CN112418193A - 一种车道线识别方法及系统 - Google Patents

Abstract

本发明实施例提供一种车道线识别方法及系统，包括：获取每一条车道线的线形点和车辆轨迹点数据，所述每一条车道线的线形点和车辆的轨迹点数据均具有正确的点序；对于任一条车道线，提取所述任一条车道线上的多个线形点采样点；根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性；根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性。本发明实施例根据车辆的轨迹点数据，对车道线形点进行识别，能够准确识别出车道线是属于中线车道线还是边界车道线，弥补车辆在视觉感知上的缺陷。

Description

一种车道线识别方法及系统

技术领域

本发明涉及车道线识别领域，更具体地，涉及一种车道线识别方法及系统。

背景技术

现代自动驾驶系统中，高精度地图有不可替代的作用，它不仅可以弥补视觉感知的不足，还能提供车道级别的路径规划。目前高精度地图主要通过车辆采集和后期融合的方法来生产，数据采集车辆会通过车载的传感器对周围的环境信息进行视觉感知，然后将感知的信息记录下来并批量发送到云端；之后，云端会对这些数据进行处理、融合，最终得到高精度的车道线和其他交通要素。

车道线数据采集中，道路边界和道路中线的识别非常重要。它们能够帮助车辆界定行驶边界，以防车辆越界行驶，造成严重后果。由于车辆采集数据的过程中，时间、地点、天气、气候等各种因素的复杂影响，视觉感知往往存在误识别和识别缺失的情况。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种车道线识别方法及系统，能够解决车辆在视觉感知上的缺陷。

根据本发明实施例的第一方面，提供了一种车道线识别方法，包括：获取每一条车道线的线形点和车辆轨迹点数据，所述每一条车道线的线形点和车辆的轨迹点数据均具有正确的点序；对于任一条车道线，提取所述任一条车道线上的多个线形点采样点；根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性；根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性。

