CN112885074B - 道路信息检测方法以及装置 - Google Patents

道路信息检测方法以及装置 Download PDF

Info

Publication number
CN112885074B
CN112885074B CN201911209196.4A CN201911209196A CN112885074B CN 112885074 B CN112885074 B CN 112885074B CN 201911209196 A CN201911209196 A CN 201911209196A CN 112885074 B CN112885074 B CN 112885074B
Authority
CN
China
Prior art keywords
lane
looking
information
deviation
road
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
Application number
CN201911209196.4A
Other languages
English (en)
Other versions
CN112885074A (zh
Inventor
周伟
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201911209196.4A priority Critical patent/CN112885074B/zh
Priority to EP20894795.2A priority patent/EP4053816B1/en
Priority to PCT/CN2020/108133 priority patent/WO2021103651A1/zh
Publication of CN112885074A publication Critical patent/CN112885074A/zh
Priority to US17/827,170 priority patent/US20220292849A1/en
Application granted granted Critical
Publication of CN112885074B publication Critical patent/CN112885074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种道路信息检测方法，用于车辆道路信息检测。该方法可应用于自动驾驶或者智能驾驶，例如高级辅助驾驶系统ADAS。该方法包括：接收来自至少一个前视摄像装置的前视图像和来自至少一个后视摄像装置的后视图像，根据该前视图像获取前视车道线信息，根据该后视图像获取后视车道线信息，根据前视车道线信息和后视车道线信息，得到目标车道线信息。该方案可以提高车路协同系统中车道线信息确定的可靠性，提高驾驶安全性能。

