CN113516105B - 一种车道检测方法、装置及计算机可读存储介质 - Google Patents
一种车道检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113516105B CN113516105B CN202111043369.7A CN202111043369A CN113516105B CN 113516105 B CN113516105 B CN 113516105B CN 202111043369 A CN202111043369 A CN 202111043369A CN 113516105 B CN113516105 B CN 113516105B
- Authority
- CN
- China
- Prior art keywords
- target
- clustering
- center line
- preset
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 20
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 15
- 230000000877 morphologic effect Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 27
- 238000002372 labelling Methods 0.000 abstract description 8
- 238000009434 installation Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种车道检测方法、装置及计算机可读存储介质，本申请实施例可以使用于高精地图或自动驾驶等领域，通过采集预设数量的目标轨迹数据；根据目标轨迹数据的分布状态确定初始聚类中心线；基于初始聚类中心线对目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；基于目标聚类中心线确定待检测车辆所属的目标车道。以此，可以通过采集的预设数量的目标轨迹数据的分布状态，快速确定初始聚类中心线，并基于初始聚类中心线进行目标轨迹数据的聚类处理，得到准确的目标聚类中心线，进而根据目标聚类中心线快速判断待检测车辆所属的目标车道，无需依赖数据标注，对现场监控设备的安装要求低，极大的提升了车道检测的效率。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种车道检测方法、装置及计算机可读存储介质。
背景技术
目前，对行驶中车辆所属车道判定，为智慧交通的基础技术之一，无论是对交通事件的分析，还是对异常驾驶行为，例如强行变道、违法占用应急车道等行为的检测都尤为重要。
现有技术中，车道判定主要通过人工划定车道监控范围来完成，在监控场景迁移时需要重新规划方案或者重新布设监控设备，由于安装条件较为严格，要求监控设备姿态始终维持固定，但是，在长期监控中因外界因素影响产生的设备歪斜会造成结果不准确，需要较高的维护成本。
发明内容
本申请实施例提供一种车道检测方法、装置及计算机可读存储介质，可以提升车道检测的效率。
为解决上述技术问题，本申请实施例提供以下技术方案：
一种车道检测方法，包括：
采集预设数量的目标轨迹数据；
根据所述目标轨迹数据的分布状态确定初始聚类中心线；
基于所述初始聚类中心线对所述目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；
基于所述目标聚类中心线确定待检测车辆所属的目标车道。
一种车道检测装置，包括：
采集单元，用于采集预设数量的目标轨迹数据；
第一确定单元，用于根据所述目标轨迹数据的分布状态确定初始聚类中心线；
聚类单元，用于基于所述初始聚类中心线对所述目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；
第二确定单元，用于基于所述目标聚类中心线确定待检测车辆所属的目标车道。
在一些实施例中，所述第一确定单元，包括：
表征子单元，用于将所述目标轨迹数据进行对应的轨迹表征，得到多条轨迹；
确定子单元，用于根据多条轨迹的轨迹聚集状态确定初始聚类中心线。
在一些实施例中，所述表征子单元，用于：
基于所述目标轨迹数据生成第一预设黑白图像，所述第一预设黑白图像中包括以白色像素生成的目标轨迹；
对所述第一预设黑白图像进行图像优化处理，得到目标预设黑白图像；
所述确定子单元，用于：
根据所述目标预设黑白图像中的轨迹聚集状态确定初始聚类中心线。
在一些实施例中，所述表征子单元，还用于：
基于所述目标轨迹数据生成第一预设黑白图像，所述第一预设黑白图像中包括以白色像素生成的目标轨迹；
对所述第一预设黑白图像进行高斯平滑处理，得到高斯平滑处理后的第二预设黑白图像；
对所述第二预设黑白图像进行裁剪处理，得到裁剪处理后的第三预设黑白图像；
对所述第三预设黑白图像进行二值化处理以及形态学处理，得到二值化处理以及形态学处理后的目标预设黑白图像。
在一些实施例中，所述确定子单元，还用于：
确定所述目标预设黑白图像中的多个轨迹连通区域；
计算每一轨迹连通区域的中心点信息；
将包含所述中心点信息的轨迹确定为初始聚类中心线。
在一些实施例中，所述聚类单元，包括：
计算子单元，用于计算每一目标轨迹数据与每一初始聚类中心线之间的距离信息；
排序子单元，用于将所述距离信息按照由小至大的顺序进行排序；
聚类子单元，用于将每一目标轨迹数据聚类至距离信息最小的初始聚类中心线，得到聚类结果；
迭代更新子单元，用于当检测到所述聚类结果未满足预设条件时，对所述聚类结果进行迭代聚类更新，直至所述聚类结果满足预设条件；
确定子单元，用于当检测到所述聚类结果满足预设条件时，根据满足预设条件的聚类结果确定目标聚类中心线。
在一些实施例中，所述聚类子单元，用于：
获取每一目标轨迹数据对应距离信息最小的第一距离信息以及距离信息次最小的第二距离信息；
当所述第一距离信息和所述第二距离信息的比值低于第一预设距离阈值时，将对应的目标轨迹数据标注为预设状态；
将每一标注为预设状态的目标轨迹数据聚类至距离信息最小的初始聚类中心线，得到聚类结果。
在一些实施例中，所述聚类单元，还包括：
检测子单元，用于检测聚类迭代次数是否达到预设迭代阈值；
第一判定子单元，用于当检测到聚类迭代次数达到预设迭代阈值时，判定为检测到所述聚类结果满足预设条件；
第二判定子单元，用于当检测到聚类迭代次数未达到预设迭代阈值时，判定为检测到所述聚类结果未满足预设条件。
在一些实施例中，所述聚类单元，还包括：
获取子单元，用于获取每一目标轨迹数据对应距离信息最小的第一距离信息进行平均值计算，得到目标距离信息；
第三判定子单元，用于当所述目标距离信息小于第二预设距离阈值时，判定为检测到所述聚类结果满足预设条件；