在上述技术方案的基础上，本发明实施例还可以作出如下改进。

可选的，所述对于任一条车道线，提取所述任一条车道线上的多个线形点采样点包括：

对于任一条车道线，从所述任一条车道线的线形点中等间距选取多个线形点作为多个采样点。

可选的，所述根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性包括：

对于任一个采样点，以所述任一个采样点为中心，搜索预设半径内的多个轨迹点作为所述任一个采样点的附近轨迹点；

根据所述任一个采样点的方向与附近轨迹点的方向，判断所述任一个采样点的中线属性、边线属性和反向属性。

可选的，所述根据所述任一个采样点的方向与附近轨迹点的方向，判断所述任一个采样点的中线属性、边线属性和反向属性包括：

计算所述任一个采样点的方向v_i和其附近的任一个轨迹点的方向v_t；

若所述任一个采样点的方向v_i和其附近的每一个轨迹点的方向v_t的乘积均小于0，则将所述任一个采样点的反向属性置1；

若所述任一个采样点的方向v_i和其附近的部分轨迹点的方向v_t的乘积小于0，与另一部分轨迹点的方向v_t的乘积大于0，则将所述任一个采样点的中线属性置1；

通过计算所述任一个采样点附近的每一个轨迹点到所述任一个采样点所属的车道线之间的有向距离，得到每一个轨迹点对应的有向距离；

若每一个轨迹点对应的有向距离均大于0或者均小于0，则将所述任一个采样点的边线属性置1。

可选的，所述根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性包括：

对于任一条车道线的多个采样点，分别计算中线属性为1的采样点的占比、边线属性为1的采样点的占比和反向属性为1的占比；

获取每一条车道线的多个采样点中中线属性为1的采样点的占比、边线属性为1的采样点的占比中的较大占比；

当所述较大占比大于第一预设阈值时，则将所述较大占比对应的属性作为所述任一条车道线对应的属性，其中，属性为中线属性为1或者边线属性为1；

若所述任一条车道线的多个采样点中反向属性为1的采样点的占比大于第二预设阈值，则所述任一条车道线的反向属性为1。

可选的，还包括：

对于反向属性为1的车道线，将所述车道线的线形点的点序反向。

可选的，所述根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性包括：

对于中线属性为1的至少一条车道线，判断所述至少一条车道线中是否存在相邻中线属性为1的车道线；

若存在，则获取任一条中线属性为1的车道线的最邻近普通车道线，将最邻近普通车道线的方向作为所述任一条中线属性为1的车道线的方向。

可选的，所述对于中线属性为1的至少一条车道线，判断所述至少一条车道线中是否存在相邻中线属性为1的车道线包括：

对于任一条中线属性为1的车道线，等间距提取多个采样点；

以任一个采样点为中心，在预设半径内搜索到其它中线属性为1的车道线，则存在相邻中线属性为1的车道线。

可选的，所述取任一条中线属性为1的车道线的最邻近普通车道线，将最邻近普通车道线的方向作为所述任一条中线属性为1的车道线的方向包括：

计算任一条中线属性为1的车道线与每一条普通车道线的有向距离，得到多个有向距离，其中，将多个有向距离中最小有向距离对应的普通车道线作为所述任一条中线属性为1的车道线的最邻近普通车道线；

将所述任一条中线属性为1的车道线的方向调整为与最邻近普通车道线的方向一致的方向。

根据本发明实施例的第二方面，提供了一种车道线识别系统，包括：

获取模块，用于获取每一条车道线的线形点和车辆轨迹点数据，所述每一条车道线的线形点和车辆的轨迹点数据均具有正确的点序；

提取模块，用于对于任一条车道线，提取所述任一条车道线上的多个线形点采样点；

判断模块，用于根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性；

确定模块，用于根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性。

根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现车道线识别方法的步骤。

根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现车道线识别方法的步骤。

本发明实施例提供的一种车道线识别方法及系统，根据车辆的轨迹点数据，对车道线形点进行识别，能够准确识别出车道线是属于中线车道线还是边界车道线，弥补车辆在视觉感知上的缺陷。

附图说明

图1为本发明实施例提供的一种车道线识别方法流程图；

图2为双道路中线示意图；

图3为本发明实施例提供的一种车道线识别方法的整体流程图；

图4为本发明实施例提供的一种车道线识别系统结构图；

图5为本发明实施例提供的一种可能的电子设备的硬件结构示意图；

图6为本发明实施例提供的一种可能的计算机可读存储介质的硬件结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1为本发明实施例提供的一种车道线识别方法流程图，如图1所示，方法包括：101、获取每一条车道线的线形点和车辆轨迹点数据，所述每一条车道线的线形点和车辆的轨迹点数据均具有正确的点序；102、对于任一条车道线，提取所述任一条车道线上的多个线形点采样点；103、根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性；104、根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性。

可以理解的是，由于车辆采集数据的过程中，时间、地点、天气等各种因素的复杂影响，视觉感知往往存在误识别和识别缺失的情况。

基于此，本发明实施例为了弥补车辆在视觉感知上的缺陷（错误和缺失），需要在云端对大量数据进行分析，从而得到准确的道路边界和中线信息，提出了一种能够准确识别道路边界线和中线信息的方法，在车辆采集信息覆盖全面的情况下（众包采集策略下，通常能满足），能够较为准确的得到车道线的中边线信息，经过验证，算法在测试数据上有效，而且性能较好。

首先，获取每一条车道线的线形点和车辆轨迹点数据，其中，车道线的线形点和对应的轨迹数据完整，而且车辆需要按照正常的交通规则行驶，车道线的线形点和车辆的轨迹点数据均是按照时序进行排序的。

对于任一条车道线，提取该车道线上的多个线形点作为该车道线的多个采样点。根据每一个采样点的坐标信息和采样点附近的轨迹点数据，判断每一个采样点的多个属性，其中，包括中线属性、边线属性和反向属性。根据每一条车道线上的每一个采样点的属性，确定该条车道线的属性，即判断该车道线是属于中线还是边线，以及该车道线是否反向。

本发明实施例根据车辆的轨迹点数据，对车道线形点进行识别，能够准确识别出车道线是属于中线车道线还是边界车道线，弥补车辆在视觉感知上的缺陷。

在一种可能的实施例方式中，对于任一条车道线，提取任一条车道线上的多个线形点采样点包括：对于任一条车道线，从所述任一条车道线的线形点中等间距选取多个线形点作为多个采样点。