Description

道路信息检测方法以及装置
技术领域
本申请实施例涉及信息处理领域，尤其涉及道路信息检测方法以及道路信息检测装置。
背景技术
在辅助驾驶和自动驾驶场景中，车辆行驶过程中智能车辆需要对驾驶周边的环境进行感知，道路信息检测是智能车辆识别周边环境的一个重要功能，也是环境感知的重要组成部分。只有通过有效和准确的道路信息检测，才有助于更好的支持路径规划、道路偏离告警或车道线保持等辅助功能。
在现有技术中车辆是对前视摄像装置获取的图像进行分析得到车道线信息，或者对后视摄像装置获取的图像进行分析得到车道线信息，智能车辆根据车道线信息进行道路信息检测，前视摄像装置获取的图像和后视摄像装置获取的图像互为冗余备份。
对一个摄像装置，如前视摄像装置，对应的图像进行分析，得到的车道线信息直接进行道路信息检测，道路信息可靠性不高，道路信息检测结果稳定性不高。
发明内容
本申请实施例提供了一种道路信息检测方法，可以将多组车道线信息进行融合，得到目标车道线信息。
本申请实施例第一方面提供了一种道路信息检测方法，包括：
道路信息检测装置接收多个图像信息，如前视图像和后视图像，前视图像由前视摄像装置获取，后视图像由后视摄像装置获取，道路信息检测装置根据前视图像获取前视车道线信息，且根据后视图像获取后视车道线信息，道路信息检测装置根据获取到的前视车道线信息和后视车道线信息，融合得到目标车道线信息。进一步可选的，道路信息检测装置输出目标车道线信息。
对多个摄像装置，如前视摄像装置和后视摄像装置，对应的图像分别进行分析，得到多组车道线信息，将多组车道线信息进行融合，得到目标车道线信息，目标车道线信息可靠性较高，道路信息检测结果稳定性较高。
基于本申请实施例第一方面，本申请实施例第一方面的第一种实施方式中，若前视车道线信息包括在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率等信息，且后视车道线信息包括在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率等信息，道路信息检测装置可以融合前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率，后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率，得到目标车道线信息，该目标车道线信息可以为目标车道线横向偏移和纵向偏移的对应关系。
本申请实施例中，提供了前视车道线信息和后视车道线信息包括的具体信息，提供了目标车道线信息的具体形式，提升了方案可实现性。
基于本申请实施例第一方面，本申请实施例第一方面的第二种实施方式中，道路信息检测装置还可以根据前视图像获取前视车道结构信息，根据后视图像获取后视车道结构信息，若道路信息检测装置根据前视图像获取了前视车道结构信息，根据后视图像获取了后视车道结构信息，道路信息检测装置可以融合前视车道线信息，后视车道线信息，前视车道结构信息和后视车道结构信息，得到目标车道线信息。
本申请实施例中，道路信息检测装置还可以根据前视图像获取前视车道结构信息，根据后视图像获取后视车道结构信息，结合前视车道结构信息和后视车道结构信息得到的目标车道线信息具有更高的稳定性。
基于本申请实施例第一方面的第二种实施方式，本申请实施例第一方面的第三种实施方式中，前视车道线信息可以包括在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率等信息，后视车道线信息可以包括在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率等信息，前视车道结构信息可以包括在车辆行驶过程中前视车道结构横向偏移和纵向偏移的对应关系和前视车道结构存在概率等信息，后视车道结构信息可以包括在车辆行驶过程中后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率等信息，道路信息检测装置融合前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，前视车道结构横向偏移和纵向偏移的对应关系，前视车道结构存在概率，后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
本申请实施例中，提供了前视车道线信息，后视车道线信息，前视车道结构信息和后视车道结构信息包括的具体信息，提供了目标车道线信息的具体形式，提升了方案可实现性。
基于本申请实施例第一方面，本申请实施例第一方面的第四种实施方式中，道路信息检测装置可以接收雷达数据，雷达数据由毫米波雷达获取，道路信息检测装置根据雷达数据获取雷达车道结构信息，若道路信息检测装置接收了雷达数据且分析该雷达数据获取了雷达车道结构信息，道路信息检测装置可以融合前视车道线信息，后视车道线信息和雷达车道结构信息，得到所述目标车道线信息。
本申请实施例中，道路信息检测装置还可以接收雷达数据，根据雷达数据获取雷达车道结构信息，结合雷达车道结构信息得到的目标车道线信息具有更高的稳定性。
基于本申请实施例第一方面的第四种实施方式，本申请实施例第一方面的第五种实施方式中，前视车道线信息可以包括在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率等信息，后视车道线信息可以包括在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率等信息，雷达车道结构信息可以包括在车辆行驶过程中雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率等信息，道路信息检测装置可以融合前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
本申请实施例中，提供了前视车道线信息，后视车道线信息和雷达车道结构信息包括的具体信息，提供了目标车道线信息的具体形式，提升了方案可实现性。
基于本申请实施例第一方面，本申请实施例第一方面的第六种实施方式中，道路信息检测装置除了接收前视图像和后视图像还可以接收雷达数据，道路信息检测装置根据前视图像获取前视车道线信息和前视车道结构信息，根据后视图像获取后视车道线信息和后视车道结构信息，根据雷达数据获取雷达车道结构信息，在本实施方式的条件下道路信息检测装置可以融合前视车道线信息，后视车道线信息，前视车道结构信息，后视车道结构信息和雷达车道结构信息，得到所述目标车道线信息。
本申请实施例中，道路信息检测装置还可以根据前视图像获取前视车道结构信息，根据后视图像获取后视车道结构信息，结合前视车道结构信息和后视车道结构信息得到的目标车道线信息具有更高的稳定性。
基于本申请实施例第一方面的第六种实施方式，本申请实施例第一方面的第七种实施方式中，前视车道线信息可以包括在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率等信息，后视车道线信息可以包括在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率等信息，前视车道结构信息可以包括在车辆行驶过程中前视车道结构横向偏移和纵向偏移的对应关系和前视车道结构存在概率等信息，后视车道结构信息可以包括在车辆行驶过程中后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率等信息，雷达车道结构信息可能包括在车辆行驶过程中雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率等信息，道路信息检测装置可以融合前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，前视车道结构横向偏移和纵向偏移的对应关系，前视车道结构存在概率，后视车道结构横向偏移和纵向偏移的对应关系，后视车道结构存在概率，雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
本申请实施例中，提供了前视车道结构信息，后视车道结构信息，前视车道线信息，后视车道线信息和雷达车道结构信息包括的具体信息，提供了目标车道线信息的具体形式，提升了方案可实现性。
基于本申请实施例第一方面的第三种实施方式和第一方面的第七种实施方式，本申请实施例第一方面的第八种实施方式中，前视车道结构信息可以为前视路沿信息和/或前视车轨迹信息，前视车道结构横向偏移和纵向偏移的对应关系可以为前视路沿横向偏移和纵向偏移的对应关系和/或前视车轨迹横向偏移和纵向偏移的对应关系，前视车道结构存在概率可以为前视路沿存在概率和/或前视车轨迹存在概率，后视车道结构信息可以为后视路沿信息，后视车道结构横向偏移和纵向偏移的对应关系可以为后视路沿横向偏移和纵向偏移的对应关系，后视车道结构存在概率可以为后视路沿存在概率。
本申请实施例中，提供了前视车道结构信息和后视车道结构信息的具体信息内容，提升了方案可实现性。
基于本申请实施例第一方面的第五种实施方式和第一方面的第七种实施方式，本申请实施例第一方面的第九种实施方式中，雷达车道结构信息可以为雷达路沿信息和/或雷达车轨迹信息，雷达车道结构横向偏移和纵向偏移的对应关系可以为雷达路沿横向偏移和纵向偏移的对应关系和/或雷达车轨迹横向偏移和纵向偏移的对应关系，雷达车道结构存在概率可以为雷达路沿存在概率和/或雷达车轨迹存在概率。
本申请实施例中，提供了雷达车道结构信息的具体信息内容，提升了方案可实现性。
本申请实施例第二方面提供了一种道路信息检测装置，该装置执行前述第一方面的方法。
本申请实施例第三方面提供了一种道路信息检测装置，该装置执行前述第一方面的方法。
本申请实施例第四方面提供了一种计算机存储介质，该计算机存储介质中存储有指令，该指令在计算机上执行时，使得计算机执行如前述第一方面的方法。
本申请实施例第五方面提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行如前述第一方面的方法。
附图说明
图1为道路信息检测装置框架示意图；
图2为本申请实施例道路结构模型示意图；
图3为本申请实施例道路信息检测方法一个实施例示意图；
图4为本申请实施例道路信息检测方法另一个实施例示意图；
图5为本申请实施例道路信息检测方法另一个实施例示意图；
图6为本申请实施例道路信息检测方法另一个实施例示意图；
图7为本申请实施例道路信息检测装置一个结构示意图；
图8为本申请实施例道路信息检测装置另一个结构示意图。
具体实施方式
本申请实施例提供了一种道路信息检测方法以及道路信息检测装置，能够得到可靠性更高的车道线信息。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，本申请实施例中道路信息检测系统框架包括：
前视摄像装置101，后视摄像装置102，雷达103，道路信息检测装置104。可选的，所述雷达可以为毫米波雷达或激光雷达。
本申请实施例中道路信息检测装置104应用于智能车辆，该智能车辆的传感器包括前视摄像装置101和后视摄像装置102。道路信息检测装置104分别与前视摄像装置101和后视摄像装置102连接。前视摄像装置101拍摄道路信息得到前视图像，并向道路检测道路信息检测装置104传送前视图像，后视摄像装置102拍摄道路信息得到后视图像，并向道路信息检测装置104传送后视图像。
该智能车辆的传感器除了前视摄像装置101和后视摄像装置102之外，还可以包括雷达103等其他传感器。道路信息检测装置104和雷达103连接，雷达103检测道路信息得到雷达数据，并向道道路信息检测装置104传送雷达数据。
道路信息检测装置104的主要功能是接收传感器传送的数据，并将不同传感器数据分别进行分析处理获取到对应的道路信息，将得到的多个道路信息融合处理得到目标车道线信息，并输出目标车道线信息。
道路信息检测装置104接收传感器前视摄像装置101发送的前视图像，分析前视图像获取的道路信息可以包括前视车道线信息和/或前视车道结构信息等道路信息，其中，前视车道结构信息可以包括前视路沿信息和/或前视车轨迹信息等前视车道结构信息。
道路信息检测装置104接收传感器后视摄像装置102发送的后视图像，分析后视图像获取的道路信息可以包括后视车道线信息和/或后视车道结构信息等道路信息，其中，后视车道结构信息可以包括但不限定于后视路沿信息。
道路信息检测装置104接收传感器雷达103发送的雷达数据，分析雷达数据获取的道路信息可以包括雷达车道结构信息，雷达车道结构信息可以包括雷达路沿信息和/或雷达车轨迹信息等雷达车道结构信息。
本申请实施例中道路信息检测装置104通过图像检测技术或视觉识别技术等技术，获取前视摄像装置101拍摄的前视图像和后视摄像装置102拍摄的后视图像得到道路信息，具体获取技术此处不做限定。道路信息检测装置104通过聚类算法或者霍夫变换等方法获取毫米波雷达检测的雷达数据得到道路信息，具体获取技术此处不做限定。
参阅图2所示的道路结构模型，下面对本申请实施例中的道路结构模型进行描述：
道路信息检测装置可以根据道路边沿曲率变化率平均值，道路边沿的曲率平均，道路边沿航向角，道路边沿横向偏移量等道路信息参数中的至少一个得到道路结构模型。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，道路结构模型通常采用回旋曲线来表示。其横向偏移和纵向偏移的对应关系可以表示为：
Figure BDA0002297684990000051
从上述对应关系中，我们可以得到，行驶过程中车辆的横向偏移和车辆行驶的弧长l的关系为车辆的纵向偏移等于l的三次方与六分之一的A3相乘，加上l的二次方与二分之一的A2相乘，加上l与A1相乘，加上A0，其中，A0为道路边沿横向偏移量，A1为道路边沿航向角，A2为道路边沿的曲率平均，A3为道路边沿曲率变化率平均值。
值得注意的是，使用回旋曲线模型的基础假设是，需要满足车辆航向角小于10度，因此有车辆航向角的正弦值近似为其本身，余弦值近似为1。
若假设，该曲线的曲率C随弧长l的变化是常数，即道路边沿曲率变化率平均值近似为常数A3。
则其曲率C可以表示为与弧长l的一次函数：
C(l)＝A2+A3l
又由其航向角
Figure BDA0002297684990000061
为曲率在弧长l上的积分：
Figure BDA0002297684990000062
以车辆的车头方向为x轴正方向，建立直角坐标系，初始时刻车辆位于(x0,y0),当车辆行驶了弧长l时，可得到：
Figure BDA0002297684990000063
Figure BDA0002297684990000064
若初始时刻x为零，即x0为0，则满足航向角
Figure BDA0002297684990000065
小于10度假设的曲线坐标可以表示为x(l)＝l
Figure BDA0002297684990000066
因此，可得回旋曲线的表达式：
Figure BDA0002297684990000067
后续为了描述简单起见，将常数简化，得到：
y(x)＝C0+C1x+C2x2+C3x3
其中，C0为道路边沿横向偏移量，C1为道路边沿航向角，C2为两倍的道路边沿的曲率平均，C3为6倍的道路边沿曲率变化率平均值。
本申请实施例中，道路信息检测装置可以将多个道路信息进行融合得到目标车道线信息，下面结合道路信息检测装置框架和道路结构模型分别进行说明：
一、道路信息检测装置将前视车道线信息和后视车道线信息进行融合得到目标车道线信息：
请参阅图3，本申请实施例中道路信息检测方法一个实施例包括：
301、道路信息检测装置接收前视图像；
道路信息检测装置和前视摄像装置连接，该连接可以是有线连接也可以是无线连接具体此处不做限定。若为有线连接，道路信息检测装置可以通过数据传输线接收前视摄像装置拍摄的前视图像，若为无线连接，道路信息检测装置可以通过无线网路接收前视摄像装置拍摄的前视图像，该无线网络可以是公网无线网络也可以是专网无线网络，具体此处不做限定。
302、道路信息检测装置接收后视图像；
道路信息检测装置和后视摄像装置连接，该连接可以是有线连接也可以是无线连接具体此处不做限定。若为有线连接，道路信息检测装置可以通过数据传输线接收后视摄像装置拍摄的后视图像，若为无线连接，道路信息检测装置可以通过无线网路接收后视摄像装置拍摄的后视图像，该无线网络可以是公网无线网络也可以是专网无线网络，具体此处不做限定。
303、道路信息检测装置根据前视图像获取前视车道线信息；