执行子单元，用于当所述目标距离信息不小于第二预设距离阈值时，执行检测聚类迭代次数是否达到预设迭代阈值。
在一些实施例中，所述第二确定单元，用于：
建立每一目标聚类中心线对应的高斯分布模型；
获取待检测车辆的位置信息；
将所述位置信息输入至每一高斯分布模型中进行预测，得到每一高斯分布模型输出的概率值；
根据概率值确定所述待检测车辆所属的目标车道。
一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述车道检测方法中的步骤。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述车道检测方法中的步骤。
一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在存储介质中。计算机设备的处理器从存储介质读取所述计算机指令，处理器执行所述计算机指令，使得所述计算机上述车道检测方法中的步骤。
本申请实施例通过采集预设数量的目标轨迹数据；根据目标轨迹数据的分布状态确定初始聚类中心线；基于初始聚类中心线对目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；基于目标聚类中心线确定待检测车辆所属的目标车道。以此，可以通过采集的预设数量的目标轨迹数据的分布状态，快速确定初始聚类中心线，并基于初始聚类中心线进行目标轨迹数据的聚类处理，得到准确的目标聚类中心线，进而根据目标聚类中心线快速判断待检测车辆所属的目标车道，无需依赖数据标注，对现场监控设备的安装要求低，极大的提升了车道检测的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的车道检测系统的场景示意图；
图2是本申请实施例提供的车道检测方法的流程示意图；
图3是本申请实施例提供的车道检测方法的另一流程示意图；
图4a为本申请实施例提供的车道检测方法的场景示意图；
图4b为本申请实施例提供的车道检测方法的另一场景示意图；
图4c为本申请实施例提供的车道检测方法的另一场景示意图；
图4d为本申请实施例提供的车道检测方法的另一场景示意图；
图5是本申请实施例提供的车道检测装置的结构示意图；
图6是本申请实施例提供的服务器的结构示意图。
具体实施方式
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。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种车道检测方法、装置、及计算机可读存储介质。
请参阅图1，图1为本申请实施例所提供的车道检测系统的场景示意图，包括：摄像装置和服务器（摄像装置的具体个数在此处不作限定），摄像装置与服务器之间可以通过通信网络连接，该通信网络，可以包括无线网络以及有线网络，其中无线网络包括无线广域网、无线局域网、无线城域网、以及无线个人网中的一种或多种的组合。网络中包括路由器、网关等等网络实体，图中并未示意出。摄像头可以通过通信网络与服务器进行信息交互，比如摄像装置将目标轨迹数据发送至服务器。
该车道检测系统可以包括车道检测装置，该车道检测装置具体可以集成在计算机设备中，该计算机设备可以为终端或者服务器等设备，该终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载终端、智能电视等。以该车道检测方法由服务器执行为例，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。如图1所示，该服务器可以采集预设数量的目标轨迹数据；根据该目标轨迹数据的分布状态确定初始聚类中心线；基于该初始聚类中心线对该目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；基于该目标聚类中心线确定待检测车辆所属的目标车道。
该摄像装置可以一台高位监控相机和普通边缘计算设备，可以安装在每一检测区域中，用于拍摄每一检测区域中的目标图像，并可以分析和记录目标图像中车辆行驶的轨迹，生成目标轨迹数据实时发送至服务器中，以使得服务器根据目标轨迹数据进行车道判定。
需要说明的是，图1所示的车道检测系统的场景示意图仅仅是一个示例，本申请实施例描述的车道检测系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着车道检测系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
以下分别进行详细说明。
本申请实施例提供了一种车道检测方法，该方法可以由终端或服务器执行，也可以由终端和服务器共同执行；本申请实施例以车道检测方法由服务器执行为例来进行说明。
请参阅图2，图2是本申请实施例提供的车道检测方法的流程示意图。该车道检测方法包括：
在步骤101中，采集预设数量的目标轨迹数据。
本申请实施例中的车道指行车道，指交通场景中供车辆行驶的道路，车道判定指判断行驶中的车辆所属车道，即判断行驶中的车辆具体在哪条车道上。在相关技术中，基于人工巡视和视频查看的交通监控面临人力成本高、覆盖面小以及效率低等问题，已经基本没有应用价值，虽然目前有提出通过神经网络模型进行人道判定的方法，但是由于神经网络模型需要依赖大量的人工标注数据进行预训练，数据获取成本较高，而且监控场景进行迁移之后同样需要对网络参数进行针对性调整，不但成本要求高，而且处理的周期比较缓慢。
本申请实施例可以在需要监控的车道区间上布置至少一台高位监控相机和普通边缘计算设备，由该高位监控相机拍摄监控的车道区间的车辆行驶状态，并由该普通边缘计算设备计算出车辆行驶的行驶轨迹数据，由于绝大多数车辆遵守交通规则沿车道行驶，车辆的轨迹将呈现以车道位置为中心的聚集现象，以此，服务器可以采集预设数量的目标轨迹数据，该预设数量可以为设定的任意数量，在实际场景中，一般将该预设数量设置为1000至2000个之间，一般在城市主干道日常通行情况下，只需要收集3-5分钟即可。
在一些实施方式中，可以对采集轨迹数据进行数据清洗，将一些轨迹不规则，即反复变道的异常轨迹数据进行去除，得到数据清洗后的预设数量的目标轨迹数据。
在步骤102中，根据目标轨迹数据的分布状态确定初始聚类中心线。
其中，由于绝大多数车辆遵守交通规则沿着车道行驶，并且在正常行驶下，车辆还会沿车道中心行驶，越趋于车道中心，车辆的轨迹越密集，所以车辆轨迹越密集的区域属于可行驶区域的概率越大。
以此，可以根据目标轨迹数据的分布状态确定行驶轨迹密集的区域，该行驶轨迹密集的区域大概率为可行驶车道，进一步的，可以在每一行驶轨迹密集的区域确定中心，并以最靠近该中心的目标轨迹数据对应的轨迹作为初始聚类中心线。
在一实施方式中，该根据目标轨迹数据的分布状态确定初始聚类中心线的步骤，包括：
（1）将所述目标轨迹数据进行对应的轨迹表征，得到多条轨迹；
（2）根据多条轨迹的轨迹聚集状态确定初始聚类中心线。
