时，可以将反射值底图输入至第二预测模型，得到待处理道路中包括的每一个车道线端点的位置；也可以通过其它方式，确定待处理道路中包括的每一个车道线端点的位置，在此，本申请实施例是以将反射值底图输入至第二预测模型，得到待处理道路中包括的每一个车道线端点的位置为例进行说明，但并不代表本申请实施例仅局限于此。

其中，第二预测模型主要用于预测待处理道路中包括的每一个车道线端点的位置，实现了车道线端点的位置的自动预测。示例的，第二预测模型为采用多组第二样本数据对初始深度神经网络模型进行训练得到；其中，每一组第二样本数据包括样本反射值底图以及样本反射值底中包括的车道线端点的位置。

在通过上述S201得到反射值底图之后，可以将反射值底图输入至第二预测模型，并通过第二预测模型预测得到待处理道路中包括的每一个车道线端点的位置，示例的，请参见图3所示，图3为本申请第一实施例提供的包括车道线端点的待处理道路的示意图，可以看出，通过第二预测模型预测该待处理道路中包括三个车道线端点，该三个车道线端点分别为车道线端点1、车道线端点2以及车道线端点3。当待处理道路中包括车道线端点1、车道线端点2以及车道线端点3三个车道线端点时，说明待处理道路中可能包括三条车道线，该三条车道线的起始点分别为车道线端点1、车道线端点2以及车道线端点3。

在生成分别以车道线端点1、车道线端点2以及车道线端点3这三个车道线端点为起始点的三条车道线时，由于每一条车道线的生成方法类似，因此，以其中任意一条车道线的生成方法为例，假设该条车道线是以车道线端点1为起始点的车道线，可以将车道线端点1所在区域的反射值底图和车道线端点1的位置输入至第一预测模型，得到与车道线端点1关联的至少一个连接点的位置，即执行下述S203：

S203、针对每一个车道线端点，将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，得到与车道线端点关联的至少一个连接点的位置。

其中，车道线端点所在区域的反射值底图为道路图像对应的反射值底图中的部分反射值底图。

示例的，第一预测模型为采用多组第一样本数据对初始深度神经网络模型进行训练得到，该第一预测模型主要用于预测与车道线端点关联的至少一个连接点的位置，实现了连接点位置的自动预测。其中，每一组第一样本数据包括样本车道线端点所在区域的反射值底图、样本车道线端点的位置以及与样本车道线端点关联的下一个连接点的位置。

结合上述S202中的描述，在生成以车道线端点1为起始点的车道线时，可以将车道线端点1所在区域的反射值底图和车道线端点1的位置输入至第一预测模型，这样可以根据第一预测模型预测得到与该车道线端点1关联的至少一个连接点的位置。示例的，请参见图4所示，图4为本申请第一实施例提供的包括车道线端点1和与该车道线端点1关联的至少一个连接点的示意图，可以看出，与车道线端点1关联的连接点有5个，该5个连接点分别为连接点1、连接点2、连接点3、连接点4以及连接点5。

在根据第一预测预测得到与该车道线端点1关联的5个连接点的位置之后，就可以根据该车道线端点1的位置和5个连接点的位置，生成以车道线端点1为起始点的车道线。

S204、根据车道线端点的位置和至少一个连接点的位置，生成车道线端点对应的矢量化的目标车道线。

示例的，根据车道线端点的位置和至少一个连接点的位置，得到车道线端点对应的矢量化的目标车道线时，可以根据车道线端点的位置和至少一个连接点的位置，依次连接车道线端点和至少一个连接点，从而生成车道线端点对应的矢量化的目标车道线。

结合上述图4所示，在根据第一预测预测得到与该车道线端点1关联的5个连接点的位置之后，可以根据该车道线端点1的位置和5个连接点的位置，依次连接车道线端点1和5个连接点，就可以生成车道线端点1对应的矢量化的目标车道线。示例的，请参见图5所示，图5为本申请第一实施例提供的车道线端点1对应的矢量化的目标车道线的示意图。在生成车道线端点1对应的矢量化的目标车道线之后，可以再生成车道线端点2和车道线端点3分别对应的矢量化的目标车道线，示例的，请参见图6所示，图6为本申请第一实施例提供的待处理道路中包括的三条车道线的示意图。可以理解的是，在生成车道线端点2和车道线端点3分别对应的矢量化的目标车道线时，其生成方法与车道线端点1对应的矢量化的目标车道线的生成方法类似，可参见上述车道线端点1对应的矢量化的目标车道线的生成方法的相关描述，在此，本申请实施例不再进行赘述。