道路信息检测装置通过图像检测技术或视觉识别技术等技术分析前视图像，获取前视车道线信息，具体技术此处不做限定。
304、道路信息检测装置根据后视图像获取后视车道线信息；
道路信息检测装置通过图像检测技术或视觉识别技术等技术分析后视图像，获取后视车道线信息，具体技术此处不做限定。
本实施例中，步骤301和303描述的是道路信息检测装置通过前视图像获取前视车道线信息的过程，步骤302和304描述的是道路信息检测装置通过后视图像获取后视车道线信息的过程，这两个过程没有固定的先后时序关系。
305、道路信息检测装置融合前视车道线信息和后视车道线信息，得到目标车道线信息；
通过前视图像得到的信息称之为前视信息，如前视车道线信息，通过后视图像得到的信息称之为后视信息，如后视车道线信息，道路信息检测装置根据摄像装置获取的图像可得到车道线信息，如随着车辆的行驶而变化的车道线横向偏移和纵向偏移的对应关系和车道线存在概率，通过前视图像还可以获得车道的宽度，车道线的类型如单行线，减速线等，车道线的颜色如黄色，白色等，以及车道线的宽度等信息。
本实施例中，前视车道线信息可以包括在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，前视车道宽度，前视车道线类型，前视车道线颜色，和/或前视车道线宽度等中的至少一个。
后视车道线信息可以包括在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，后视车道宽度，后视车道线类型，后视车道线颜色，和/或后视车道线宽度等中的至少一个。
本实施例中，前视车道线信息以前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率为例，后视车道线信息以后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率为例，进行详细描述。
基于前视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对前视车道线进行检测并得到对应的车道线信息，可以用特定道路结构模型的曲线对车道线进行表示。在不同的车道线表示中，可以包含有车道边沿横向偏移量、车道边沿航向角、车道线的曲率平均以及车道线曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系可以表示为：
Xfront，lane＝C3front,lane×Z^3+C2front,lane×Z^2+C1front,lane×Z+C0front,lane，
本申请实施例中，C0front,lane为前视车道线道路边沿横向偏移量，C1front,lane为前视车道线道路边沿航向角，C2front,lane为两倍的前视车道线道路边沿的曲率平均，C3front,lane为6倍的前视车道线道路边沿曲率变化率平均值，Xfront,lane为前视车道线的车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到前视车道线存在概率，表示为Pfront,lane，该前视车道线存在概率用于表示前视图像中车道线存在的概率。
基于后视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对后视车道线进行检测并得到对应的车道线信息，可以用特定道路结构模型的曲线横向偏移和纵向偏移的对应关系对车道线进行表示。在不同的车道线表示中，可以包含有车道边沿横向偏移量、车道边沿航向角、车道线的曲率平均以及车道线曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系可以表示为：
Xrear,lane＝C3rear,lane×Z^3+C2rear,lane×Z^2+C1rear,lane×Z+C0rear,lane，
本申请实施例中，C0rear,lane为后视车道线道路边沿横向偏移量，C1rear,lane为后视车道线道路边沿航向角，C2rear,lane为两倍的后视车道线道路边沿的曲率平均，C3rear,lane为6倍的后视车道线道路边沿曲率变化率平均值，Xrear,lane为后视车道线的车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到后视车道线存在概率，表示为Prear,lane，该后视车道线存在概率用于表示后视图像中车道线存在的概率。
本实施例中，仅以上述的对应关系为例进行说明，可以理解的是，在实际应用中，具体对应关系还可以有其他的形式，例如对上述在车辆行驶过程中横向偏移和纵向偏移的对应关系的等效变形等，具体此处不做限定。
本实施例中，道路信息检测装置可以通过多种融合算法中的至少一种，融合前视车道线信息和后视车道线信息，得到目标车道线信息，融合算法可以是贝叶斯融合算法，也可以是多假设检验算法等其他融合算法，本实施例以基于概率的融合算法为例进行具体描述。
一种可选的设计中，融合后的目标车道线横向偏移和纵向偏移的对应关系可以表示为：
Xfusion＝C3fusion×Z^3+C2fusion×Z^2+C1fusion×Z+C0fusion，其车道线的存在概率为Pfusion，Xfusion为融合后的车辆横向的偏移，Z为车辆纵向的偏移。
本申请实施例中，C0fusion为融合后的车道线道路边沿横向偏移量，C1fusion为融合后的车道线道路边沿航向角，C2fusion为两倍的融合后的车道线道路边沿的曲率平均，C3fusion为6倍的融合后的车道线道路边沿曲率变化率平均值。
道路信息检测装置可以根据：
(C3front,lane，C2front,lane，C1front,lane，C0front,lane)，Pfront,lane，
和(C3rear,lane，C2rear,lane，C1rear,lane，C0rear,lane)，Prear,lane；
来得到：(C3fusion，C2fusion，C1fusion，C0fusion)，Pfusion；
一种可选的方式中，一种具体融合方式如下：
可以先设置一个阈值，低于若某采集器采集到的道路信息的概率低于阈值，则认为这个道路信息是不可信的，如Pfront,lane低于阈值，则认为C3front,lane，C2front,lane，C1front,lane和C0front,lane为不可信的，只有高于或等于此阈值的道路信息才是可信的。作为示例，这里的阈值可以设置为0.5，可以理解的是该阈值可以为其他数值如0.6，具体此处不做限定。
本申请实施例中，所有的概率均可与相同的阈值比较，也可以采用不同的阈值，如将前视车道线信息的存在概率Pfront,lane与第一阈值比较，将后视车道线信息的存在概率Prear,lane与第二阈值比较，第一阈值和第二阈值不相等，如第一阈值为0.6第二阈值为0.7。
如果Pfront,lane和Prear,lane均低于设置的阈值，则表明此道路信息无效；
如果Pfront,lane和Prear,lane其中一个低于此阈值，一个高于或等于此阈值，则表明道路信息一个是不可信的，一个是可信的，此时直接采用可信的道路信息；
如果Pfront,lane和Prear,lane均大于或等于此阈值，则表明两种来源的检测具有一定的可信度，可以通过如下示例方法。
Pfusion＝n/(1/Pfront,lane+1/Prear,lane),n＝2
然后求解此对应关系，
Xfusion/Pfusion＝Xfront,lane/Pfront,lane+Xrear,lane/Prear,lane
Xfusion为融合后的横向偏移。
得到：
Cifusion，i为0至3中整数。
306、道路信息检测装置输出目标车道线信息。
道路信息检测装置输出目标车道线信息包括道路信息检测装置输出步骤305得到的在车辆行驶过程中目标车道线横向偏移和纵向偏移的对应关系，输出的方式可以是图像，视屏，语音或文字，具体输出方式此处不做限定。
二、道路信息检测装置将前视车道线信息、后视车道线信息、前视车道结构信息和后视车道结构信息进行融合得到目标车道线信息：
请参阅图4，本申请实施例中道路信息检测方法另一个实施例包括：
401、道路信息检测装置接收前视图像；
402、道路信息检测装置接收后视图像；
403、道路信息检测装置根据前视图像获取前视车道线信息；
404、道路信息检测装置根据后视图像获取后视车道线信息；
本实施例中的步骤401至404与前述图3所述实施例中的步骤301至304类似，此处不再赘述。
405、道路信息检测装置根据前视图像获取前视车道结构信息；
道路信息检测装置通过图像检测技术或视觉识别技术等技术分析前视图像，获取前视车道结构信息，具体技术此处不做限定。
406、道路信息检测装置根据后视图像获取后视车道结构信息；
道路信息检测装置通过图像检测技术或视觉识别技术等技术分析后视图像，获取后视车道结构信息，具体技术此处不做限定。
本实施例中，步骤401，403和405与步骤402，404和406之间没有固定的先后时序关系。
407、道路信息检测装置融合前视车道线信息，后视车道线信息，前视车道结构信息和后视车道结构信息，得到目标车道线信息；
通过前视图像得到的信息称之为前视信息，如前视车道线信息和前视车道结构信息，通过后视图像得到的信息称之为后视信息，如后视车道线信息和后视车道结构信息。
道路信息检测装置根据摄像装置获取的图像可得到车道线信息，如随着车辆的行驶而变化的车道线横向偏移和纵向偏移的对应关系和车道线存在概率，通过前视图像还可以获得车道的宽度，车道线的类型如单行线，减速线等，车道线的颜色如黄色或白色等，以及车道线的宽度等信息。
道路信息检测装置根据摄像装置获取的图像还可得到车道结构信息，如车轨迹信息和路沿信息。车轨迹信息为通过图像得到的观测车的轨迹信息，如根据多张图像得到摄像头可以拍摄到的车辆即观测车的行驶轨迹，综合多个观测车的行驶轨迹得到车轨迹横向偏移和纵向偏移的对应关系和车轨迹存在概率，以及观测车状态，如观测车处于停车，向前行驶，或转弯等状态。路沿一般是边缘的界石，一般情况下路沿与车道线平行，道路信息检测装置可得到随着车辆的行驶而变化的路沿横向偏移和纵向偏移的对应关系和路沿存在概率，还可以得到路沿的类型如石质路沿或护栏等，路沿的高度等路沿信息。
本实施例中，前视车道线信息可以包括在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，前视车道宽度，前视车道线类型，前视车道线颜色，和/或前视车道线宽度等中的至少一个。后视车道线信息可以包括在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，后视车道宽度，后视车道线类型，后视车道线颜色，和/或后视车道线宽度等中的至少一个。
本实施例中，前视车道结构信息可以包括在车辆行驶过程中前视路沿信息和/或前视车轨迹信息中的至少一个。其中，前视路沿信息可以包括在车辆行驶过程中前视路沿横向偏移和纵向偏移的对应关系，前视路沿存在概率，前视路沿类型，和/或前视路沿高度中的至少一个。前视车轨迹信息可以包括在车辆行驶过程中前视车轨迹横向偏移和纵向偏移的对应关系，前视车轨迹存在概率，和/或前视观测车状态中的至少一个。
本实施例中，后视车道结构信息可以包括后视路沿信息。后视路沿信息可以包括后视路沿横向偏移和纵向偏移的对应关系，后视路沿存在概率，后视路沿类型，和/或后视路沿高度等中的至少一个。
本实施例中，前视车道线信息以在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率为例，后视车道线信息以在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率为例，前视车道结构信息以在车辆行驶过程中前视车道结构横向偏移和纵向偏移的对应关系和前视车道结构存在概率为例，其中，前视车道结构横向偏移和纵向偏移的对应关系以前视路沿横向偏移和纵向偏移的对应关系和/或前视车轨迹横向偏移和纵向偏移的对应关系为例，前视车道结构存在概率以前视路沿存在概率和/或前视车轨迹存在概率为例，后视车道结构信息以后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率为例，其中，后视车道结构横向偏移和纵向偏移的对应关系以后视路沿横向偏移和纵向偏移的对应关系为例，后视车道结构存在概率以后视路沿存在概率为例，进行详细描述。
基于前视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对前视车道线进行检测并得到对应的车道线信息，可以用特定道路结构模型的曲线对车道线进行表示。在不同的车道线表示中，可以包含有车道边沿横向偏移量、车道边沿航向角、车道线的曲率平均以及车道线曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系可以表示为：
Xfront，lane＝C3front,lane×Z^3+C2front,lane×Z^2+C1front,lane×Z+C0front,lane，
本申请实施例中，C0front,lane为前视车道线道路边沿横向偏移量，C1front,lane为前视车道线道路边沿航向角，C2front,lane为两倍的前视车道线道路边沿的曲率平均，C3front,lane为6倍的前视车道线道路边沿曲率变化率平均值，Xfront,lane为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到前视车道线存在概率，表示为Pfront,lane，该前视车道线存在概率用于表示前视图像中车道线存在的概率。
基于后视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对后视车道线进行检测并得到对应的车道线信息，可以用特定道路结构模型的曲线对车道线进行表示。在不同的车道线表示中，可以包含有车道边沿横向偏移量、车道边沿航向角、车道线的曲率平均以及车道线曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系可以表示为：
Xrear，lane＝C3rear,lane×Z^3+C2rear,lane×Z^2+C1rear,lane×Z+C0rear,lane，
本申请实施例中，C0rear,lane为后视车道线道路边沿横向偏移量，C1rear,lane为后视车道线道路边沿航向角，C2rear,lane为两倍的后视车道线道路边沿的曲率平均，C3rear,lane为6倍的后视车道线道路边沿曲率变化率平均值，Xrear,lane为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到后视车道线存在概率，表示为Prear,lane，该后视车道线存在概率用于表示后视图像中车道线存在的概率。
基于前视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对前视路沿进行检测并得到对应的路沿信息，可以用特定道路结构模型的曲线横向偏移和纵向偏移的对应关系对路沿进行表示。在不同的路沿表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中前视路沿横向偏移和纵向偏移的对应关系可以表示为：
Xfront，edge＝C3front,edge×Z^3+C2front,edge×Z^2+C1front,edge×Z+C0front,edge，
本申请实施例中，C0front,edge为前视路沿相关的道路边沿横向偏移量，C1front,edge为前视路沿相关的道路边沿航向角，C1front,edge为两倍的前视路沿相关的道路边沿的曲率平均，C1front,edge为6倍的前视路沿相关的道路边沿曲率变化率平均值，Xfront,edge为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到前视路沿存在概率，表示为Pfront,edge，该前视路沿存在概率用于表示前视图像中路沿存在的概率。
基于前视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对前视观测车进行检测并得到对应的车轨迹信息，可以用特定道路结构模型的曲线横向偏移和纵向偏移的对应关系对车轨迹进行表示。在不同的车轨迹表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中前视摄像装置采集到的车轨迹中第i辆观测车的车轨迹横向偏移和纵向偏移的对应关系可以表示为：