其中，可以将目标轨迹数据在图像上进行轨迹描述，即将该目标轨迹数据对应的轨迹按照实际分布进行轨迹表征，得到在同一图像中出现的多条轨迹，进一步的，该轨迹密集的区域可以理解为可行驶车道，在本申请实施例，可以确定轨迹密集区域的中心点，并将每一轨迹密集区域中最靠近该中心点的轨迹确定为初始聚类中心线。
在一实施方式中，该将所述目标轨迹数据进行对应的轨迹表征，得到多条轨迹的步骤，可以包括：
（1.1）基于该目标轨迹数据生成第一预设黑白图像，该第一预设黑白图像中包括以白色像素生成的目标轨迹；
（1.2）对该第一预设黑白图像进行图像优化处理，得到目标预设黑白图像；
在一实施方式中，该根据多条轨迹的轨迹聚集状态确定初始聚类中心线的步骤，可以包括：
（1.3）根据该目标预设黑白图像中的轨迹聚集状态确定初始聚类中心线。
其中，可以获取由高位监控相机拍摄的场景图像，将该图像转换为纯黑图像，可以将该目标轨迹数据对应的目标轨迹按照实际分布以白色像素描点至该纯黑色图像上，生成第一预设黑白图像。
进一步的，为了更好的分析出该目标轨迹的规律，可以先对该第一预设黑白图像进行图像优化处理，例如高斯平滑、二值化以及形态学等处理，使得优化后的目标预设黑白图像中该目标轨迹的显示形态更突出，进而可以根据该目标预设黑白图像中目标轨迹的轨迹聚集状态确定初始聚类中心线，例如确定预设黑白图像中目标轨迹的轨迹聚集区域的中心点，并以最靠近该中心点的目标轨迹数据对应的目标轨迹作为初始聚类中心线，本申请实施例结合图像优化技术将目标轨迹数据对应的目标轨迹以白色线条进行表征，突出该轨迹的规律性，再对包含该目标轨迹的图像进行优化，更好表征轨迹的聚集规律性，最后，根据规律明显的轨迹聚集状态确定初始聚类中心线，提升了初始聚类中心线的准确性，以提升后续聚类的效率。
在一些实施方式中，该对该第一预设黑白图像进行图像优化处理，得到目标预设黑白图像的步骤，可以包括：
（1.1）对该第一预设黑白图像进行高斯平滑处理，得到高斯平滑处理后的第二预设黑白图像；
（1.2）对该第二预设黑白图像进行裁剪处理，得到裁剪处理后的第三预设黑白图像；
（1.3）对该第三预设黑白图像进行二值化处理以及形态学处理，得到二值化处理以及形态学处理后的目标预设黑白图像。
其中，该高斯平滑处理也称为高斯模糊（Gaussian Blur）处理，可以用来减少图像噪声以及降低细节层次，这种模糊技术生成的图像，其视觉效果就像是经过一个毛玻璃在观察图像，这与镜头焦外成像效果散景以及普通照明阴影中的效果都明显不同。以此，可以对该第一预设黑白图像进行高斯平滑处理，得到高斯平滑处理后的第二预设黑白图像，减少对图像噪声对第一预设黑白图像中的轨迹的噪声影响，更好的提升轨迹的表现。
进一步的，由于高位监控视角倾斜向下，在监控视野中基于透视原理，多条车道会汇聚在远方消失点，为了后续进行区分，需要将靠近远方消失点附近区域进行适当裁剪，即将该第二预设黑白图像上方区域进行裁剪处理，得到裁剪处理后的第三预设黑白图像。
最后，为了更好的凸显该第三预设黑白图像中的目标轨迹，还可以对该第三预设黑白图像进行二值化处理以及形态学处理，该二值化处理可以理解为图像二值化（ImageBinarization），即将图像呈现出更明显的黑白效果，通过对该第三预设黑白图像进行二值化处理，可以将第三预设黑白图像中数据量大为减少，从而能凸显出白色像素形成的轨迹的轮廓。而该形态学处理可以为进一步对图像中白色像素形成的轨迹的轮廓进行膨胀，消除一些细小的暗点和暗线，使得白色像素形成的轨迹的轮廓连通，得到二值化处理以及形态学处理后的目标预设黑白图像。
在一些实施方式中，该根据该目标预设黑白图像中的轨迹聚集状态确定初始聚类中心线的步骤，可以包括：
（2.1）确定该目标预设黑白图像中的多个轨迹连通区域；
（2.2）计算每一轨迹连通区域的中心点信息；
（2.3）将包含所述中心点信息的轨迹确定为初始聚类中心线。
其中，可以确定该目标预设黑白图像中的多个轨迹连通区域，该轨迹连通区域即为行驶轨迹密集的可行驶车道，并可以计算每一轨迹连通区域的中心点信息，该中心点信息也可以称为质心。
进一步的，可以取最接近该中心点信息的轨迹作为初始聚类中心线，由于轨迹连通区域由多个轨迹连通形成，那么必然有轨迹通过该中心点信息，因此，可以将包含该中心点信息的轨迹确定出初始聚类中心线。
在步骤103中，基于初始聚类中心线对目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线。
其中，该聚类处理可以为基于K-Means算法实现，该K-Means算法实际上就是通过计算不同样本间的距离来判断他们的相近关系的，相近的就会放到同一个类别中去，针对每个样本，计算这个样本距离所有中心点最近的那个中心点，然后将这个点归为这个中心点代表的簇。一次迭代结束之后，针对每个簇类，重新计算中心点，然后针对每个点，重新寻找距离自己最近的中心点。如此循环，直到前后两次迭代的簇类没有变化。
以此，本申请实施例基于每一目标轨迹数据距离所有初始聚类中心线最近的初始聚类中心线，在一实施方式中，可以计算目标轨迹数据上每一个点和初始聚类中心线上的距离最近点的距离之和作为目标轨迹数据和初始聚类中心线的距离，基于该距离确定每一目标轨迹数据距离所有初始聚类中心线最近的初始聚类中心线，然后将相近的放到同一个聚类中，形成聚类结果，针对聚类结果中的每一聚类，重新计算中心线，然后针对每个中心线，重新寻找进行聚类处理，直至前后两次迭代的聚类没有变化，得到分类准确的聚类结果，进而可以基于分类准确的聚类结果，得到准确的目标聚类中心线，可以将该目标聚类中心线作为车道的中心线。
在一些实施方式中，该基于该初始聚类中心线对该目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线的步骤，包括：
（1）计算每一目标轨迹数据与每一初始聚类中心线之间的距离信息；
（2）将该距离信息按照由小至大的顺序进行排序；
（3）将每一目标轨迹数据聚类至距离信息最小的初始聚类中心线，得到聚类结果；
（4）当检测到该聚类结果未满足预设条件时，对该聚类结果进行迭代聚类更新，直至该聚类结果满足预设条件；
（5）当检测到该聚类结果满足预设条件时，根据满足预设条件的聚类结果确定目标聚类中心线。
其中，可以计算每一目标轨迹数据上的点到每一初始聚类中心线上对应点的欧式距离之和作为距离信息，进而计算出每一目标轨迹数据与每一初始聚类中心线之间的距离信息，该距离信息越小，说明该目标轨迹数据对应的目标轨迹与初始聚类中心线间隔越接近，该距离信息越大，说明该目标轨迹数据对应的目标轨迹与初始聚类中心线间隔越远。以此，可以将该距离信息按照由小至大的顺序进行排序，即可以知道每一目标轨迹数据与每一初始聚类中心线的远近。
以此，将每一目标轨迹数据聚类至距离信息最小的初始聚类中心线，生成至少一个聚类，得到聚类结果。在一实施方式中，该预设条件可以为前后两次迭代的聚类没有变化或者聚类的次数达到预设迭代阈值等等。