由此可见，本申请实施例提供的车道线的生成方法，在生成车道线时，可以先根据包括待处理道路的道路图像对应的反射值底图确定待处理道路中包括的每一个车道线端点的位置；再针对每一个车道线端点，将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，自动预测得到与车道线端点关联的至少一个连接点的位置；这样就可以根据车道线端点的位置和至少一个连接点的位置，生成以车道线端点为起始点的一条矢量化的车道线，从而生成待处理道路中的矢量化的车道线，避免了因车道线存在不连续的现象而导致后续再通过人工方式进行车道线的连接，从而降低了车道线生成过程中的复杂度，提高了车道线的生成效率。

为了便于理解上述S203和S204中，将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，得到与车道线端点关联的至少一个连接点的位置；并根据车道线端点的位置和至少一个连接点的位置，生成车道线端点对应的矢量化的目标车道线。下面，将通过实施例二对如何得到与车道线端点关联的至少一个连接点的位置以及根据车道线端点的位置和至少一个连接点的位置，得到车道线端点对应的矢量化的目标车道线进行详细地说明。

实施例二

在上述S203中，将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，得到与车道线端点关联的至少一个连接点的位置，可以通过重复执行下述步骤A和步骤B得到：

步骤A：将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，得到与车道线端点关联的第一连接点的位置。

步骤B：将第一连接点作为新的车道线端点，并重复执行步骤A-步骤B，直至不存在与车道线端点关联的连接点。

在重复执行步骤A-步骤B时，若不存在与车道线端点关联的连接点，则停止执行步骤A-步骤B，这样可以通过第一预测模型自动预测得到与车道线端点关联的至少一个连接点的位置。在通过第一预测模型自动预测得到与车道线端点关联的至少一个连接点的位置后，就可以根据车道线端点的位置和至少一个连接点的位置，生成以车道线端点为起始点的一条矢量化的车道线，从而生成待处理道路中的矢量化的车道线，避免了因车道线存在不连续的现象而导致后续再通过人工方式进行车道线的连接，从而降低了车道线生成过程中的复杂度，提高了车道线的生成效率。

结合上述图4所示，在得到与车道线端点1关联的至少一个连接点的位置时，可以先将车道线端点1所在区域的反射值底图和车道线端点1的位置输入至第一预测模型，通过该第一预测模型预测得到与车道线端点关联的第一连接点，即连接点1的位置；将连接点1作为新的车道线端点，将连接点1所在区域的反射值底图和连接点1的位置输入至第一预测模型，通过该第一预测模型预测得到与连接点1关联的第二连接点，即连接点2的位置；将连接点2作为新的车道线端点，将连接点2所在区域的反射值底图和连接点2的位置输入至第一预测模型，得到与连接点2关联的第三连接点，即连接点3的位置；将连接点3作为新的车道线端点，将连接点3所在区域的反射值底图和连接点3的位置输入至第一预测模型，得到与连接点3关联的第四连接点，即连接点4的位置；将连接点4作为新的车道线端点，将连接点4所在区域的反射值底图和连接点4的位置输入至第一预测模型，得到与连接点4关联的第五连接点，即连接点5的位置；再将连接点5作为新的车道线端点，将连接点5所在区域的反射值底图和连接点5的位置输入至第一预测模型，若不存在与车道线端点5关联的连接点，则停止重复执行步骤A-步骤B，该连接点1、连接点2、连接点3、连接点4以及连接点5即为与车道线端点1关联的5个连接点，从而通过第一预测模型，预测得到与车道线端点1关联的5个连接点的位置。这样就可以根据车道线端点1的位置和5个连接点的位置，得到以车道线端点1为起始点的一条矢量化的车道线。

在上述S204中，在根据车道线端点的位置和至少一个连接点的位置，生成车道线端点对应的矢量化的目标车道线时，可以车道线端点的位置和至少一个连接点的位置，依次连接车道线端点和至少一个连接点，得到车道线端点对应的矢量化的车道线；由于真实道路场景中车道线通常是具有一定的长度，若得到的车道线端点对应的矢量化的车道线的长度较短，则在一定程度上可以表明该矢量化的车道线可能不是真实道路场景中车道线，因此，为了保证得到的矢量化的车道线的准确度，可以判断该车道线端点对应的矢量化的车道线的长度是否大于或者等于预设阈值，若车道线端点对应的矢量化的车道线大于或者等于预设阈值，则将矢量化的车道线确定为车道线端点对应的矢量化的目标车道线，从而提高了获取到的目标车道线的准确度。示例的，预设阈值可以根据实际需要进行设置，在此，对于预设阈值的大小，本申请实施例不做进一步地限制。