Xfront，car(i)＝C3front,car(i)×Z^3+C2front,car(i)×Z^2+C1front,car(i)×Z+C0front,car(i)，
本申请实施例中，C0front,car(i)为第i辆观测车的车轨迹相关的道路边沿横向偏移量，C1front,car(i)为第i辆观测车的车轨迹相关的道路边沿航向角，C2front,car(i)为两倍的第i辆观测车的车轨迹相关的道路边沿的曲率平均，C3front,car(i)为6倍的第i辆观测车的车轨迹相关的道路边沿曲率变化率平均值，X为车辆横向的偏移，Z为车辆纵向的偏移。
第i辆观测车的车轨迹存在概率可以表示为Pfront,car(i)。
一种可选的设计中，处理各观测车的车轨迹信息可以得到前视车轨迹信息，在车辆行驶过程中前视车轨迹横向偏移和纵向偏移的对应关系可以表示为：
Xfront，car＝C3front,car×Z^3+C2front,car×Z^2+C1front,car×Z+C0front,car，
本申请实施例中，在车辆行驶过程中前视车轨迹横向偏移和纵向偏移的对应关系的参数，C0front,car为观测车的车轨迹相关的道路边沿横向偏移量，C1front,car为观测车的车轨迹相关的道路边沿航向角，C2front,car为两倍的观测车的车轨迹相关的道路边沿的曲率平均，C3front,car为6倍的观测车的车轨迹相关的道路边沿曲率变化率平均值，Xfront,car为车辆横向的偏移，Z为车辆纵向的偏移。
具体实施方式可以为选用车轨迹存在概率最高的观测车对应的车轨迹信息作为前视车轨迹信息，也可以对各观测车的车轨迹信息进行加权平均得到前视车轨迹信息，具体此处不做限定。
前视车轨迹存在概率可以表示为Pfront,car，该前视车轨迹存在概率用于表示前视图像中车轨迹存在的概率。
基于后视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对后视路沿进行检测并得到对应的路沿信息，可以用特定道路结构模型的曲线对路沿进行表示。在不同的路沿表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中后视路沿横向偏移和纵向偏移的对应关系可以表示为：
Xrear，edge＝C3rear,edge×Z^3+C2rear,edge×Z^2+C1rear,edge×Z+C0rear,edge，
本申请实施例中，C0rear,edge为后视路沿相关的道路边沿横向偏移量，C1rear,edge为后视路沿相关的道路边沿航向角，C2rear,edge为两倍的后视路沿相关的道路边沿的曲率平均，C3rear,edge为6倍的后视路沿相关的道路边沿曲率变化率平均值，Xrear,edge为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到后视路沿存在概率，表示为Prear,edge，该后视路沿存在概率用于表示后视图像中路沿存在的概率。
本实施例中，仅以上述在车辆行驶过程中的横向偏移和纵向偏移的对应关系为例进行说明，可以理解的是，在实际应用中，具体的对应关系还可以有其他的形式，例如对上述在车辆行驶过程中横向偏移和纵向偏移的对应关系的等效变形等，具体此处不做限定。
本实施例中，道路信息检测装置可以通过多种融合算法中的至少一种，融合前视车道线信息，后视车道线信息，前视车道结构信息和后视车道结构信息，得到目标车道线信息，融合算法可以是贝叶斯融合算法，也可以是多假设检验算法等其他融合算法，本实施例以基于概率的融合算法为例进行具体描述。
一种可选的设计中，融合后的目标车道线横向偏移和纵向偏移的对应关系可以表示为：
Xfusion＝C3fusion×Z^3+C2fusion×Z^2+C1fusion×Z+C0fusion，其车道线的存在概率为Pfusion，X为车辆横向的偏移，Z为车辆纵向的偏移。
本申请实施例中，C0fusion为融合后的车道线道路边沿横向偏移量，C1fusion为融合后的车道线道路边沿航向角，C2fusion为两倍的融合后的车道线道路边沿的曲率平均，C3fusion为6倍的融合后的车道线道路边沿曲率变化率平均值。
道路信息检测装置根据：
(C3front,lane，C2front,lane，C1front,lane，C0front,lane)，Pfront,lane，
和(C3rear,lane，C2rear,lane，C1rear,lane，C0rear,lane)，Prear,lane，
和(C3front,edge，C2front,edge，C1front,edge，C0front,edge)，Pfront,edge，
和(C3front,car，C2front,car，C1front,car，C0front,car)，Pfront,car，
和(C3rear,edge，C2rear,edge，C1rear,edge，C0rear,edge)，Prear,edge；
来得到：(C3fusion，C2fusion，C1fusion，C0fusion)，Pfusion；
一种可选的方式中，一种具体方式如下：
可以先设置一个阈值，低于若某采集器采集到的道路信息的概率低于阈值，则认为这个道路信息是不可信的，如Pfront,lane低于阈值，则认为C3front,lane，C2front,lane，C1front,lane和C0front,lane为不可信的，只有高于或等于此阈值的道路信息才是可信的。作为示例，这里的阈值可以设置为0.5，可以理解的是该阈值可以为其他数值如0.6，具体此处不做限定。
本申请实施例中，所有的概率均可与相同的阈值比较，也可以采用不同的阈值，如将前视车道线信息的存在概率Pfront,lane与第一阈值比较，将后视车道线信息的存在概率Prear,lane与第二阈值比较，第一阈值和第二阈值不相等，如第一阈值为0.6第二阈值为0.7。
如果所有采集到的道路信息的概率均低于设置的阈值，则表明本次采集的道路信息无效；
如果只有一个采集到的道路信息的概率高于或等于此阈值，则表明该高于阈值的概率对应的道路信息是可信的，其他道路信息不可信，则此时直接采用可信的道路信息；
选择上述所有道路检测信息中大于或等于此阈值的检测信息，通过如下示例方法。
Pfusion＝n/(1/Pfront,lane+1/Prear,lane+1/Pfront,edge+1/Pfront,car+1/Prear,edge),n＝5
然后求解此对应关系，
Xfusion/Pfusion＝Xfront,lane/Pfront,lane+Xrear,lane/Prear,lane+Xfront,edge/Pfront,edge+Xfront,car/Pfront,car+Xrear,edge/Prear,edge
Xfusion为融合后的横向偏移。
得到：
Cifusion，i为0至3中整数。
可以理解的是，在实际应用中可以不设置阈值，如道路信息检测装置确定所有的参数均为有效参数。
408、道路信息检测装置输出目标车道线信息。
道路信息检测装置输出目标车道线信息包括道路信息检测装置输出步骤407得到在车辆行驶过程中的目标车道线横向偏移和纵向偏移的对应关系，输出的方式可以是图像，视屏，语音或文字，具体输出方式此处不做限定。
三、道路信息检测装置将前视车道线信息、后视车道线信息和雷达车道结构信息进行融合得到目标车道线信息：
请参阅图5，本申请实施例中道路信息检测方法另一个实施例包括：
501、道路信息检测装置接收前视图像；
502、道路信息检测装置接收后视图像；
本实施例中的步骤501至502与前述图3所述实施例中的步骤301至302类似，此处不再赘述。
503、道路信息检测装置接收雷达数据；
道路信息检测装置和毫米波雷达连接，该连接可以是有线连接也可以是无线连接具体此处不做限定。若为有线连接，道路信息检测装置可以通过数据传输线接收毫米波雷达检测到的雷达数据，若为无线连接，道路信息检测装置可以通过无线网路接收毫米波雷达检测到的雷达数据，该无线网络可以是公网无线网络也可以是专网无线网络具体此处不做限定。
504、道路信息检测装置根据前视图像获取前视车道线信息；
505、道路信息检测装置根据后视图像获取后视车道线信息；
本实施例中的步骤404至405与前述图3所述实施例中的步骤303至304类似，此处不再赘述。
506、道路信息检测装置根据雷达数据获取雷达车道结构信息；
道路信息检测装置通过聚类算法、图模型方法、霍夫变换、机器学习等方法根据雷达数据获取雷达车道结构信息。
本实施例中，步骤501和504，与步骤502和505，与步骤503和506之间没有固定的先后时序关系。
507、道路信息检测装置融合前视车道线信息，后视车道线信息和雷达车道结构信息，得到目标车道线信息；
道路信息检测装置通过前视图像得到的信息称之为前视信息，如前视车道线信息，通过后视图像得到的信息称之为后视信息，如后视车道线信息，道路信息检测装置根据摄像装置获取的图像可得到车道线信息，如随着车辆的行驶而变化的车道线横向偏移和纵向偏移的对应关系和车道线存在概率，通过前视图像还可以获得车道的宽度，车道线的类型如单行线，减速线等，车道线的颜色如黄色，白色等，以及车道线的宽度等信息。
道路信息检测装置通过雷达数据得到的信息称之为雷达信息，如雷达车道线信息，道路信息检测装置根据毫米波雷达获取的雷达数据还可得到车道结构信息，如车轨迹信息和路沿信息。车轨迹信息为通过雷达数据得到的观测车的轨迹信息，如根据毫米波雷达多次采集的雷达数据得到的信号可以采集到的车辆即观测车的行驶轨迹，综合多个观测车的行驶轨迹得到车轨迹横向偏移和纵向偏移的对应关系和车轨迹存在概率，以及观测车状态，如观测车处于停车，向前行驶，或转弯等状态。路沿一般是边缘的界石，一般情况下路沿与车道线平行，道路信息检测装置可得到随着车辆的行驶而变化的路沿横向偏移和纵向偏移的对应关系和路沿存在概率，还可以得到路沿的类型如石质路沿或护栏等，路沿的高度等路沿信息。
本实施例中，前视车道线信息可以包括在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，前视车道宽度，前视车道线类型，前视车道线颜色，和/或前视车道线宽度等中的至少一个。后视车道线信息可以包括在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，后视车道宽度，后视车道线类型，后视车道线颜色，和/或后视车道线宽度等中的至少一个。
本实施例中，雷达车道结构信息可以包括在车辆行驶过程中雷达车轨迹信息和/或雷达路沿信息中的至少一个，其中，雷达车轨迹信息可以包括在车辆行驶过程中雷达车轨迹横向偏移和纵向偏移的对应关系，雷达车轨迹存在概率，和/或雷达观测车状态中的至少一个。雷达路沿信息可以包括在车辆行驶过程中雷达路沿横向偏移和纵向偏移的对应关系，雷达路沿存在概率，雷达路沿类型，和/或雷达路沿高度等中的至少一个。
本实施例中，前视车道线信息以在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率为例，后视车道线信息以在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率为例，雷达车道结构信息以在车辆行驶过程中雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率为例，其中，雷达车道结构横向偏移和纵向偏移的对应关系以雷达路沿横向偏移和纵向偏移的对应关系和/或雷达车轨迹横向偏移和纵向偏移的对应关系为例，雷达车道结构存在概率以雷达路沿存在概率和/或雷达车轨迹存在概率为例，进行详细描述。
基于前视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对前视车道线进行检测并得到对应的车道线信息，可以用特定道路结构模型的曲线对车道线进行表示。在不同的车道线表示中，可以包含有车道边沿横向偏移量、车道边沿航向角、车道线的曲率平均以及车道线曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系可以表示为：
Xfront，lane＝C3front,lane×Z^3+C2front,lane×Z^2+C1front,lane×Z+C0front,lane，
本申请实施例中，C0front,lane为前视车道线道路边沿横向偏移量，C1front,lane为前视车道线道路边沿航向角，C2front,lane为两倍的前视车道线道路边沿的曲率平均，C3front,lane为6倍的前视车道线道路边沿曲率变化率平均值，Xfront,lane为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到前视车道线存在概率，表示为Pfront,lane，该前视车道线存在概率用于表示前视图像中车道线存在的概率。
基于后视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对后视车道线进行检测并得到对应的车道线信息，可以用特定道路结构模型的曲线对车道线进行表示。在不同的车道线表示中，可以包含有车道边沿横向偏移量、车道边沿航向角、车道线的曲率平均以及车道线曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系可以表示为：
Xrear，lane＝C3rear,lane×Z^3+C2rear,lane×Z^2+C1rear,lane×Z+C0rear,lane，
本申请实施例中，C0rear,lane为后视车道线道路边沿横向偏移量，C1rear,lane为后视车道线道路边沿航向角，C2rear,lane为两倍的后视车道线道路边沿的曲率平均，C3rear,lane为6倍的后视车道线道路边沿曲率变化率平均值，Xrear,lane为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到后视车道线存在概率，表示为Prear,lane，该后视车道线存在概率用于表示后视图像中车道线存在的概率。
基于毫米波雷达采集的雷达信息，采用深度学习等方法根据道路结构模型，对雷达信息进行检测并得到对应的路沿信息，可以用特定道路结构模型的曲线对路沿进行表示。在不同的路沿表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中雷达路沿横向偏移和纵向偏移的对应关系可以表示为：
Xradar，edg＝C3radar,edge×Z^3+C2radar,edge×Z^2+C1radar,edge×Z+C0radar,edge，
本申请实施例中，C0radar,edge为根据雷达路沿信息得到的道路边沿横向偏移量，C1radar,edge为根据雷达路沿信息得到的道路边沿航向角，C2radar,edge为两倍的根据雷达路沿信息得到的道路边沿的曲率平均，C3radar,edge为6倍的根据雷达路沿信息得到的道路边沿曲率变化率平均值，Xradar,edge为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到雷达路沿存在概率，表示为Pradar,lane，该雷达路沿存在概率用于表示毫米波雷达检测到的路沿存在的概率。
基于毫米波雷达采集的雷达信息，采用深度学习等方法根据道路结构模型，对一辆或多辆采集到的观测车的轨迹信息进行分析可以用特定道路结构模型的曲线对车轨迹进行表示。在不同的车轨迹表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中毫米波雷达采集到的车轨迹中第i辆观测车的车轨迹横向偏移和纵向偏移的对应关系可以表示为：
Xradar，car(i)＝C3radar,car(i)×Z^3+C2radar,car(i)×Z^2+C1radar,car(i)×Z+C0radar,car(i)，
本申请实施例中，C0radar,car(i)为第i辆观测车的车轨迹相关的道路边沿横向偏移量，C1radar,car(i)为第i辆观测车的车轨迹相关的道路边沿航向角，C2radar,car(i)为两倍的第i辆观测车的车轨迹相关的道路边沿的曲率平均，C3radar,car(i)为6倍的第i辆观测车的车轨迹相关的道路边沿曲率变化率平均值，X为车辆横向的偏移，Z为车辆纵向的偏移。
目标车辆的雷达车轨迹存在概率可以表示为Pradar,car(i)。
一种可选的设计中，处理各目标车辆的车轨迹信息可以得到雷达车轨迹信息，在车辆行驶过程中雷达车轨迹横向偏移和纵向偏移的对应关系可以表示为：