以此，当检测到该聚类结果未满足预设条件时，说明该聚类结果仍然不准确，对该聚类结果进行迭代聚类更新，直至聚类结果满足预设条件。当检测到该聚类结果满足预设条件时，说明聚类结果准确，可以根据满足预设条件的聚类结果确定目标聚类中心线，该目标聚类中心线可以理解为车道的中心线，后续可以用来识别车辆所述的车道，以此，本申请实施例不需要依赖车道识别神经网络，更不需要依赖的数据标注成本，仅需要一台高位监控相机和普通边缘计算设备，即可实现车道的快速且准确的识别，能够快速适配不同场景，且节约数据标注成本。
在步骤104中，基于目标聚类中心线确定待检测车辆所属的目标车道。
其中，该目标聚类中心线可以作为一条车道的中心线，以此，可以根据该目标聚类中心线确定车道区间。
进一步的，可以通过图像分析技术获取待检测车辆在图像中的位置信息，将该待检测车辆的位置信息最接近的目标聚类中心线作为该待检测车辆行驶所属的目标车道。
以此，本申请实施例可以在仅需一台高位监控相机和普通边缘计算设备的简单布局基础上，无需依赖大量的人工标注数据进行预训练，即使相机姿态有稍微偏移后，再次运行算法即可重新适配，不用反复校正设备，能够有效节省监控设备的布设、维护和迁移成本，极大的提升了车道检测的效率。
由上述可知，本申请实施例通过采集预设数量的目标轨迹数据；根据目标轨迹数据的分布状态确定初始聚类中心线；基于初始聚类中心线对目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；基于目标聚类中心线确定待检测车辆所属的目标车道。以此，可以通过采集的预设数量的目标轨迹数据的分布状态，快速确定初始聚类中心线，并基于初始聚类中心线进行目标轨迹数据的聚类处理，得到准确的目标聚类中心线，进而根据目标聚类中心线快速判断待检测车辆所属的目标车道，无需依赖数据标注，对现场监控设备的安装要求低，极大的提升了车道检测的效率。
结合上述实施例所描述的方法，以下将举例作进一步详细说明。
在本实施例中，将以该车道检测装置具体集成在服务器中为例进行说明，具体参照以下说明。
请参阅图3，图3为本申请实施例提供的车道检测方法的另一流程示意图。该方法流程可以包括：
在步骤201中，服务器采集预设数量的目标轨迹数据。
其中，为了更好的理解本申请实施例，请一并参阅图4a所示，图4a为本申请实施例提供的车道检测方法的应用场景图，本申请实施例可以在需要监控的道路区间上布置至少一台高位监控相机和普通边缘计算设备，由该高位监控相机拍摄的车道区间以及车道区间上的车辆行驶状态，并由该普通边缘计算设备计算出车辆行驶的行驶轨迹数据，该预设数量可以设定为1500个，以此，如图4a所示的轨迹图像10，该轨迹图像10可以包含车辆在该车道区间行驶的1500条目标轨迹11形成的目标轨迹数据，本申请实施例布设简单，可以适配大量不同的场景，例如，国道、高速路以及城市公路等等。
在步骤202中，服务器基于目标轨迹数据生成第一预设黑白图像。
其中，请继续参阅图4a所示，服务器可以将高位监控相机拍摄的车道区间对应的场景图像转换为纯黑图像，并将该目标轨迹数据对应的目标轨迹按照实际分布，以白色像素描点至该纯黑色图像上，生成第一预设黑白图像。
在步骤203中，服务器对第一预设黑白图像进行高斯平滑处理，得到高斯平滑处理后的第二预设黑白图像，对第二预设黑白图像进行裁剪处理，得到裁剪处理后的第三预设黑白图像，对第三预设黑白图像进行二值化处理以及形态学处理，得到二值化处理以及形态学处理后的目标预设黑白图像。
其中，请一并参阅图4b所示，图4b为本申请实施例提供的车道检测方法的另一应用场景图，服务器可以对第一预设黑白图像进行高斯平滑处理，即对该第一预设黑白图像进行图像降噪，得到高斯平滑处理后的第二预设黑白图像。
进一步的，由于高位监控视角倾斜向下，在监控视野中基于透视原理，多条车道会汇聚在远方消失点，所以，服务器需要对第二预设黑白图像的上方区域（即远处区域）进行裁剪处理，得到裁剪处理后得第三预设黑白图像20，该第三预设黑白图像包括多条以白色像素描述的目标轨迹21。
最后，请一并参阅图4c所示，图4c为本申请实施例提供的车道检测方法的另一应用场景图，服务器可以对该第三预设黑白图像分别进行二值化处理，得到黑白效果更明显的二值化处理后的第三预设黑白图像，进而再通过形态学处理进一步的对二值化处理后的第三预设黑白图像中白色像素形成的目标轨迹的轮廓进行膨胀，消除一些细小的暗点和暗线，得到目标预设黑白图像30，该目标黑白图像30上的目标轨迹21的显示清晰度相较于第三预设黑白图像20的显示清晰度得到极大的提升，且相邻目标轨迹之间的联系更为紧密。
在步骤204中，服务器确定目标预设黑白图像中的多个轨迹连通区域，计算每一轨迹连通区域的中心点信息，将包含中心点信息的轨迹确定为初始聚类中心线。
其中，请继续参阅图4c所示，由于目标黑白图像30上的目标轨迹之间的联系更为紧密，服务器可以确定目标预设黑白图像30中的多个轨迹连通区域，例如为10个轨迹连通区域，该轨迹连通区域即轨迹之间彼此连接形成的区域，该轨迹连通区域属于可行驶区域的概率极大。
进一步的，可以计算每一轨迹连通区域的中心点信息（即质心），由于该轨迹连通区域通过多个轨迹连通，以此，可以将包含中心点信息的轨迹，即与该中心点信息连接的轨迹确定为初始聚类中心线。
在一实施方式中，也可以计算每一轨迹连通区域的中心点信息，计算该轨迹连通区域中每一目标轨迹信息与该中心点信息的欧式距离的平均值，将平均值最小的目标轨迹信息作为初始聚类中心值。
在步骤205中，服务器计算每一目标轨迹数据与每一初始聚类中心线之间的距离信息，将距离信息按照由小至大的顺序进行排序。
其中，服务器可以计算每一目标轨迹数据上的点到每一初始聚类中心线上对应点的欧式距离之和作为距离信息，进而计算出每一目标轨迹数据与每一初始聚类中心线之间的距离信息，该距离信息越小，说明该目标轨迹数据对应的目标轨迹与初始聚类中心线间隔越接近，该距离信息越大，说明该目标轨迹数据对应的目标轨迹与初始聚类中心线间隔越远。以此，可以将该距离信息按照由小至大的顺序进行排序，即可以知道每一目标轨迹数据与每一初始聚类中心线的远近。
在步骤206中，服务器获取每一目标轨迹数据对应距离信息最小的第一距离信息以及距离信息次最小的第二距离信息，当第一距离信息和第二距离信息的比值低于第一预设距离阈值时，将对应的目标轨迹数据标注为预设状态，将每一标注为预设状态的目标轨迹数据聚类至距离信息最小的初始聚类中心线，得到聚类结果。
其中，为了获取可信的目标轨迹数据进行聚类，服务器可以获取每一目标轨迹数据对应距离最小的第一距离信息以及距离信息次最小的第二距离信息，即获取每一目标轨迹数据对应的目标轨迹到最近的初始聚类中心和次近的初始聚类中心的第一距离信息和第二距离信息，该第一预设距离阈值为判定目标轨迹数据对应的目标轨迹是否可信的临界值。
当该第一距离信息和第二距离信息的比值低于第一预设距离阈值时，说明该目标轨迹到最近的初始聚类中心的距离要远远大于次近的初始聚类中心，判定为该目标轨迹为可信的，可以将对应的目标轨迹数据标注为预设状态，并将每一标注为预设状态的目标轨迹数据聚类至距离信息最小，即最近的初始聚类中心线，得到聚类结果。