可以理解的是，在任一条车道线上选取多个线形点作为多个采样点时，可以等间距选取车道线上的多个线形点，比如，N个线形点作为N个采样点，这样可以整条车道线计算的数据量。

在一种可能的实施例方式中，所述根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性包括：对于任一个采样点，以任一个采样点为中心，搜索预设半径内的多个轨迹点作为所述任一个采样点的附近轨迹点；根据所述任一个采样点的方向与附近轨迹点的方向，判断任一个采样点的中线属性、边线属性和反向属性。

可以理解的是，获取的每一条车道线的线形点和对应的车辆轨迹点的数据，其中，车道线的线形点主要包括每一个线形点的二维平面坐标（x，y）和高程坐标（z）、对应的车道线的标识line_id,轨迹点数据主要每一个轨迹点的二维平面坐标(x_t，y_t)和高程坐标（z_t）。

根据每一个车道线形点的坐标，可计算每一个采样点处的方向，具体的，可根据当前采样点和下一个线形点的坐标，计算得到当前采样点的方向；同样，可根据当前轨迹点和下一个轨迹点的坐标，计算得到当前轨迹点的方向，这样就计算出了每一个采样点的方向和每一个轨迹点的方向。

在判断每一个采样点的属性时，对于任一个采样点，以该采样点为中心，按照一定的半径搜索周围的轨迹点，搜索到该采样点附近的多个轨迹点，从中选取与该采样点的高程相同的多个轨迹点，作为该采样点附近的多个轨迹点。根据该采样点的方向和附近多个轨迹点的方向，判断该采样点的中线属性、边线属性和反向属性。

在一种可能的实施例方式中，根据任一个采样点的方向与附近轨迹点的方向，判断任一个采样点的中线属性、边线属性和反向属性包括：计算任一个采样点的方向v_i和其附近的任一个轨迹点的方向v_t；若所述任一个采样点的方向v_i和其附近的每一个轨迹点的方向v_t的乘积均小于0，则将所述任一个采样点的反向属性置1；若所述任一个采样点的方向v_i和其附近的部分轨迹点的方向v_t的乘积小于0，与另一部分轨迹点的方向v_t的乘积大于0，则将所述任一个采样点的中线属性置1；通过计算所述任一个采样点附近的每一个轨迹点到所述任一个采样点所属的车道线之间的有向距离，得到每一个轨迹点对应的有向距离；若每一个轨迹点对应的有向距离均大于0或者均小于0，则将所述任一个采样点的边线属性置1。

可以理解的是，对于任一个采样点，能够搜索到附近的多个轨迹点，比如，对于某 一个采样点，搜索到的附近的轨迹点有15个。设采样点的方向为v_i，15个轨迹点的方向为v_t， 其中，t=1，...，15。分别计算

，得到15个数值，如果15个数值均小于0，则该采样点的反 向属性为1，也就是该采样点的点序需要反向。如果15个数值中有一部分大于0，还有一部分 小于0，则表明该采样点附近的轨迹点的方向有上行也有下行，则该采样点的中线属性为1。

计算该采样点周围的每一个轨迹点到该采样点所在的车道线的有向距离，如果每一个轨迹点到车道线的有向距离均大于0或者均小于0，则该采样点的边线属性为1。

其中，可以为车道线的每一个线形点设置三个字段，分别为bitag, sidetag和revtag字段，其中，bitag字段表示中线属性，sidetag字段表示中线属性，revtag字段表示反向属性，可以根据上述的判断，分别对每一个采样点的三个字段赋值。

在一种可能的实施例方式中，所述根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性包括：对于任一条车道线的多个采样点，分别计算中线属性为1的采样点的占比、边线属性为1的采样点的占比和反向属性为1的占比；获取每一条车道线的多个采样点中中线属性为1的采样点的占比、边线属性为1的采样点的占比中的较大占比；当所述较大占比大于第一预设阈值时，则将所述较大占比对应的属性作为所述任一条车道线对应的属性，其中，属性为中线属性为1或者边线属性为1；若所述任一条车道线的多个采样点中反向属性为1的采样点的占比大于第二预设阈值，则所述任一条车道线的反向属性为1。