Xradar，car＝C3radar,car×Z^3+C2radar,car×Z^2+C1radar,car×Z+C0radar,car，
本申请实施例中，在车辆行驶过程中雷达车轨迹横向偏移和纵向偏移的对应关系的参数，C0radar,car为观测车的车轨迹相关的道路边沿横向偏移量，C1radar,car为观测车的车轨迹相关的道路边沿航向角，C2radar,car为两倍的观测车的车轨迹相关的道路边沿的曲率平均，C3radar,car为6倍的观测车的车轨迹相关的道路边沿曲率变化率平均值，Xradar,car为车辆横向的偏移，Z为车辆纵向的偏移。
具体实施方式可以为选用车轨迹存在概率最高的观测车对应的雷达车轨迹信息作为待测车辆的雷达车轨迹信息，也可以对各观测车的车轨迹信息进行加权平均得到雷达车轨迹信息，具体此处不做限定。
雷达车轨迹存在概率可以表示为Pradar,car，该雷达车轨迹存在概率用于表示毫米波雷达检测到的车轨迹存在的概率。
本实施例中，仅以上述在车辆行驶过程中的横向偏移和纵向偏移的对应关系为例进行说明，可以理解的是，在实际应用中，具体的对应关系还可以有其他的形式，例如对上述在车辆行驶过程中的横向偏移和纵向偏移的对应关系的等效变形等，具体此处不做限定。
本实施例中，道路信息检测装置可以通过多种融合算法中的至少一种，融合前视车道线信息，后视车道线信息和雷达车道结构信息，得到目标车道线信息，融合算法可以是贝叶斯融合算法，也可以是多假设检验算法等其他融合算法，本实施例以基于概率的融合算法为例进行具体描述。
一种可选的设计中，融合后的目标车道线的对应关系可以表示为：
Xfusion＝C3fusion×Z^3+C2fusion×Z^2+C1fusion×Z+C0fusion，其车道线的存在概率为Pfusion，X为车辆横向的偏移，Z为车辆纵向的偏移。
本申请实施例中，C0fusion为融合后的车道线道路边沿横向偏移量，C1fusion为融合后的车道线道路边沿航向角，C2fusion为两倍的融合后的车道线道路边沿的曲率平均，C3fusion为6倍的融合后的车道线道路边沿曲率变化率平均值。
道路信息检测装置根据：
(C3front,lane，C2front,lane，C1front,lane，C0front,lane)，Pfront,lane，
和(C3rear,lane，C2rear,lane，C1rear,lane，C0rear,lane)，Prear,lane，
和(C3radar,car，C2radar,car，C1radar,car，C0radar,car)，Pradar,car，
和(C3radar,edge，C2radar,edge，C1radar,edge，C0radar,edge)，Pradar,edge；
一种可选的方式中，一种具体方式如下：
可以先设置一个阈值，低于若某采集器采集到的道路信息的概率低于阈值，则认为这个道路信息是不可信的，如Pfront,lane低于阈值，则认为C3front,lane，C2front,lane，C1front,lane和C0front,lane为不可信的，只有高于或等于此阈值的道路信息才是可信的。作为示例，这里的阈值可以设置为0.5，可以理解的是该阈值可以为其他数值如0.6，具体此处不做限定。
本申请实施例中，所有的概率均可与相同的阈值比较，也可以采用不同的阈值，如将前视车道线信息的存在概率Pfront,lane与第一阈值比较，将后视车道线信息的存在概率Prear,lane与第二阈值比较，第一阈值和第二阈值不相等，如第一阈值为0.6第二阈值为0.7。
如果所有采集到的道路信息的概率均低于设置的阈值，则表明本次采集的道路信息无效；
如果只有一个采集到的道路信息的概率高于或等于此阈值，则表明该高于阈值的概率对应的道路信息是可信的，其他道路信息不可信，则此时直接采用可信的道路信息；
选择上述所有道路检测信息中大于或等于此阈值的检测信息，通过如下示例方法。
Pfusion＝n/(1/Pfront,lane+1/Prear,lane+1/Pradar,car+1/Pradar,edge),n＝4
然后求解此对应关系，
Xfusion/Pfusion＝Xfront,lane/Pfront,lane+Xrear,lane/Prear,lane+Xradar,car/Pradar,car+Xradar,edge/Pradar,edge
Xfusion为融合后的横向偏移。
得到：
Cifusion，i为0至3中整数。
可以理解的是，在实际应用中可以不设置阈值，如道路信息检测装置确定所有的参数均为有效参数。
508、道路信息检测装置输出目标车道线信息。
道路信息检测装置输出目标车道线信息包括道路信息检测装置输出步骤507得到的在车辆行驶过程中的目标车道线横向偏移和纵向偏移的对应关系，输出的方式可以是图像，视屏，语音或文字，具体输出方式此处不做限定。
四、道路信息检测装置将前视车道线信息、后视车道线信息、前视车道结构信息、后视车道结构信息和雷达车道结构信息进行融合得到目标车道线信息：
请参阅图6，本申请实施例中道路信息检测方法另一个实施例包括：
601、道路信息检测装置接收前视图像；
602、道路信息检测装置接收后视图像；
603、道路信息检测装置接收雷达数据；
604、道路信息检测装置根据前视图像获取前视车道线信息；
605、道路信息检测装置根据后视图像获取后视车道线信息；
本实施例中的步骤601至605与前述图5所述实施例中的步骤501至505类似，此处不再赘述。
606、道路信息检测装置根据前视图像获取前视车道结构信息；
607、道路信息检测装置根据后视图像获取后视车道结构信息；
本实施例中的步骤606至607与前述图4所述实施例中的步骤405至406类似，此处不再赘述。
608、道路信息检测装置根据雷达数据获取雷达车道结构信息；
本实施例中的步骤608与前述图5所述实施例中的步骤506类似，此处不再赘述。
本实施例中，步骤601，604和606，与步骤602，605和607，与步骤603，606和608之间没有固定的先后时序关系。
609、道路信息检测装置融合前视车道线信息，后视车道线信息，前视车道结构信息，后视车道结构信息和雷达车道结构信息，得到目标车道线信息；
道路信息检测装置通过前视图像得到的信息称之为前视信息，如前视车道线信息和前视车道结构信息，通过后视图像得到的信息称之为后视信息，如后视车道线信息和后视车道结构信息，通过雷达数据得到的信息称之为雷达信息，如雷达车道线信息和雷达车道结构信息。
道路信息检测装置根据摄像装置获取的图像或毫米波雷达获取的雷达数据可得到车道线信息，如随着车辆的行驶而变化的车道线横向偏移和纵向偏移的对应关系和车道线存在概率，车道的宽度，车道线的类型如单行线，减速线等，车道线的颜色如黄色或白色等，以及车道线的宽度等信息。
道路信息检测装置根据摄像装置获取的图像或毫米波雷达获取的雷达数据还可得到车道结构信息，如车轨迹信息和路沿信息。车轨迹信息为观测车的行驶轨迹信息，综合多个观测车的行驶轨迹得到车轨迹横向偏移和纵向偏移的对应关系和车轨迹存在概率，以及观测车状态，如观测车处于停车，向前行驶，或转弯等状态。路沿一般是边缘的界石，一般情况下路沿与车道线平行，道路信息检测装置可得到随着车辆的行驶而变化的路沿横向偏移和纵向偏移的对应关系和路沿存在概率，还可以得到路沿的类型如石质路沿或护栏等，路沿的高度等路沿信息。
本实施例中，前视车道线信息可以包括在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，前视车道宽度，前视车道线类型，前视车道线颜色，和/或前视车道线宽度等中的至少一个。后视车道线信息可以包括在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，后视车道宽度，后视车道线类型，后视车道线颜色，和/或后视车道线宽度等中的至少一个。
本实施例中，前视车道结构信息可以包括在车辆行驶过程中前视路沿信息和/或前视车轨迹信息中的至少一个。其中，前视路沿信息可以包括在车辆行驶过程中前视路沿横向偏移和纵向偏移的对应关系，前视路沿存在概率，前视路沿类型，和/或前视路沿高度等中的至少一个。前视车轨迹信息可以包括在车辆行驶过程中前视车轨迹横向偏移和纵向偏移的对应关系，前视车轨迹存在概率，和/或前视观测车状态中的至少一个。
本实施例中，后视车道结构信息可以包括后视路沿信息。后视路沿信息可以包括在车辆行驶过程中后视路沿横向偏移和纵向偏移的对应关系，后视路沿存在概率，后视路沿类型，和/或后视路沿高度等中的至少一个。
本实施例中，雷达车道结构信息可以包括在车辆行驶过程中的雷达车轨迹信息和/或雷达路沿信息中的至少一个，其中，雷达车轨迹信息可以包括在车辆行驶过程中的雷达车轨迹横向偏移和纵向偏移的对应关系，雷达车轨迹存在概率，和/或雷达观测车状态中的至少一个。雷达路沿信息可以包括在车辆行驶过程中雷达路沿横向偏移和纵向偏移的对应关系，雷达路沿存在概率，雷达路沿类型，和/或雷达路沿高度等中的至少一个。
本实施例中，前视车道线信息以在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率为例，后视车道线信息以在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率为例，前视车道结构信息以在车辆行驶过程中前视车道结构横向偏移和纵向偏移的对应关系和前视车道结构存在概率为例，其中，前视车道结构横向偏移和纵向偏移的对应关系以前视路沿横向偏移和纵向偏移的对应关系和/或前视车轨迹横向偏移和纵向偏移的对应关系为例，前视车道结构存在概率以在车辆行驶过程中前视路沿存在概率和/或前视车轨迹存在概率为例，后视车道结构信息以在车辆行驶过程中后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率为例，其中，后视车道结构横向偏移和纵向偏移的对应关系以后视路沿横向偏移和纵向偏移的对应关系为例，后视车道结构存在概率以后视路沿存在概率为例，雷达车道结构信息以在车辆行驶过程中雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率为例，其中，雷达车道结构横向偏移和纵向偏移的对应关系以雷达路沿横向偏移和纵向偏移的对应关系和/或雷达车轨迹横向偏移和纵向偏移的对应关系为例，雷达车道结构存在概率以雷达路沿存在概率和/或雷达车轨迹存在概率为例，进行详细描述。
基于前视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对前视车道线进行检测并得到对应的车道线信息，可以用特定道路结构模型的曲线对车道线进行表示。在不同的车道线表示中，可以包含有车道边沿横向偏移量、车道边沿航向角、车道线的曲率平均以及车道线曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中前视车道线横向偏移和纵向偏移的对应关系可以表示为：
Xfront，lane＝C3front,lane×Z^3+C2front,lane×Z^2+C1front,lane×Z+C0front,lane，
本申请实施例中，C0front,lane为前视车道线道路边沿横向偏移量，C1front,lane为前视车道线道路边沿航向角，C2front,lane为两倍的前视车道线道路边沿的曲率平均，C3front,lane为6倍的前视车道线道路边沿曲率变化率平均值，Xfront,lane为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到前视车道线存在概率，表示为Pfront,lane，该前视车道线存在概率用于表示前视图像中车道线存在的概率。
基于后视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对后视车道线进行检测并得到对应的车道线信息，可以用特定道路结构模型的曲线＝对车道线进行表示。在不同的车道线表示中，可以包含有车道边沿横向偏移量、车道边沿航向角、车道线的曲率平均以及车道线曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中后视车道线横向偏移和纵向偏移的对应关系可以表示为：
Xrear，lane＝C3rear,lane×Z^3+C2rear,lane×Z^2+C1rear,lane×Z+C0rear,lane，
本申请实施例中，C0rear,lane为后视车道线道路边沿横向偏移量，C1rear,lane为后视车道线道路边沿航向角，C2rear,lane为两倍的后视车道线道路边沿的曲率平均，C3rear,lane为6倍的后视车道线道路边沿曲率变化率平均值，Xrear,lane为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到后视车道线存在概率，表示为Prear,lane，该后视车道线存在概率用于表示后视图像中车道线存在的概率。
基于前视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对前视路沿进行检测并得到对应的路沿信息，可以用特定道路结构模型的曲线对路沿进行表示。在不同的路沿表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中前视路沿横向偏移和纵向偏移的对应关系可以表示为：
Xfront，edge＝C3front,edge×Z^3+C2front,edge×Z^2+C1front,edge×Z+C0front,edge，
本申请实施例中，C0front,edge为前视路沿相关的道路边沿横向偏移量，C1front,edge为前视路沿相关的道路边沿航向角，C1front,edge为两倍的前视路沿相关的道路边沿的曲率平均，C1front,edge为6倍的前视路沿相关的道路边沿曲率变化率平均值，Xfront,edge为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到前视路沿存在概率，表示为Pfront,edge，该前视路沿存在概率用于表示前视图像中路沿存在的概率。
基于前视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对前视观测车进行检测并得到对应的车轨迹信息，可以用特定道路结构模型的曲线对车轨迹进行表示。在不同的车轨迹表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中前视摄像装置采集到的车轨迹中第i辆观测车的车轨迹横向偏移和纵向偏移的对应关系可以表示为：
Xfront，car(i)＝C3front,car(i)×Z^3+C2front,car(i)×Z^2+C1front,car(i)×Z+C0front,car(i)，
本申请实施例中，C0front,car(i)为第i辆观测车的车轨迹相关的道路边沿横向偏移量，C1front,car(i)为第i辆观测车的车轨迹相关的道路边沿航向角，C2front,car(i)为两倍的第i辆观测车的车轨迹相关的道路边沿的曲率平均，C3front,car(i)为6倍的第i辆观测车的车轨迹相关的道路边沿曲率变化率平均值，X为车辆横向的偏移，Z为车辆纵向的偏移。
第i辆观测车的车轨迹存在概率可以表示为Pfront,car(i)。
一种可选的设计中，处理各观测车的车轨迹信息可以得到前视车轨迹信息，在车辆行驶过程中前视车轨迹横向偏移和纵向偏移的对应关系可以表示为：
Xfront，car＝C3front,car×Z^3+C2front,car×Z^2+C1front,car×Z+C0front,car，
本申请实施例中，前视车轨迹横向偏移和纵向偏移的对应关系的参数，C0front,car为观测车的车轨迹相关的道路边沿横向偏移量，C1front,car为观测车的车轨迹相关的道路边沿航向角，C2front,car为两倍的观测车的车轨迹相关的道路边沿的曲率平均，C3front,car为6倍的观测车的车轨迹相关的道路边沿曲率变化率平均值，Xfront,car为车辆横向的偏移，Z为车辆纵向的偏移。
具体实施方式可以为选用车轨迹存在概率最高的观测车对应的车轨迹信息作为前视车轨迹信息，也可以对各观测车的车轨迹信息进行加权平均得到前视车轨迹信息，具体此处不做限定。
前视车轨迹存在概率可以表示为Pfront,car，该前视车轨迹存在概率用于表示前视图像中车轨迹存在的概率。