当该第一距离信息和第二距离信息的比值不低于第一预设距离阈值时，说明该目标轨迹到最近的初始聚类中心的距离和次近的初始聚类中心的距离差别很接近，为了避免对聚类产生干扰，可以将该比值不低于第一预设距离阈值的目标轨迹暂时不参与聚类。
在步骤207中，服务器获取每一目标轨迹数据对应距离信息最小的第一距离信息进行平均值计算，得到目标距离信息。
其中，服务器可以获取每一目标轨迹数据对应距离信息最小的第一距离信息进行平均值计算，得到目标距离信息，该目标距离信息反应了每一目标轨迹到对应的聚类中心线的总体距离水平，该目标距离信息越大，说明仍然有目标轨迹到对应的聚类中心线的距离较远，聚类的效果比较差。
在步骤208中，服务器检测目标距离信息是否小于第二预设距离阈值。
其中，该第二预设距离阈值为衡量聚类效果是否达到的有效值，当服务器检测到目标距离信息小于第二预设距离阈值时，执行步骤211，当服务器检测到目标距离信息不小于第二预设距离阈值时，执行步骤209。
在步骤209中，服务器检测聚类迭代次数是否达到预设迭代阈值。
其中，当服务器检测到目标距离信息不小于第二预设距离阈值时，说明聚类效果仍然没有达到理想状态，但是考虑到聚类迭代次数越高，聚类调整的效果成线性下降的情况，可以设定预设迭代阈值，该预设迭代阈值可以理解为最大迭代次数，当服务器检测到聚类迭代次数达到预设迭代阈值时，说明再进行聚类，聚类的效果已经无法得到较大的提升了，为了避免计算资源的浪费，可以执行步骤211，当服务器检测到聚类迭代次数未达到预设迭代阈值时，可以执行步骤210。
在步骤210中，服务器对聚类结果进行迭代聚类更新，直至聚类结果满足预设条件。
其中，当服务器检测到聚类迭代次数未达到预设迭代阈值时，可以基于聚类结果重新寻找每一聚类的聚类中心线，按照上述实施例的聚类方式迭代进行聚类更新，直至聚类结果满足预设条件，即直至服务器检测到目标距离信息小于第二预设距离阈值或者服务器检测聚类迭代次数达到预设迭代阈值。
在步骤211中，服务器判定为检测到聚类结果满足预设条件，根据满足预设条件的聚类结果确定目标聚类中心线。
其中，当服务器检测到目标距离信息小于第二预设距离阈值时，说明目标轨迹到对应的聚类中心线的距离普遍较近，或者当服务器检测到聚类迭代次数达到预设迭代阈值时，说明聚类的效果已经很难提升了，可以判定为检测到聚类结果满足预设条件，根据满足预设条件的聚类结果确定准确的目标聚类中心线，例如，请一并参阅图4d所示，图4d为本申请实施例提供的车道检测方法的另一应用场景图，服务器可以在目标预设黑白图像30确定出10条目标聚类中心线22，该目标聚类中心线22可以理解为车道的中心线，后续可以用来识别车辆所述的车道，以此，本申请实施例不需要依赖车道识别神经网络，更不需要依赖的数据标注成本，仅需要一台高位监控相机和普通边缘计算设备，即可实现车道的快速且准确的识别，能够快速适配不同场景，且节约数据标注成本。
在步骤212中，服务器建立每一目标聚类中心线对应的高斯分布模型，获取待检测车辆的位置信息，将位置信息输入至每一高斯分布模型中进行预测，得到每一高斯分布模型输出的概率值，根据概率值确定待检测车辆所属的目标车道。
其中，由于目标聚类中心线可以作为一条车道的中心线，以此，可以根据该目标聚类中心线确定车道区间。进而服务器可以建立每一目标聚类中心线对应的高斯分布模型，即也可以理解为对每一车道建立高斯分布模型，该高斯分布模型用高斯概率密度函数（正态分布曲线）精确地量化事物，在本申请实施例中，可以推导出待检测车辆所属的车道。
例如，该高斯分布模型可以为：
其中，该各车道模型的概率为
，该x可以为待检测车辆在场景图像中的位置
信息，该k为车道，其数量与目标聚类中心线的数量一致，该
设为车道中心线所在位置，
方差σ基于第K个车道近邻车道最近点距离和3-sigma原则估计，该3-sigma原则即车辆分布
在车道(μ-3σ,μ+3σ)中的概率为0.9974，在已知车道范围的前提下，可以推导出方差σ的数
值。
以此，当需要对待检测车辆所属的目标车道进行判断时，可以将该待检测车辆的位置信息属于至每一车道的高斯分布模型，得到每一车道输出的概率值，该概率值越高，该待检测车辆属于该车道的概率越大，该概率值越小，该待检测车辆属于该车道的概率越小，以此，将概率值最大的车道判定为待检测车辆所属的目标车道。
由上述可知，本申请实施例通过采集预设数量的目标轨迹数据；根据目标轨迹数据的分布状态确定初始聚类中心线；基于初始聚类中心线对目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；基于目标聚类中心线确定待检测车辆所属的目标车道。以此，可以通过采集的预设数量的目标轨迹数据的分布状态，快速确定初始聚类中心线，并基于初始聚类中心线进行目标轨迹数据的聚类处理，得到准确的目标聚类中心线，进而根据目标聚类中心线快速判断待检测车辆所属的目标车道，无需依赖数据标注，对现场监控设备的安装要求低，极大的提升了车道检测的效率。
进一步的，服务器还可以根据高斯分布模型进行车辆所属车道的准确检测，还提升了车道检测的准确率。
请参阅图5，图5为本申请实施例提供的车道检测装置的结构示意图，其中该车道检测装置可以包括采集单元301、第一确定单元302、聚类单元303、以及第二确定单元304，该车道检测装置应用于终端或者服务器。
采集单元301，用于采集预设数量的目标轨迹数据。
第一确定单元302，用于根据该目标轨迹数据的分布状态确定初始聚类中心线。
在一些实施例中，所述第一确定单元302，包括：
表征子单元，用于将所述目标轨迹数据进行对应的轨迹表征，得到多条轨迹；
确定子单元，用于根据多条轨迹的轨迹聚集状态确定初始聚类中心线。
在一些实施例中，所述表征子单元，用于：
基于所述目标轨迹数据生成第一预设黑白图像，所述第一预设黑白图像中包括以白色像素生成的目标轨迹；
对所述第一预设黑白图像进行图像优化处理，得到目标预设黑白图像；
所述确定子单元，用于：
根据所述目标预设黑白图像中的轨迹聚集状态确定初始聚类中心线。
在一些实施例中，所述表征子单元，还用于：
基于所述目标轨迹数据生成第一预设黑白图像，所述第一预设黑白图像中包括以白色像素生成的目标轨迹；
对所述第一预设黑白图像进行高斯平滑处理，得到高斯平滑处理后的第二预设黑白图像；
对所述第二预设黑白图像进行裁剪处理，得到裁剪处理后的第三预设黑白图像；
对所述第三预设黑白图像进行二值化处理以及形态学处理，得到二值化处理以及形态学处理后的目标预设黑白图像。
在一些实施例中，所述确定子单元，还用于：
确定所述目标预设黑白图像中的多个轨迹连通区域；
计算每一轨迹连通区域的中心点信息；
将包含所述中心点信息的轨迹确定为初始聚类中心线。
聚类单元303，用于基于该初始聚类中心线对该目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线。
在一些实施例中，该聚类单元303，包括：