可以理解的是，上述判断出了每一个采样点的三个属性后，对于每一个属性，计算属性为1的采样点占所有采样点的比例，来确定各个属性。可按如下公式计算所有采样点中各种属性的比例：

其中，如果第i个采样点被判定的中线属性为1，则sidei为1，否则，sidei为0；同理，

与其类似。根据上述公式分别计算

、

和

，如果

大于0.5，则对应 车道线的边线属性为1，即该车道线为边线车道线；同样的，如果

大于0.5，则对应的车 道线的中线属性为1，也即该车道线为中线车道线。如果

大于0.8，则对应的车道线的反 向属性为1，则需对该车道线的线形点的点序进行调整。

对每一个车道线进行相同的判断处理，即可识别车每一条车道线的属性，即每一条车道线属于中线还是边线，以及每一条车道线的反向属性。

在一种可能的实施例方式中，根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性包括：对于中线属性为1的至少一条车道线，判断所述至少一条车道线中是否存在相邻中线属性为1的车道线；若存在，则获取任一条中线属性为1的车道线的最邻近普通车道线，将最邻近普通车道线的方向作为所述任一条中线属性为1的车道线的方向。

可以理解的是，上述判断识别出每一条车道线的属性，现对所有标记为道路中线的车道线进一步处理，以解决道路中存在相邻中线时的方向错误问题。

首先，判断是否存在相邻的两条中线车道线，如果存在，然后对任一条中线车道线，找到该条中线车道线的最邻近普通车道线，将该条中线车道线的方向调整为与其最邻近普通车道线的方向一致。如果不存在两条相邻的中线车道线，则不作处理。

在一种可能的实施例方式中，对于中线属性为1的至少一条车道线，判断所述至少一条车道线中是否存在相邻中线属性为1的车道线包括：对于任一条中线属性为1的车道线，等间距提取多个采样点；以任一个采样点为中心，在预设半径内搜索到其它中线属性为1的车道线，则存在相邻中线属性为1的车道线。

可以理解的是，在判断是否存在两条相邻的中线车道线时，从标记为中线属性的车道线中选取一条车道线，在该条中线车道线上等间距选取多个线形点（也可称为采样点），对于每一个线形点，搜索周围的中线车道线上的线形点，如果能够搜索到其它中线车道线上的线形点，表明除了当前中线车道线，还存在另外的中线车道线。

在搜索的过程中，以任一个采样点为中心，在预设半径内搜索到其它中线属性为1的车道线上的线形点，则存在相邻中线属性为1的车道线。

在一种可能的实施例方式中，取任一条中线属性为1的车道线的最邻近普通车道线，将最邻近普通车道线的方向作为任一条中线属性为1的车道线的方向包括：计算任一条中线属性为1的车道线与每一条普通车道线的有向距离，得到多个有向距离，其中，将多个有向距离中最小有向距离对应的普通车道线作为所述任一条中线属性为1的车道线的最邻近普通车道线；将任一条中线属性为1的车道线的方向调整为与最邻近普通车道线的方向一致的方向。

可以理解的是，对于存在两条相邻中线车道线的情形，对于任一条中线车道线，需要将其方向调整为其最邻近普通车道线的方向一致。在寻找每一条中线车道线最邻近普通车道线的过程中，从中线车道线上选取一个线形点，分别计算该线形点与周围每一条普通车道线之间的有向距离，得到该线形点与每一条普通车道线之间的有向距离，对多个有向距离进行排序，将最小有向距离对应的普通车道线确定为该中线车道线的最邻近普通车道线。然后将该中线车道线的方向调整为与其最邻近普通车道线的方向，可以参见图2。

其中，为确保判断中线车道线的最邻近普通车道线的准确性，可以从中线车道线上选取多个线形点，按照上述方法判断每一个线形点的最邻近普通车道线，当超过一定数目的线形点的最邻近普通车道线均为某一条普通车道线，则判定该中线车道线的最邻近普通车道线即为该条普通车道线。

需要说明的是，在对采样点的附近轨迹点进行搜索时，或者对采样点周围的车道线形点进行搜索时，为了加快搜索速度，根据各车道线形点的二维平面坐标或者根据车辆轨迹点的二维平面坐标，构建KD-tree，通过KD-tree构建二维空间索引，在大量数据情形下仍然能够具有较高的效率。

参见图3，对车道线识别的整体流程进行说明。首先，根据每一条车道线的线形点和对应的轨迹点，在每一条车道线上选取N个线形点作为N个采样点。对于每一个采样点，查找其附近的轨迹点，根据采样点的方向和附近轨迹点的方向，确定每一个采样点的属性，包括中线属性、边线属性和反向属性。根据车道线上每一个采样点的属性，确定车道线的最终属性。

其中，对于判断出来的中线车道线，判断是否存在两条相邻中线车道线，如果存在，需要找到与每一条中线车道线最邻近车道线，按照最邻近车道线的方向调整每一条中线车道线的方向。

本发明实施例提供的方法，能够完全利用覆盖全面的轨迹数据实现对道路的边线和中线进行标识，从而弥补车辆感知中错误识别和识别缺失的缺陷；对于一个有方向的采样点，可以计算其线特征（可以理解为方向），计算每个附近轨迹点与该线特征的有向距离，符号为正的点处于线的一边，符号为负的点位于线的另一边，根据这些有向距离可以判断车道线采样点附近是单一方向轨迹，还是同时存在两个方向的轨迹。

使用KD-tree进行空间索引，在大量数据情形下仍然能够具有较高的效率；使用等间距采样点分别计算然后根据阈值对整条车道线进行判断的方法使得算法具有较好的鲁棒性。

查找道路中线是否有相邻中线时，需要计算该中线车道上的线形点与附近每一条车道线的有向距离。按照有向距离排序，将有向距离最小的车道线作为该中线车道线最邻近车道线，根据最邻近车道线的方向，对该中线车道线的线序进行调整。

图4是本发明实施例提供的一种车道线识别系统结构图，如图4所示，一种车道线识别系统，包括：获取模块401、提取模块402、判断模块403和确定模块404，其中：

获取模块401，用于获取每一条车道线的线形点和车辆轨迹点数据，所述每一条车道线的线形点和车辆的轨迹点数据均具有正确的点序；

提取模块402，用于对于任一条车道线，提取所述任一条车道线上的多个线形点采样点；

判断模块403，用于根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性；

确定模块404，用于根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性。

可以理解的是，本发明实施例提供的一种车道线识别系统与前述各实施例提供的车道线识别方法相对应，车道线识别系统的相关技术特征可参考车道线识别方法的相关技术特征，在此不再重复说明。

请参阅图5，图5为本申请实施例提供的电子设备的硬件结构示意图。如图5所示，本申请实施例提了一种电子设备，包括存储器510、处理器520及存储在存储器520上并可在处理器520上运行的计算机程序511，处理器520执行计算机程序511时实现以下步骤：获取每一条车道线的线形点和车辆轨迹点数据，所述每一条车道线的线形点和车辆的轨迹点数据均具有正确的点序；对于任一条车道线，提取所述任一条车道线上的多个线形点采样点；根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性；根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性。

请参阅图6，图6为本申请实施例提供的一种计算机可读存储介质的硬件结构示意图。如图6所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序611，该计算机程序611被处理器执行时实现如下步骤：获取每一条车道线的线形点和车辆轨迹点数据，所述每一条车道线的线形点和车辆的轨迹点数据均具有正确的点序；对于任一条车道线，提取所述任一条车道线上的多个线形点采样点；根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性；根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性。

需要说明的是，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细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包括这些改动和变型在内。

Claims (10)

1.一种车道线识别方法，其特征在于，包括：

获取每一条车道线的线形点和车辆轨迹点数据，所述每一条车道线的线形点和车辆的轨迹点数据均具有正确的点序；

对于任一条车道线，提取所述任一条车道线上的多个线形点采样点；

根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性；

根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性。

2.根据权利要求1所述的车道线识别方法，其特征在于，所述对于任一条车道线，提取所述任一条车道线上的多个线形点采样点包括：

对于任一条车道线，从所述任一条车道线的线形点中等间距选取多个线形点作为多个采样点。

3.根据权利要求1所述的车道线识别方法，其特征在于，所述根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性包括：

对于任一个采样点，以所述任一个采样点为中心，搜索预设半径内的多个轨迹点作为所述任一个采样点的附近轨迹点；

根据所述任一个采样点的方向与附近轨迹点的方向，判断所述任一个采样点的中线属性、边线属性和反向属性。

4.根据权利要求3所述的车道线识别方法，其特征在于，所述根据所述任一个采样点的方向与附近轨迹点的方向，判断所述任一个采样点的中线属性、边线属性和反向属性包括：

计算所述任一个采样点的方向v_i和其附近的任一个轨迹点的方向v_t；

若所述任一个采样点的方向v_i和其附近的每一个轨迹点的方向v_t的乘积均小于0，则将所述任一个采样点的反向属性置1；

若所述任一个采样点的方向v_i和其附近的部分轨迹点的方向v_t的乘积小于0，与另一部分轨迹点的方向v_t的乘积大于0，则将所述任一个采样点的中线属性置1；

通过计算所述任一个采样点附近的每一个轨迹点到所述任一个采样点所属的车道线之间的有向距离，得到每一个轨迹点对应的有向距离；

若每一个轨迹点对应的有向距离均大于0或者均小于0，则将所述任一个采样点的边线属性置1。

5.根据权利要求4所述的车道线识别方法，其特征在于，所述根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性包括：

对于任一条车道线的多个采样点，分别计算中线属性为1的采样点的占比、边线属性为1的采样点的占比和反向属性为1的占比；

获取每一条车道线的多个采样点中中线属性为1的采样点的占比、边线属性为1的采样点的占比中的较大占比；

当所述较大占比大于第一预设阈值时，则将所述较大占比对应的属性作为所述任一条车道线对应的属性，其中，属性为中线属性为1或者边线属性为1；

若所述任一条车道线的多个采样点中反向属性为1的采样点的占比大于第二预设阈值，则所述任一条车道线的反向属性为1。

6.根据权利要求5所述的车道线识别方法，其特征在于，还包括：

对于反向属性为1的车道线，将所述车道线的线形点的点序反向。

7.根据权利要求5或6所述的车道线识别方法，其特征在于，所述根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性包括：

对于中线属性为1的至少一条车道线，判断所述至少一条车道线中是否存在相邻中线属性为1的车道线；

若存在，则获取任一条中线属性为1的车道线的最邻近普通车道线，将最邻近普通车道线的方向作为所述任一条中线属性为1的车道线的方向。

8.根据权利要求7所述的车道线识别方法，其特征在于，所述对于中线属性为1的至少一条车道线，判断所述至少一条车道线中是否存在相邻中线属性为1的车道线包括：

对于任一条中线属性为1的车道线，等间距提取多个采样点；

以任一个采样点为中心，在预设半径内搜索到其它中线属性为1的车道线，则存在相邻中线属性为1的车道线。

9.根据权利要求8所述的车道线识别方法，其特征在于，所述取任一条中线属性为1的车道线的最邻近普通车道线，将最邻近普通车道线的方向作为所述任一条中线属性为1的车道线的方向包括：

计算任一条中线属性为1的车道线与每一条普通车道线的有向距离，得到多个有向距离，其中，将多个有向距离中最小有向距离对应的普通车道线作为所述任一条中线属性为1的车道线的最邻近普通车道线；

将所述任一条中线属性为1的车道线的方向调整为与最邻近普通车道线的方向一致的方向。

10.一种车道线识别系统，其特征在于，包括：

获取模块，用于获取每一条车道线的线形点和车辆轨迹点数据，所述每一条车道线的线形点和车辆的轨迹点数据均具有正确的点序；

提取模块，用于对于任一条车道线，提取所述任一条车道线上的多个线形点采样点；

判断模块，用于根据每一个采样点与其附近的轨迹点，判断每一个采样点的中线属性、边线属性和反向属性；

确定模块，用于根据每一个采样点的中线属性、边线属性和反向属性，确定每一条车道线的中线属性、边线属性和反向属性。

Images