基于后视摄像装置采集的图像信息，采用图像检测或深度学习等方法，根据道路结构模型，对后视路沿进行检测并得到对应的路沿信息，可以用特定道路结构模型的曲线横向偏移和纵向偏移的对应关系对路沿进行表示。在不同的路沿表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中后视路沿横向偏移和纵向偏移的对应关系可以表示为：
Xrear，edge＝C3rear,edge×Z^3+C2rear,edge×Z^2+C1rear,edge×Z+C0rear,edge，
本申请实施例中，C0rear,edge为后视路沿相关的道路边沿横向偏移量，C1rear,edge为后视路沿相关的道路边沿航向角，C2rear,edge为两倍的后视路沿相关的道路边沿的曲率平均，C3rear,edge为6倍的后视路沿相关的道路边沿曲率变化率平均值，Xrear,edge为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到后视路沿存在概率，表示为Prear,edge，该后视路沿存在概率用于表示后视图像中路沿存在的概率。
基于毫米波雷达采集的雷达信息，采用深度学习等方法根据道路结构模型，对雷达信息进行检测并得到对应的路沿信息，可以用特定道路结构模型的曲线横向偏移和纵向偏移的对应关系对路沿进行表示。在不同的路沿表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中雷达路沿横向偏移和纵向偏移的对应关系可以表示为：
Xradar，edge＝C3radar,edge×Z^3+C2radar,edge×Z^2+C1radar,edge×Z+C0radar,edge，
本申请实施例中，C0radar,edge为根据雷达路沿信息得到的道路边沿横向偏移量，C1radar,edge为根据雷达路沿信息得到的道路边沿航向角，C2radar,edge为两倍的根据雷达路沿信息得到的道路边沿的曲率平均，C3radar,edge为6倍的根据雷达路沿信息得到的道路边沿曲率变化率平均值，Xradar,edge为车辆横向的偏移，Z为车辆纵向的偏移。
同时通过检测还可以得到雷达路沿存在概率，表示为Pradar,lane，该雷达路沿存在概率用于表示毫米波雷达检测到的路沿存在的概率。
基于毫米波雷达采集的雷达信息，采用深度学习等方法根据道路结构模型，对一辆或多辆采集到的观测车的轨迹信息进行分析可以用特定道路结构模型的曲线横向偏移和纵向偏移的对应关系对车轨迹进行表示。在不同的车轨迹表示中，可以包含有道路边沿横向偏移量、道路边沿航向角、道路的曲率平均以及道路曲率变化率平均值。下面提供一种可选的道路结构模型的公式化标识方法。但是本申请不限于此，道路结构模型可以通过上面参数中的至少一个确定或者指示。
一种可选的设计中，通过对在车辆行驶过程中检测到的道路曲线信息行融合处理，可以得到融合后的道路曲线即在车辆行驶过程中横向偏移和纵向偏移的对应关系。在车辆行驶过程中毫米波雷达采集到的车轨迹中第i辆观测车的车轨迹横向偏移和纵向偏移的对应关系可以表示为：
Xradar，car(i)＝C3radar,car(i)×Z^3+C2radar,car(i)×Z^2+C1radar,car(i)×Z+C0radar,car(i)，
本申请实施例中，C0radar,car(i)为第i辆观测车的车轨迹相关的道路边沿横向偏移量，C1radar,car(i)为第i辆观测车的车轨迹相关的道路边沿航向角，C2radar,car(i)为两倍的第i辆观测车的车轨迹相关的道路边沿的曲率平均，C3radar,car(i)为6倍的第i辆观测车的车轨迹相关的道路边沿曲率变化率平均值，X为车辆横向的偏移，Z为车辆纵向的偏移。
目标车辆的雷达车轨迹存在概率可以表示为Pradar,car(i)。
一种可选的设计中，处理各目标车辆的车轨迹信息可以得到雷达车轨迹信息，雷达车轨迹横向偏移和纵向偏移的对应关系可以表示为：
Xradar，car＝C3radar,car×Z^3+C2radar,car×Z^2+C1radar,car×Z+C0radar,car，
本申请实施例中，雷达车轨迹横向偏移和纵向偏移的对应关系的参数，C0radar,car为观测车的车轨迹相关的道路边沿横向偏移量，C1radar,car为观测车的车轨迹相关的道路边沿航向角，C2radar,car为两倍的观测车的车轨迹相关的道路边沿的曲率平均，C3radar,car为6倍的观测车的车轨迹相关的道路边沿曲率变化率平均值，Xradar,car为车辆横向的偏移，Z为车辆纵向的偏移。
具体实施方式可以为选用车轨迹存在概率最高的观测车对应的雷达车轨迹信息作为待测车辆的雷达车轨迹信息，也可以对各观测车的车轨迹信息进行加权平均得到雷达车轨迹信息，具体此处不做限定。
雷达车轨迹存在概率可以表示为Pradar,car，该雷达车轨迹存在概率用于表示毫米波雷达检测到的车轨迹存在的概率。
本实施例中，仅以上述在车辆行驶过程中的横向偏移和纵向偏移的对应关系为例进行说明，可以理解的是，在实际应用中，具体的对应关系还可以有其他的形式，例如对上述在车辆行驶过程中的横向偏移和纵向偏移的对应关系的等效变形等，具体此处不做限定。
本实施例中，道路信息检测装置可以通过多种融合算法中的至少一种，融合前视车道线信息，后视车道线信息，前视车道结构信息，后视车道结构信息和雷达车道结构信息，得到目标车道线信息，融合算法可以是贝叶斯融合算法，也可以是多假设检验算法等其他融合算法，本实施例以基于概率的融合算法为例进行具体描述。
一种可选的设计中，融合后的目标车道线对应关系可以表示为：
Xfusion＝C3fusion×Z^3+C2fusion×Z^2+C1fusion×Z+C0fusion，其车道线的存在概率为Pfusion，X为车辆横向的偏移，Z为车辆纵向的偏移。
本申请实施例中，C0fusion为融合后的车道线道路边沿横向偏移量，C1fusion为融合后的车道线道路边沿航向角，C2fusixn为两倍的融合后的车道线道路边沿的曲率平均，C3fusion为6倍的融合后的车道线道路边沿曲率变化率平均值。
道路信息检测装置根据：
(C3front,lane，C2front,lane，C1front,lane，C0front,lane)，Pfront,lane，
和(C3rear,lane，C2rear,lane，C1rear,lane，C0rear,lane)，Prear,lane，
和(C3front,edge，C2front,edge，C1front,edge，C0front,edge)，Pfront,edge，
和(C3front,car，C2front,car，C1front,car，C0front,car)，Pfront,car，
和(C3rear,edge，C2rear,edge，C1rear,edge，C0rear,edge)，Prear,edge；
和(C3radar,car，C2radar,car，C1radar,car，C0radar,car)，Pradar,car，
和(C3radar,edge，C2radar,edge，C1radar,edge，C0radar,edge)，Pradar,edge；
来得到：(C3fusion，C2fusion，C1fusion，C0fusion)，Pfusion；
一种可选的方式中，一种具体方式如下：
可以先设置一个阈值，低于若某采集器采集到的道路信息的概率低于阈值，则认为这个道路信息是不可信的，如Pfront,lane低于阈值，则认为C3front,lane，C2front,lane，C1front,lane和C0front,lane为不可信的，只有高于或等于此阈值的道路信息才是可信的。作为示例，这里的阈值可以设置为0.5，可以理解的是该阈值可以为其他数值如0.6，具体此处不做限定。
本申请实施例中，所有的概率均可与相同的阈值比较，也可以采用不同的阈值，如将前视车道线信息的存在概率Pfront,lane与第一阈值比较，将后视车道线信息的存在概率Prear,lane与第二阈值比较，第一阈值和第二阈值不相等，如第一阈值为0.6第二阈值为0.7。
如果所有采集到的道路信息的概率均低于设置的阈值，则表明本次采集的道路信息无效；
如果只有一个采集到的道路信息的概率高于或等于此阈值，则表明该高于阈值的概率对应的道路信息是可信的，其他道路信息不可信，则此时直接采用可信的道路信息；
选择上述所有道路检测信息中大于或等于此阈值的检测信息，通过如下示例方法。
Pfusion＝n/(1/Pfront,lane+1/Prear,lane+1/Pfront,edge+1/Pfront,car+1/Prear,edge+1/Pradar,car+1/Pradar,edge),n＝7
然后求解此对应关系，
Xfusion/Pfusion＝Xfront,lane/Pfront,lane+Xrear,lane/Prear,lane+Xfront,edge/Pfront,edge+Xfront,car/Pfront,car+Xrear,edge/Prear,edge+Xradar,car/Pradar,car+Xradar,edge/Pradar,edge
Xfusion为融合后的横向偏移。
得到：
Cifusion，i为0至3中整数。
可以理解的是，在实际应用中可以不设置阈值，如道路信息检测装置确定所有的参数均为有效参数。
610、道路信息检测装置输出目标车道线信息。
道路信息检测装置输出目标车道线信息包括道路信息检测装置输出步骤609得到的在车辆行驶过程中目标车道线横向偏移和纵向偏移的对应关系，输出的方式可以是图像，视屏，语音或文字，具体输出方式此处不做限定。
上面对本申请实施例中的信息传输方法进行了描述，下面对本申请实施例中的设备进行描述，道路信息检测装置可以以软件的形式部署在道路信息检测装置上。
请参阅图7，本申请实施例中道路信息检测装置一个实施例包括：
接收单元701，用于接收来自至少一个前视摄像装置的前视图像和来自至少一个后视摄像装置的后视图像，还用于接收雷达数据；
获取单元702，用于根据前视图像获取前视车道线信息，根据后视图像获取后视车道线信息，还用于根据前视图像获取前视车道结构信息，根据后视图像获取后视车道结构信息，还用于根据雷达数据获取雷达车道结构信息；
融合单元703，用于根据前视车道线信息和后视车道线信息，得到目标车道线信息；
融合单元703具体可以用于根据下述任意一种或多种方式，得到目标车道线信息：
(1)融合前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
(2)融合前视车道线信息，后视车道线信息，前视车道结构信息和后视车道结构信息，得到目标车道线信息。
(3)融合前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，前视车道结构横向偏移和纵向偏移的对应关系，前视车道结构存在概率，后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
(4)融合前视车道线信息，后视车道线信息和雷达车道结构信息，得到目标车道线信息。
(5)融合前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
(6)融合前视车道线信息，后视车道线信息，前视车道结构信息，后视车道结构信息和雷达车道结构信息，得到目标车道线信息。
(7)融合前视车道线横向偏移和纵向偏移的对应关系，前视车道线存在概率，后视车道线横向偏移和纵向偏移的对应关系，后视车道线存在概率，前视车道结构横向偏移和纵向偏移的对应关系，前视车道结构存在概率，后视车道结构横向偏移和纵向偏移的对应关系，后视车道结构存在概率，雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
输出单元704，用于输出目标车道线信息。
本实施例中，道路信息检测装置中各单元所执行的操作与前述图3至图6所示实施例中描述的类似，此处不再赘述。
请参阅图8，本申请实施例中道路信息检测装置另一个结构示意图，该道路信息检测装置800可以包括一个或一个以上的处理器801和存储器805，该存储器805中存储有一个或一个以上的应用程序或数据。
其中，存储器805可以是易失性存储或持久存储。存储在存储器805的程序可以包括一个或一个以上模块，每个模块可以包括对道路信息检测装置中的一系列指令操作。更进一步地，处理器801可以设置为与存储器805通信，在道路信息检测装置800上执行存储器805中的一系列指令操作。
进一步可选的，道路信息检测装置800还可以包括一个或一个以上电源802，一个或一个以上有线或无线网络接口803，一个或一个以上输入输出接口804，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
该处理器801可以执行前述图3至图6所示实施例中道路信息检测装置所执行的操作，具体此处不再赘述。
本申请实施例提供一种车辆，该车辆包括至少一个检测装置如图8所示的道路信息检测装置800，该车辆可以执行前述图3至图6所示实施例中道路信息检测装置所执行的操作。
本申请实施例提供一种检测系统，该检测系统包含检测装置以及至少一个传感器，检测装置可以为图8所示的道路信息检测装置800，传感器可以包括摄像装置和/或毫米波雷达等中至少一个。
本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持道路信息检测装置实现上述方面中所涉及的功能，例如，例如发送或处理上述方法中所涉及的数据和/或信息。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
在另一种可能的设计中，当该芯片系统为道路信息检测装置等内的芯片时，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使该道路信息检测装置内的芯片执行上述图3至6中任一项实施例中道路信息检测装置执行的方法的步骤。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述UE或基站等内的位于所述芯片外部的存储单元，如只读存储器(readonly memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机执行时实现上述任一方法实施例中道路信息检测装置相关的方法流程。对应的，该计算机可以为上述道路信息检测装置。
应理解，本申请以上实施例中的道路信息检测装置芯片系统等中提及的处理器，或者本申请上述实施例提供的处理器，可以是中央处理单元(central processing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(fieldprogrammable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请中以上实施例中的道路信息检测装置、芯片系统等中的处理器的数量可以是一个，也可以是多个，可以根据实际应用场景调整，此处仅仅是示例性说明，并不作限定。本申请实施例中的存储器的数量可以是一个，也可以是多个，可以根据实际应用场景调整，此处仅仅是示例性说明，并不作限定。
还应理解，本申请实施例中以上实施例中的道路信息检测装置、芯片系统等中提及的存储器或可读存储介质等，可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasablePROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM，DR RAM)。
还需要说明的是，当道路信息检测装置包括处理器(或处理单元)与存储器时，本申请中的处理器可以是与存储器集成在一起的，也可以是处理器与存储器通过接口连接，可以根据实际应用场景调整，并不作限定。
本申请实施例还提供了一种计算机程序或包括计算机程序的一种计算机程序产品，该计算机程序在某一计算机上执行时，将会使所述计算机实现上述任一方法实施例中与OLT或ONU的方法流程。对应的，该计算机可以为上述的路信息检测装置。
在上述图3至6中各个实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)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、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (16)