计算子单元，用于计算每一目标轨迹数据与每一初始聚类中心线之间的距离信息；
排序子单元，用于将该距离信息按照由小至大的顺序进行排序；
聚类子单元，用于将每一目标轨迹数据聚类至距离信息最小的初始聚类中心线，得到聚类结果；
迭代更新子单元，用于当检测到该聚类结果未满足预设条件时，对该聚类结果进行迭代聚类更新，直至该聚类结果满足预设条件；
确定子单元，用于当检测到该聚类结果满足预设条件时，根据满足预设条件的聚类结果确定目标聚类中心线。
在一些实施例中，该聚类子单元，用于：
获取每一目标轨迹数据对应距离信息最小的第一距离信息以及距离信息次最小的第二距离信息；
当该第一距离信息和该第二距离信息的比值低于第一预设距离阈值时，将对应的目标轨迹数据标注为预设状态；
将每一标注为预设状态的目标轨迹数据聚类至距离信息最小的初始聚类中心线，得到聚类结果。
在一些实施例中，该聚类单元303，还包括：
检测子单元，用于检测聚类迭代次数是否达到预设迭代阈值；
第一判定子单元，用于当检测到聚类迭代次数达到预设迭代阈值时，判定为检测到该聚类结果满足预设条件；
第二判定子单元，用于当检测到聚类迭代次数未达到预设迭代阈值时，判定为检测到该聚类结果未满足预设条件。
在一些实施例中，该聚类单元303，还包括：
获取子单元，用于获取每一目标轨迹数据对应距离信息最小的第一距离信息进行平均值计算，得到目标距离信息；
第三判定子单元，用于当该目标距离信息小于第二预设距离阈值时，判定为检测到该聚类结果满足预设条件；
执行子单元，用于当该目标距离信息不小于第二预设距离阈值时，执行检测聚类迭代次数是否达到预设迭代阈值。
第二确定单元304，用于基于该目标聚类中心线确定待检测车辆所属的目标车道。
在一些实施例中，该第二确定单元304，用于：
建立每一目标聚类中心线对应的高斯分布模型；
获取待检测车辆的位置信息；
将该位置信息输入至每一高斯分布模型中进行预测，得到每一高斯分布模型输出的概率值；
根据概率值确定该待检测车辆所属的目标车道。
以上各个单元的具体实施可参见前面的实施例，在此不再赘述。
由上述可知，本申请实施例通过采集单元301采集预设数量的目标轨迹数据；第一确定单元302根据目标轨迹数据的分布状态确定初始聚类中心线；聚类单元303基于初始聚类中心线对目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；第二确定单元304基于目标聚类中心线确定待检测车辆所属的目标车道。以此，可以通过采集的预设数量的目标轨迹数据的分布状态，快速确定初始聚类中心线，并基于初始聚类中心线进行目标轨迹数据的聚类处理，得到准确的目标聚类中心线，进而根据目标聚类中心线快速判断待检测车辆所属的目标车道，无需依赖数据标注，对现场监控设备的安装要求低，极大的提升了车道检测的效率。
本申请实施例还提供一种计算机设备，该计算机设备可以为服务器或终端，如图6所示，其示出了本申请实施例所涉及的服务器的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图6中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；可选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要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、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403，可选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现前述实施例提供的各种方法步骤，如下：
采集预设数量的目标轨迹数据；根据该目标轨迹数据的分布状态确定初始聚类中心线；基于该初始聚类中心线对该目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；基于该目标聚类中心线确定待检测车辆所属的目标车道。
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述的部分，可以参见上文针对车道检测方法的详细描述，此处不再赘述。
由上述可知，本申请实施例的计算机设备可以通过采集预设数量的目标轨迹数据；根据目标轨迹数据的分布状态确定初始聚类中心线；基于初始聚类中心线对目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；基于目标聚类中心线确定待检测车辆所属的目标车道。以此，可以通过采集的预设数量的目标轨迹数据的分布状态，快速确定初始聚类中心线，并基于初始聚类中心线进行目标轨迹数据的聚类处理，得到准确的目标聚类中心线，进而根据目标聚类中心线快速判断待检测车辆所属的目标车道，无需依赖数据标注，对现场监控设备的安装要求低，极大的提升了车道检测的效率。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种车道检测方法中的步骤。例如，该指令可以执行如下步骤：
采集预设数量的目标轨迹数据；根据该目标轨迹数据的分布状态确定初始聚类中心线；基于该初始聚类中心线对该目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；基于该目标聚类中心线确定待检测车辆所属的目标车道。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例提供的各种可选实现方式中提供的方法。
其中，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请实施例所提供的任一种车道检测方法中的步骤，因此，可以实现本申请实施例所提供的任一种车道检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种车道检测方法、装置及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种车道检测方法，其特征在于，包括：
采集预设数量的目标轨迹数据；
根据所述目标轨迹数据的分布状态确定轨迹密集区域；
确定所述轨迹密集区域的中心，并确定距离所述中心最近的轨迹数据对应的轨迹为初始聚类中心线；
基于所述初始聚类中心线对所述目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；
以每一所述目标聚类中心线为车道的中心线，得到每一所述目标聚类中心线对应的车道；
获取待检测车辆的位置信息；
计算所述位置信息对应的位置与每一目标聚类中心线之间的距离，并根据所述距离确定距离所述位置最近的相应目标聚类中心线；
基于所述每一所述目标聚类中心线对应的车道确定所述相应目标聚类中心线对应的目标车道，并确定所述待检测车辆处于所述目标车道。