结合上述图5所示，在根据该车道线端点1的位置和5个连接点的位置，依次连接车道线端点1和5个连接点生成车道线端点1对应的矢量化的车道线之后，可以进一步判断生成的车道线端点1对应的矢量化的车道线的长度，假设车道线端点1对应的矢量化的车道线大于预设阈值，则说明该车道线端点1对应的矢量化的车道线在一定程度上是真实道路场景中车道线，因此，可以将该车道线端点1对应的矢量化的车道线确定为以车道线端点1为起始点，车道线端点1对应的矢量化的目标车道线。

实施例三

图7是根据本申请第三实施例提供的车道线的生成装置70的结构示意图，示例的，请参见图7所示，该车道线的生成装置70可以包括：

获取模块701，用于获取道路图像对应的反射值底图；其中，道路图像中包括待处理道路。

处理模块702，用于根据反射值底图，确定待处理道路中包括的每一个车道线端点的位置；针对每一个车道线端点，将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，得到与车道线端点关联的至少一个连接点的位置。

生成模块703，用于根据车道线端点的位置和至少一个连接点的位置，生成车道线端点对应的矢量化的目标车道线。

可选的，处理模块702，具体用于步骤A：将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，得到与车道线端点关联的第一连接点的位置。

步骤B：将第一连接点作为新的车道线端点，并重复执行步骤A-步骤B，直至不存在与车道线端点关联的连接点。

可选的，第一预测模型为采用多组第一样本数据对初始深度神经网络模型进行训练得到；其中，每一组第一样本数据包括样本车道线端点所在区域的反射值底图、样本车道线端点的位置以及与样本车道线端点关联的下一个连接点的位置。

可选的，处理模块702，具体用于将反射值底图输入至第二预测模型，得到待处理道路中包括的每一个车道线端点的位置。

可选的，第二预测模型为采用多组第二样本数据对初始深度神经网络模型进行训练得到；其中，每一组第二样本数据包括样本反射值底图以及样本反射值底中包括的车道线端点的位置。

可选的，生成模块703，具体用于根据车道线端点的位置和至少一个连接点的位置，依次连接车道线端点和至少一个连接点，生成车道线端点对应的矢量化的车道线；若车道线端点对应的矢量化的车道线大于或者等于预设阈值，则将矢量化的车道线确定为车道线端点对应的矢量化的目标车道线。

可选的，获取模块701，具体用于获取道路图像对应的点云图像；并对点云图像进行转换处理，得到反射值底图。

本申请实施例提供的车道线的生成装置70，可以执行上述任一实施例中的车道线的生成方法的技术方案，其实现原理以及有益效果与车道线的生成方法的实现原理及有益效果类似，可参见车道线的生成方法的实现原理及有益效果，此处不再进行赘述。

本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案，其实现原理以及有益效果与车道线的生成方法的实现原理及有益效果类似，可参见车道线的生成方法的实现原理及有益效果，此处不再进行赘述。

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8所示，图8是根据本申请实施例的车道线的生成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8所示，该电子设备包括：一个或多个处理器801、存储器802，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8中以一个处理器Y01为例。

存储器802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线的生成方法。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线的生成方法。

存储器802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线的生成方法对应的程序指令/模块(例如，附图7所示的获取模块701、处理模块702和生成模块703)。处理器801通过运行存储在存储器802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线的生成方法。

存储器802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线的生成方法的电子设备的使用所创建的数据等。此外，存储器802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802可选包括相对于处理器801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线的生成方法的电子设备。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。

车道线的生成方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。

输入装置803可接收输入的数字或字符信息，以及产生与车道线的生成方法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804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(LCD)、发光二极管(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ASIC(专用集成电路)、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(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(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(LAN)、广域网(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，在生成车道线时，可以根据包括待处理道路的道路图像对应的反射值底图确定待处理道路中包括的每一个车道线端点的位置；再针对每一个车道线端点，将车道线端点所在区域的反射值底图和车道线端点的位置输入至第一预测模型，自动预测得到与车道线端点关联的至少一个连接点的位置；这样就可以根据车道线端点的位置和至少一个连接点的位置，得到以车道线端点为起始点的一条矢量化的车道线，从而生成待处理道路中的矢量化的车道线，避免了因车道线存在不连续的现象而导致后续再通过人工方式进行车道线的连接，从而降低了车道线生成过程中的复杂度，提高了车道线的生成效率。

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 (12)

1.一种车道线的生成方法，包括：

获取道路图像对应的反射值底图；其中，所述道路图像中包括待处理道路；

将所述反射值底图输入至第二预测模型，得到所述待处理道路中包括的每一个车道线端点的位置；所述第二预测模型为采用多组第二样本数据对初始深度神经网络模型进行训练得到；其中，每一组第二样本数据包括样本反射值底图以及样本反射值底中包括的车道线端点的位置；

针对每一个车道线端点，将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型，得到与所述车道线端点关联的至少一个连接点的位置；

根据所述车道线端点的位置和所述至少一个连接点的位置，生成所述车道线端点对应的矢量化的目标车道线。

2.根据权利要求1所述的方法，其中，所述将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型，得到与所述车道线端点关联的至少一个连接点的位置，包括：

步骤A：将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型，得到与所述车道线端点关联的第一连接点的位置；

步骤B：将所述第一连接点作为新的车道线端点，并重复执行步骤A-步骤B，直至不存在与所述车道线端点关联的连接点。

3.根据权利要求1所述的方法，

所述第一预测模型为采用多组第一样本数据对初始深度神经网络模型进行训练得到；其中，每一组第一样本数据包括样本车道线端点所在区域的反射值底图、所述样本车道线端点的位置以及与所述样本车道线端点关联的下一个连接点的位置。

4.根据权利要求1-3任一项所述的方法，其中，所述根据所述车道线端点的位置和所述至少一个连接点的位置，生成所述车道线端点对应的矢量化的目标车道线，包括：

根据所述车道线端点的位置和所述至少一个连接点的位置，依次连接所述车道线端点和所述至少一个连接点，生成所述车道线端点对应的矢量化的车道线；

若所述车道线端点对应的矢量化的车道线大于或者等于预设阈值，则将所述矢量化的车道线确定为所述车道线端点对应的矢量化的目标车道线。

5.根据权利要求1-3任一项所述的方法，其中，所述获取道路图像对应的反射值底图，包括：

获取道路图像对应的点云图像；

对所述点云图像进行转换处理，得到所述反射值底图。

6.一种车道线的生成装置，包括：

获取模块，用于获取道路图像对应的反射值底图；其中，所述道路图像中包括待处理道路；

处理模块，用于将所述反射值底图输入至第二预测模型，得到所述待处理道路中包括的每一个车道线端点的位置；所述第二预测模型为采用多组第二样本数据对初始深度神经网络模型进行训练得到；其中，每一组第二样本数据包括样本反射值底图以及样本反射值底中包括的车道线端点的位置；针对每一个车道线端点，将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型，得到与所述车道线端点关联的至少一个连接点的位置；

生成模块，用于根据所述车道线端点的位置和所述至少一个连接点的位置，生成所述车道线端点对应的矢量化的目标车道线。

7.根据权利要求6所述的装置，

处理模块，具体用于步骤A：将所述车道线端点所在区域的反射值底图和所述车道线端点的位置输入至第一预测模型，得到与所述车道线端点关联的第一连接点的位置；

步骤B：将所述第一连接点作为新的车道线端点，并重复执行步骤A-步骤B，直至不存在与所述车道线端点关联的连接点。

8.根据权利要求6所述的装置，

所述第一预测模型为采用多组第一样本数据对初始深度神经网络模型进行训练得到；其中，每一组第一样本数据包括样本车道线端点所在区域的反射值底图、所述样本车道线端点的位置以及与所述样本车道线端点关联的下一个连接点的位置。

9.根据权利要求6-8任一项所述的装置，

所述生成模块，具体用于根据所述车道线端点的位置和所述至少一个连接点的位置，依次连接所述车道线端点和所述至少一个连接点，生成所述车道线端点对应的矢量化的车道线；若所述车道线端点对应的矢量化的车道线大于或者等于预设阈值，则将所述矢量化的车道线确定为所述车道线端点对应的矢量化的目标车道线。

10.根据权利要求6-8任一项所述的装置，

所述获取模块，具体用于获取道路图像对应的点云图像；并对所述点云图像进行转换处理，得到所述反射值底图。

11.一种电子设备，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1-5中任一项所述的车道线的生成方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的车道线的生成方法。