1.一种道路信息检测方法，其特征在于，所述方法包括：
接收来自至少一个前视摄像装置的前视图像和来自至少一个后视摄像装置的后视图像；
根据所述前视图像获取前视车道线信息，根据所述后视图像获取后视车道线信息；所述前视车道线信息包括前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率，所述后视车道线信息包括后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率；
根据所述前视图像获取前视车道结构信息，根据所述后视图像获取后视车道结构信息；所述前视车道结构信息包括前视路沿信息和前视车轨迹信息；所述后视车道结构信息包括后视路沿信息；
融合所述前视车道线信息，所述后视车道线信息，所述前视车道结构信息和所述后视车道结构信息，得到目标车道线信息。
2.根据权利要求1所述的道路信息检测方法，其特征在于，所述融合所述前视车道线信息，所述后视车道线信息，所述前视车道结构信息和所述后视车道结构信息，得到目标车道线信息,包括：
融合所述前视车道线横向偏移和纵向偏移的对应关系，所述前视车道线存在概率，所述后视车道线横向偏移和纵向偏移的对应关系，所述后视车道线存在概率，所述前视路沿信息，所述前视车轨迹信息和所述后视路沿信息，得到目标车道线横向偏移和纵向偏移的对应关系。
3.根据权利要求1所述的道路信息检测方法，其特征在于，
所述前视车道结构信息包括前视车道结构横向偏移和纵向偏移的对应关系和前视车道结构存在概率；
所述前视车道结构横向偏移和纵向偏移的对应关系包括前视路沿横向偏移和纵向偏移的对应关系和前视车轨迹横向偏移和纵向偏移的对应关系；
所述前视车道结构存在概率包括前视路沿存在概率和前视车轨迹存在概率；
所述后视车道结构信息包括后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率；
所述后视车道结构横向偏移和纵向偏移的对应关系包括后视路沿横向偏移和纵向偏移的对应关系；
所述后视车道结构存在概率包括后视路沿存在概率；
所述融合所述前视车道线信息，所述后视车道线信息，所述前视车道结构信息和所述后视车道结构信息，得到目标车道线信息包括：
融合所述前视车道线横向偏移和纵向偏移的对应关系，所述前视车道线存在概率，所述后视车道线横向偏移和纵向偏移的对应关系，所述后视车道线存在概率，所述前视路沿横向偏移和纵向偏移的对应关系，所述前视车轨迹横向偏移和纵向偏移的对应关系，所述前视路沿存在概率，所述前视车轨迹存在概率，所述后视路沿横向偏移和纵向偏移的对应关系和所述后视路沿存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
4.根据权利要求1所述的道路信息检测方法，其特征在于，所述方法还包括：
接收来自至少一个雷达的雷达数据；
根据所述雷达数据获取雷达车道结构信息；
所述融合所述前视车道线信息，所述后视车道线信息，所述前视车道结构信息和所述后视车道结构信息，得到所述目标车道线信息包括：
融合所述前视车道线信息，所述后视车道线信息，所述前视车道结构信息，所述后视车道结构信息和所述雷达车道结构信息，得到所述目标车道线信息。
5.根据权利要求4所述的道路信息检测方法，其特征在于，
所述雷达车道结构信息包括雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率；
所述融合所述前视车道线信息，所述后视车道线信息，所述前视车道结构信息，所述后视车道结构信息和所述雷达车道结构信息，得到目标车道线信息包括：
融合所述前视车道线横向偏移和纵向偏移的对应关系，所述前视车道线存在概率，所述后视车道线横向偏移和纵向偏移的对应关系，所述后视车道线存在概率，所述前视路沿信息，所述前视车轨迹信息，所述后视路沿信息，所述雷达车道结构横向偏移和纵向偏移的对应关系和所述雷达车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
6.根据权利要求4所述的道路信息检测方法，其特征在于，
所述前视车道结构信息包括前视车道结构横向偏移和纵向偏移的对应关系和前视车道结构存在概率；
所述前视车道结构横向偏移和纵向偏移的对应关系包括前视路沿横向偏移和纵向偏移的对应关系和前视车轨迹横向偏移和纵向偏移的对应关系；
所述前视车道结构存在概率包括前视路沿存在概率和前视车轨迹存在概率；
所述后视车道结构信息包括后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率；
所述后视车道结构横向偏移和纵向偏移的对应关系包括后视路沿横向偏移和纵向偏移的对应关系；
所述后视车道结构存在概率包括后视路沿存在概率；
所述雷达车道结构信息包括雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率；
所述融合所述前视车道线信息，所述后视车道线信息，所述前视车道结构信息，所述后视车道结构信息和所述雷达车道结构信息，得到目标车道线信息包括：
融合所述前视车道线横向偏移和纵向偏移的对应关系，所述前视车道线存在概率，所述后视车道线横向偏移和纵向偏移的对应关系，所述后视车道线存在概率，所述前视路沿横向偏移和纵向偏移的对应关系，所述前视车轨迹横向偏移和纵向偏移的对应关系，所述前视路沿存在概率，所述前视车轨迹存在概率，所述后视路沿横向偏移和纵向偏移的对应关系，所述后视路沿存在概率，所述雷达车道结构横向偏移和纵向偏移的对应关系和所述雷达车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
7.根据权利要求5或6所述的道路信息检测方法，其特征在于，
所述雷达车道结构信息包括雷达路沿信息和雷达车轨迹信息；
所述雷达车道结构横向偏移和纵向偏移的对应关系包括雷达路沿横向偏移和纵向偏移的对应关系和雷达车轨迹横向偏移和纵向偏移的对应关系；
所述雷达车道结构存在概率包括雷达路沿存在概率和雷达车轨迹存在概率。
8.一种道路信息检测装置，其特征在于，包括：
接收单元，用于接收来自至少一个前视摄像装置的前视图像和来自至少一个后视摄像装置的后视图像；
获取单元，用于根据所述前视图像获取前视车道线信息，根据所述后视图像获取后视车道线信息；所述前视车道线信息包括前视车道线横向偏移和纵向偏移的对应关系和前视车道线存在概率，所述后视车道线信息包括后视车道线横向偏移和纵向偏移的对应关系和后视车道线存在概率；
所述获取单元还用于，根据所述前视图像获取前视车道结构信息，根据所述后视图像获取后视车道结构信息；所述前视车道结构信息包括前视路沿信息和前视车轨迹信息；所述后视车道结构信息包括后视路沿信息；
融合单元，用于融合所述前视车道线信息，所述后视车道线信息，所述前视车道结构信息和所述后视车道结构信息，得到目标车道线信息。
9.根据权利要求8所述的道路信息检测装置，其特征在于，所述融合单元具体用于，融合所述前视车道线横向偏移和纵向偏移的对应关系，所述前视车道线存在概率，所述后视车道线横向偏移和纵向偏移的对应关系，所述后视车道线存在概率，所述前视路沿信息，所述前视车轨迹信息和所述后视路沿信息，得到目标车道线横向偏移和纵向偏移的对应关系。
10.根据权利要求8所述的道路信息检测装置，其特征在于，
所述前视车道结构信息包括前视车道结构横向偏移和纵向偏移的对应关系和前视车道结构存在概率；
所述前视车道结构横向偏移和纵向偏移的对应关系包括前视路沿横向偏移和纵向偏移的对应关系和前视车轨迹横向偏移和纵向偏移的对应关系；
所述前视车道结构存在概率包括前视路沿存在概率和前视车轨迹存在概率；
所述后视车道结构信息包括后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率；
所述后视车道结构横向偏移和纵向偏移的对应关系包括后视路沿横向偏移和纵向偏移的对应关系；
所述后视车道结构存在概率包括后视路沿存在概率；
所述融合单元具体用于，融合所述前视车道线横向偏移和纵向偏移的对应关系，所述前视车道线存在概率，所述后视车道线横向偏移和纵向偏移的对应关系，所述后视车道线存在概率，所述前视路沿横向偏移和纵向偏移的对应关系，所述前视车轨迹横向偏移和纵向偏移的对应关系，所述前视路沿存在概率，所述前视车轨迹存在概率，所述后视路沿横向偏移和纵向偏移的对应关系和所述后视路沿存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
11.根据权利要求8所述的道路信息检测装置，其特征在于，所述接收单元还用于接收雷达数据；
所述获取单元还用于，根据所述雷达数据获取雷达车道结构信息；
所述融合单元具体用于，融合所述前视车道线信息，所述后视车道线信息，所述前视车道结构信息，所述后视车道结构信息和所述雷达车道结构信息，得到所述目标车道线信息。
12.根据权利要求11所述的道路信息检测装置，其特征在于，
所述雷达车道结构信息包括雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率；
所述融合单元具体用于，融合所述前视车道线横向偏移和纵向偏移的对应关系，所述前视车道线存在概率，所述后视车道线横向偏移和纵向偏移的对应关系，所述后视车道线存在概率，所述前视路沿信息，所述前视车轨迹信息，所述后视路沿信息，所述雷达车道结构横向偏移和纵向偏移的对应关系和所述雷达车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
13.根据权利要求11所述的道路信息检测装置，其特征在于，
所述前视车道结构信息包括前视车道结构横向偏移和纵向偏移的对应关系和前视车道结构存在概率；
所述前视车道结构横向偏移和纵向偏移的对应关系包括前视路沿横向偏移和纵向偏移的对应关系和前视车轨迹横向偏移和纵向偏移的对应关系；
所述前视车道结构存在概率包括前视路沿存在概率和前视车轨迹存在概率；
所述后视车道结构信息包括后视车道结构横向偏移和纵向偏移的对应关系和后视车道结构存在概率；
所述后视车道结构横向偏移和纵向偏移的对应关系包括后视路沿横向偏移和纵向偏移的对应关系；
所述后视车道结构存在概率包括后视路沿存在概率；
所述雷达车道结构信息包括雷达车道结构横向偏移和纵向偏移的对应关系和雷达车道结构存在概率；
所述融合单元具体用于，融合所述前视车道线横向偏移和纵向偏移的对应关系，所述前视车道线存在概率，所述后视车道线横向偏移和纵向偏移的对应关系，所述后视车道线存在概率，前视路沿横向偏移和纵向偏移的对应关系，前视车轨迹横向偏移和纵向偏移的对应关系，前视路沿存在概率，前视车轨迹存在概率，后视路沿横向偏移和纵向偏移的对应关系，后视路沿存在概率，所述雷达车道结构横向偏移和纵向偏移的对应关系和所述雷达车道结构存在概率，得到目标车道线横向偏移和纵向偏移的对应关系。
14.根据权利要求12或13所述的道路信息检测装置，其特征在于，
所述雷达车道结构信息包括雷达路沿信息和雷达车轨迹信息；
所述雷达车道结构横向偏移和纵向偏移的对应关系包括雷达路沿横向偏移和纵向偏移的对应关系和雷达车轨迹横向偏移和纵向偏移的对应关系；
所述雷达车道结构存在概率包括雷达路沿存在概率和雷达车轨迹存在概率。
15.一种道路信息检测装置，其特征在于，包括：
至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储程序；
所述至少一个处理器所述程序以实现如权利要求1至7中任一项所述的方法。
16.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行如权利要求1至7中任一项所述的方法。
CN201911209196.4A 2019-11-30 2019-11-30 道路信息检测方法以及装置 Active CN112885074B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201911209196.4A CN112885074B (zh) 2019-11-30 2019-11-30 道路信息检测方法以及装置
EP20894795.2A EP4053816B1 (en) 2019-11-30 2020-08-10 Road information detection method and apparatus
PCT/CN2020/108133 WO2021103651A1 (zh) 2019-11-30 2020-08-10 道路信息检测方法以及装置
US17/827,170 US20220292849A1 (en) 2019-11-30 2022-05-27 Road Information Detection Method and Apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911209196.4A CN112885074B (zh) 2019-11-30 2019-11-30 道路信息检测方法以及装置

Publications (2)

Publication Number Publication Date
CN112885074A CN112885074A (zh) 2021-06-01
CN112885074B true CN112885074B (zh) 2023-01-13

Family

ID=76039440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911209196.4A Active CN112885074B (zh) 2019-11-30 2019-11-30 道路信息检测方法以及装置

Country Status (4)

Country Link
US (1) US20220292849A1 (zh)
EP (1) EP4053816B1 (zh)
CN (1) CN112885074B (zh)
WO (1) WO2021103651A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4425462A1 (en) * 2021-11-26 2024-09-04 Huawei Technologies Co., Ltd. Method and apparatus for predicting drivable lane
CN113942503B (zh) * 2021-12-02 2023-06-27 天津天瞳威势电子科技有限公司 一种车道保持方法和装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6930593B2 (en) * 2003-02-24 2005-08-16 Iteris, Inc. Lane tracking system employing redundant image sensing devices
JP4988786B2 (ja) * 2009-04-09 2012-08-01 株式会社日本自動車部品総合研究所 境界線認識装置
EP2279889B1 (en) * 2009-07-08 2015-09-09 Volvo Car Corporation Method and system for shoulder departure assistance in an automotive vehicle
US9090263B2 (en) * 2010-07-20 2015-07-28 GM Global Technology Operations LLC Lane fusion system using forward-view and rear-view cameras
US8706417B2 (en) * 2012-07-30 2014-04-22 GM Global Technology Operations LLC Anchor lane selection method using navigation input in road change scenarios
CN104751151B (zh) * 2015-04-28 2017-12-26 苏州安智汽车零部件有限公司 一种实时多车道识别及跟踪方法
DE102015209467A1 (de) * 2015-05-22 2016-11-24 Continental Teves Ag & Co. Ohg Verfahren zur Schätzung von Fahrstreifen
CN107862290B (zh) * 2017-11-10 2021-09-24 智车优行科技（北京）有限公司 车道线检测方法及系统
CN108162867A (zh) * 2017-12-21 2018-06-15 宁波吉利汽车研究开发有限公司 一种车道识别系统及车道识别方法
CN110286671B (zh) * 2019-04-29 2022-03-29 北京工业大学 一种基于回旋曲线的自动驾驶车辆路径生成方法
CN110334634A (zh) * 2019-06-28 2019-10-15 广州鹰瞰信息科技有限公司 一种车道线类别的检测方法和预警装置
CN110516652B (zh) * 2019-08-30 2023-04-18 北京百度网讯科技有限公司 车道检测的方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
EP4053816A1 (en) 2022-09-07
EP4053816B1 (en) 2024-04-24
EP4053816A4 (en) 2022-12-07
WO2021103651A1 (zh) 2021-06-03
CN112885074A (zh) 2021-06-01
US20220292849A1 (en) 2022-09-15

Similar Documents

Publication Publication Date Title
CN106991389B (zh) 确定道路边沿的装置和方法
US11679635B2 (en) Vehicular trailer hitching assist system with coupler height and location estimation
US20220157068A1 (en) System and Method of Determining a Curve
US20150032369A1 (en) Wayfinding method and device
US20200240806A1 (en) Vehicle position estimation apparatus
WO2020259284A1 (zh) 一种障碍物检测方法及装置
CN108604405A (zh) 利用环境和深度次序探测局部被遮挡的物体
CN112712040B (zh) 基于雷达校准车道线信息的方法、装置、设备及存储介质
CN110361014B (zh) 本车位置推断装置
US20160098605A1 (en) Lane boundary line information acquiring device
CN112885074B (zh) 道路信息检测方法以及装置
JP2017529517A (ja) 自動車に接近する対象車両を自動車のカメラシステムにより追跡する方法、カメラシステムおよび自動車
JP2005182303A (ja) 車線認識画像処理装置
US20180012083A1 (en) Demarcation line recognition apparatus
JP6456682B2 (ja) 走行区画線認識装置
WO2018131061A1 (ja) 走行路認識装置及び走行路認識方法
Cui et al. Real-time global localization of intelligent road vehicles in lane-level via lane marking detection and shape registration
US10839522B2 (en) Adaptive data collecting and processing system and methods
JP2008040736A (ja) 車両検出装置、および車両検出方法
WO2017036927A1 (en) Vision system for a motor vehicle and method of controlling a vision system
CN107886036B (zh) 车辆控制方法、装置及车辆
US20190012918A1 (en) Method and device for classifying a parking spot identified with the aid of a distance-based detection method for validity
US11983918B2 (en) Platform for perception system development for automated driving system
JP2020020690A (ja) 自車位置推定装置
Quintero et al. Extended floating car data system-experimental study

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