2.根据权利要求1所述的车道检测方法，其特征在于，所述根据所述目标轨迹数据的分布状态确定轨迹密集区域，确定所述轨迹密集区域的中心，并确定距离所述中心最近的轨迹数据对应的轨迹为初始聚类中心线，包括：
将所述目标轨迹数据进行轨迹表征，得到多条轨迹；
根据多条轨迹的轨迹聚集状态确定初始聚类中心线。
3.根据权利要求2所述的车道检测方法，其特征在于，所述将所述目标轨迹数据进行轨迹表征，得到多条轨迹，包括：
基于所述目标轨迹数据生成第一预设黑白图像，所述第一预设黑白图像中包括以白色像素生成的目标轨迹；
对所述第一预设黑白图像进行图像优化处理，得到目标预设黑白图像；
所述根据多条轨迹的轨迹聚集状态确定初始聚类中心线，包括：
根据所述目标预设黑白图像中的轨迹聚集状态确定初始聚类中心线。
4.根据权利要求3所述的车道检测方法，其特征在于，所述对所述第一预设黑白图像进行图像优化处理，得到目标预设黑白图像，包括：
对所述第一预设黑白图像进行高斯平滑处理，得到高斯平滑处理后的第二预设黑白图像；
对所述第二预设黑白图像进行裁剪处理，得到裁剪处理后的第三预设黑白图像；
对所述第三预设黑白图像进行二值化处理以及形态学处理，得到二值化处理以及形态学处理后的目标预设黑白图像。
5.根据权利要求3所述的车道检测方法，其特征在于，所述根据所述目标预设黑白图像中的轨迹聚集状态确定初始聚类中心线，包括：
确定所述目标预设黑白图像中的多个轨迹连通区域；
计算每一轨迹连通区域的中心点信息；
将包含所述中心点信息的轨迹确定为初始聚类中心线。
6.根据权利要求1所述的车道检测方法，其特征在于，所述基于所述初始聚类中心线对所述目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线，包括：
计算每一目标轨迹数据与每一初始聚类中心线之间的距离信息；
将所述距离信息按照由小至大的顺序进行排序；
将每一目标轨迹数据聚类至距离信息最小的初始聚类中心线，得到聚类结果；
当检测到所述聚类结果未满足预设条件时，对所述聚类结果进行迭代聚类更新，直至所述聚类结果满足预设条件；
当检测到所述聚类结果满足预设条件时，根据满足预设条件的聚类结果确定目标聚类中心线。
7.根据权利要求6所述的车道检测方法，其特征在于，所述将每一目标轨迹数据聚类至距离信息最小的初始聚类中心线，得到聚类结果，包括：
获取每一目标轨迹数据对应距离信息最小的第一距离信息以及距离信息次最小的第二距离信息；
当所述第一距离信息和所述第二距离信息的比值低于第一预设距离阈值时，将对应的目标轨迹数据标注为预设状态；
将每一标注为预设状态的目标轨迹数据聚类至距离信息最小的初始聚类中心线，得到聚类结果。
8.根据权利要求6所述的车道检测方法，其特征在于，所述方法，还包括：
检测聚类迭代次数是否达到预设迭代阈值；
当检测到聚类迭代次数达到预设迭代阈值时，判定为检测到所述聚类结果满足预设条件；
当检测到聚类迭代次数未达到预设迭代阈值时，判定为检测到所述聚类结果未满足预设条件。
9.根据权利要求8所述的车道检测方法，其特征在于，所述检测聚类迭代次数是否达到预设迭代阈值之前，还包括：
获取每一目标轨迹数据对应距离信息最小的第一距离信息进行平均值计算，得到目标距离信息；
当所述目标距离信息小于第二预设距离阈值时，判定为检测到所述聚类结果满足预设条件；
当所述目标距离信息不小于第二预设距离阈值时，执行检测聚类迭代次数是否达到预设迭代阈值。
10.一种车道检测装置，其特征在于，包括：
采集单元，用于采集预设数量的目标轨迹数据；
第一确定单元，用于根据所述目标轨迹数据的分布状态确定轨迹密集区域，确定所述轨迹密集区域的中心，并确定距离所述中心最近的轨迹数据对应的轨迹为初始聚类中心线；
聚类单元，用于基于所述初始聚类中心线对所述目标轨迹数据进行聚类处理，得到聚类处理后的目标聚类中心线；
第二确定单元，用于以每一所述目标聚类中心线为车道的中心线，得到每一所述目标聚类中心线对应的车道；
获取待检测车辆的位置信息；
计算所述位置信息对应的位置与每一目标聚类中心线之间的距离，并根据所述距离确定距离所述位置最近的相应目标聚类中心线；
基于所述每一所述目标聚类中心线对应的车道确定所述相应目标聚类中心线对应的目标车道，并确定所述待检测车辆处于所述目标车道。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至9任一项所述的车道检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043369.7A CN113516105B (zh) | 2021-09-07 | 2021-09-07 | 一种车道检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043369.7A CN113516105B (zh) | 2021-09-07 | 2021-09-07 | 一种车道检测方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113516105A CN113516105A (zh) | 2021-10-19 |
| CN113516105B true CN113516105B (zh) | 2021-12-17 |
Family
ID=78062841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111043369.7A Active CN113516105B (zh) | 2021-09-07 | 2021-09-07 | 一种车道检测方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516105B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114090560B (zh) * | 2021-11-19 | 2023-12-26 | 亿咖通(湖北)技术有限公司 | 一种车道的中心线生成方法、装置、设备及存储介质 |
| CN115223357A (zh) * | 2022-04-07 | 2022-10-21 | 港珠澳大桥管理局 | 一种交通信息处理系统、方法、装置和计算机设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103106279A (zh) * | 2013-02-21 | 2013-05-15 | 浙江大学 | 一种同时基于节点属性以及结构关系相似度的聚类方法 |
| CN112308160A (zh) * | 2020-11-06 | 2021-02-02 | 汉唐智华(深圳)科技发展有限公司 | 一种k—均值聚类人工智能优化算法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10670416B2 (en) * | 2016-12-30 | 2020-06-02 | DeepMap Inc. | Traffic sign feature creation for high definition maps used for navigating autonomous vehicles |
| CN108562867B (zh) * | 2018-04-17 | 2020-10-13 | 北京邮电大学 | 一种基于聚类的指纹定位方法及装置 |
| US10761535B2 (en) * | 2018-08-21 | 2020-09-01 | GM Global Technology Operations LLC | Intelligent vehicle navigation systems, methods, and control logic for multi-lane separation and trajectory extraction of roadway segments |
| CN109871752A (zh) * | 2019-01-04 | 2019-06-11 | 北京航空航天大学 | 一种基于监控视频检测车流提取车道线的方法 |
| CN112447060A (zh) * | 2019-08-28 | 2021-03-05 | 华为技术有限公司 | 识别车道的方法、装置及计算设备 |
| CN113344113B (zh) * | 2021-06-27 | 2024-03-19 | 东南大学 | 一种基于改进k-means聚类的Yolov3锚框确定方法 |
-
2021
- 2021-09-07 CN CN202111043369.7A patent/CN113516105B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103106279A (zh) * | 2013-02-21 | 2013-05-15 | 浙江大学 | 一种同时基于节点属性以及结构关系相似度的聚类方法 |
| CN112308160A (zh) * | 2020-11-06 | 2021-02-02 | 汉唐智华(深圳)科技发展有限公司 | 一种k—均值聚类人工智能优化算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113516105A (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113516105B (zh) | 一种车道检测方法、装置及计算机可读存储介质 | |
| CN108415975B (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
| CN103383733B (zh) | 一种基于半机器学习的车道视频检测方法 | |
| CN110189317A (zh) | 一种基于深度学习的道路影像智能采集和识别方法 | |
| Ren et al. | A novel squeeze YOLO-based real-time people counting approach | |
| CN103246896A (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
| CN112100435B (zh) | 一种基于边缘端交通音视频同步样本的自动标注方法 | |
| CN114596555B (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
| CN106599915A (zh) | 一种车载激光点云分类方法 | |
| CN109995611B (zh) | 流量分类模型建立及流量分类方法、装置、设备和服务器 | |
| CN103886609B (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
| CN107944628A (zh) | 一种路网环境下的聚集模式发现方法及系统 | |
| CN111046968A (zh) | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 | |
| CN105243354B (zh) | 一种基于目标特征点的车辆检测方法 | |
| Chen et al. | A precise information extraction algorithm for lane lines | |
| Masmoudi et al. | Trajectory analysis for parking lot vacancy detection system | |
| CN115187932A (zh) | 一种基于人工智能的道路拥堵分析系统 | |
| CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
| CN110427958A (zh) | 一种融合无监督学习和监督学习的反馈式分类方法 | |
| CN103336965A (zh) | 基于轮廓差异及区块主方向直方图的前景与特征提取方法 | |
| CN111985526B (zh) | 一种基于相似场景聚类的尾随间隔管理策略生成方法及其系统 | |
| CN113516850A (zh) | 基于空间句法分析的管道沿线交通流量数据采集方法 | |
| CN112861682A (zh) | 基于朴素贝叶斯云计算路面图像采集分类方法及其装置 | |
| CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
| Lance et al. | Efficient vehicle counting algorithm using gaussian mixing models and IOU based tracker for LPWAN based intelligent traffic management systems |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40053584 Country of ref document: HK |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221021 Address after: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. Patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd. Address before: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |