CN113887391A - 用于识别路面标识的方法、装置以及自动驾驶车辆 - Google Patents

Abstract

本公开提供了用于识别路面标识的方法、装置以及自动驾驶车辆，涉及图像处理技术领域，特别涉及智能交通和图像识别技术。具体实现方案为：获取道路图像，其中，该道路图像中呈现有至少一条车道和至少一个路面标识；对该道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果；对该道路图像中的路面标识进行识别，生成路面标识检测结果，其中，该路面标识检测结果用于表征至少一个路面标识的位置和所属的标识类别；根据该车道检测结果和该路面标识检测结果的对应匹配，生成道路级路面标识识别结果，其中，该道路级路面标识识别结果用于指示该至少一条车道与路面标识所属的标识类别之间的对应关系。

Description

用于识别路面标识的方法、装置以及自动驾驶车辆

技术领域

本公开涉及图像处理技术领域，特别涉及智能交通和图像识别技术，尤其涉及用于识别路面标识的方法、装置以及自动驾驶车辆。

背景技术

路面标识通常可以包括路面上的各种标志和交通标线，例如导线车道线、限速标志、辅助标志等。在电子导航产品和自动驾驶场景中，对于路面标识的快速、准确识别对于保障驾驶的高效和安全性等方面具有重要现实意义。

现有技术往往利用基于深度学习的目标检测模型对本车道上的标识进行识别，确定目前所在的车道是否正确。

发明内容

提供了一种用于识别路面标识的方法、装置以及自动驾驶车辆。

根据第一方面，提供了一种用于识别路面标识的方法，该方法包括：获取道路图像，其中，道路图像中呈现有至少一条车道和至少一个路面标识；对道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果；对道路图像中的路面标识进行识别，生成路面标识检测结果，其中，路面标识检测结果用于表征至少一个路面标识的位置和所属的标识类别；根据车道检测结果和路面标识检测结果的对应匹配，生成道路级路面标识识别结果，其中，道路级路面标识识别结果用于指示至少一条车道与路面标识所属的标识类别之间的对应关系。

根据第二方面，提供了一种用于识别路面标识的装置，该装置包括：获取单元，被配置成获取道路图像，其中，道路图像中呈现有至少一条车道和至少一个路面标识；检测单元，被配置成对道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果；识别单元，被配置成对道路图像中的路面标识进行识别，生成路面标识检测结果，其中，路面标识检测结果用于表征至少一个路面标识的位置和所属的标识类别；生成单元，被配置成根据车道检测结果和路面标识检测结果的对应匹配，生成道路级路面标识识别结果，其中，道路级路面标识识别结果用于指示至少一条车道与路面标识所属的标识类别之间的对应关系。

根据第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被上述至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使上述至少一个处理器能够执行如第一方面中任一实现方式所描述的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机能够执行如第一方面中任一实现方式所描述的方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如第一方面中任一实现方式所描述的方法。

根据第六方面，提供了一种自动驾驶车辆，包括如第三方面所描述的电子设备。

根据第七方面，提供了一种路侧设备，包括如第三方面所描述的电子设备。

根据第八方面，提供了一种云控平台，包括如第三方面所描述的电子设备。

根据本公开的技术实现了通过对包含多车道的道路图像分别进行车道检测和路面标识识别，并将两者的识别结果对应匹配，从而生成用于指示上述至少一条车道与路面标识所属的标识类别之间的对应关系的道路级路面标识识别结果。实现了针对多车道的道路级路面标识自动化识别，提高了识别效率，节约了人工成本。

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

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是可以实现本公开实施例的用于识别路面标识的方法的一个应用场景的示意图；

图4是根据本公开实施例的用于识别路面标识的装置的示意图；

图5是用来实现本公开实施例的用于识别路面标识的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是示出了根据本公开第一实施例的示意图100。该用于识别路面标识的方法包括以下步骤：

S101，获取道路图像。

在本实施例中，用于识别路面标识的方法的执行主体可以通过有线或无线连接的方式从本地或通信连接的电子设备(例如安装在自动驾驶车辆前部的摄像头)获取道路图像。其中，上述道路图像中可以呈现有至少一条车道和至少一个路面标识。其中，上述路面标识可以包括但不限于以下至少一项：左转弯箭头，直行箭头，右转弯箭头，限速标志等。

S102，对道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果。

在本实施例中，上述执行主体可以通过各种方式对步骤S101获取的道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果。作为示例，上述执行主体可以采用各种车道线检测方法从上述步骤S101获取的道路图像中确定车道线。而后，上述执行主体可以根据所确定的车道线的位置，生成用于表征至少一条车道的位置的车道检测结果。

S103，对道路图像中的路面标识进行识别，生成路面标识检测结果。

在本实施例中，上述执行主体可以通过各种方式对上述步骤S101所获取的道路图像中的路面标识进行识别，从而，生成路面标识检测结果。其中，上述路面标识检测结果可以用于表征至少一个路面标识的位置和所属的标识类别。

在本实施例中，上述执行主体可以利用预先训练的目标检测模型对上述路面标识进行识别。通常，上述目标检测模型可以识别出上述路面标识所属的标识类别，例如左转弯箭头、直行箭头、右转弯箭头、限速标志等。而且，上述目标检测模型还可以生成上述路面标识位于上述道路图像中的位置，例如通常以检测框的形式表示。其中，上述目标检测模型可以包括但不限于以下至少一项：Faster RCNN模型，YOLO v3模型等。

S104，根据车道检测结果和路面标识检测结果的对应匹配，生成道路级路面标识识别结果。

在本实施例中，上述执行主体可以通过各种方式将步骤S102所生成的车道检测结果和步骤S103所生成的路面标识检测结果进行对应匹配，从而生成道路级路面标识识别结果。其中，上述道路级路面标识识别结果可以用于指示上述至少一条车道与路面标识所属的标识类别之间的对应关系。

在本实施例中，作为示例，上述执行主体可以根据上述步骤S102所生成的车道检测结果所指示的车道在上述道路图像中的位置和上述步骤S103所生成的路面标识检测结果所指示的位置进行对应匹配。例如，将步骤S103所生成的位于上述道路图像最左端的表征左转弯箭头的路面标识与步骤S102所生成的最左端的车道相关联。而后，上述执行主体可以将上述步骤S102所生成的车道检测结果所指示的各车道相关联的路面标识所属的类别进行综合，从而生成上述道路级路面标识识别结果。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤对道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果：

第一步，对道路图像进行语义分割，生成语义分割图。

在这些实现方式中，上述执行主体可以通过各种方式对步骤S101所获取的道路图像进行语义分割，生成语义分割图。作为示例，上述执行主体可以利用预先训练的语义分割模型进行语义分割。其中，上述语义分割模型可以包括但不限于以下至少一项：全卷积神经网络(Fully Convolution Neural Network,FCN)，DeepLab系列模型，金字塔场景解析(Pyramid Scene Parsing，PSP)网络等。

第二步，基于语义分割图提取至少两条车道线。

在这些实现方式中，基于上述第一步所生成的语义分割图，上述执行主体可以通过各种方式提取至少两条车道线。

第三步，根据所提取的车道线进行图像后处理，生成车道检测结果。

在这些实现方式中，上述执行主体可以通过各种方式根据上述第二步所提取的至少两条车道线对上述道路图像进行图像后处理。作为示例，上述执行主体可以将每两条车道线之间的区域确定为一条车道。可选地，上述执行主体还可以借助求连通域等方式确定车道。可选地，上述执行主体还可以对上述道路图像进行去噪处理。从而，上述执行主体可以生成车道检测结果。

基于上述可选的实现方式，本方案可以基于语义分割提取车道线，生成车道检测结果，从而丰富了车道划分方式，为后续道路级路面标识识别提供技术基础。

在本实施例的一些可选的实现方式中，在步骤S104之前，上述执行主体还可以基于语义分割图，提取地面标识分割要素和车辆分割要素。

在这些实现方式中，上述执行主体可以根据上述第一步所生成的语义分割图，分别提取表征地面标识和表征车辆的像素。而后，上述执行主体可以将相应地表征同一个地面标识或表征车辆的像素分别聚合成地面标识分割要素或车辆分割要素。

基于上述可选的实现方式，根据车道检测结果和路面标识检测结果的对应匹配，上述执行主体可以按照以下步骤生成道路级路面标识识别结果：

第一步，响应于确定至少一条车道中的车道对应有路面标识分割要素且不存在对应的车辆分割要素，生成该车道的车道路面标识识别结果。

在这些实现方式中，响应于确定至少一条车道中的车道对应有路面标识分割要素且不存在对应的车辆分割要素，上述执行主体可以通过与前述步骤S104中类似的方式生成该车道的车道路面标识识别结果。其中，上述车道路面标识识别结果可以用于指示该车道与上述对应的路面标识分割要素所对应的标识类别相关联。

在这些实现方式中，若步骤S103所生成的位于上述道路图像最左端的车道和位于道路图像最右端的车道均对应有路面标识分割要素且不存在对应的车辆分割要素，上述执行主体将上述步骤S102所生成的车道检测结果所指示的最左端的路面标识(例如左转弯箭头)和最右端的路面标识(例如右转弯箭头)与上述对应的各车道相关联。

第二步，响应于确定至少一条车道中的车道对应有路面标识分割要素且存在对应的车辆分割要素，生成指示该车道为表征被压盖车道的车道路面标识识别结果。

在这些实现方式中，往往对应于有车辆正好压盖住部分路面标识的情况。

第三步，响应于确定至少一条车道中的车道不存在对应的路面标识分割要素且不存在对应的车辆分割要素，生成指示该车道为表征空车道的车道路面标识识别结果。

在这些实现方式中，往往对应于无车辆压盖且车道上不存在路面标识的情况。

第四步，将所生成的车道路面标识识别结果进行综合，生成道路级路面标识识别结果。

在这些实现方式中，上述执行主体可以将上述第一步至第三步所生成的车道路面标识识别结果进行综合，生成道路级路面标识识别结果。作为示例，上述执行主体可以生成用于指示位于上述道路图像最左端的车道为左转弯车道、位于上述道路图像中间的两条车道分别为压盖车道和直行车道以及位于上述道路图像最右端的车道为右转弯车道的道路级路面标识识别结果。

基于上述可选的实现方式，本方案可以针对不同的场景按照对应的匹配规则生成相应的车道与路面标识的匹配关系，从而为道路级路面标识识别结果的准确生成提供技术基础。

继续参见图2，图2是根据本公开第二实施例的示意图200。该用于识别路面标识的方法包括以下步骤：

S201，从预先获取的道路图像序列中提取道路图像。

在本实施例中，用于识别路面标识的方法的执行主体可以通过有线连接或无线连接的方式从预先获取的道路图像序列中提取道路图像。其中，上述道路图像序列中通常包括针对同一拍摄场景、且时间上先后关联的道路图像。上述道路图像中可以呈现有至少一条车道和至少一个路面标识。

在本实施例中，作为示例，上述预先获取的道路图像序列可以是安装在自动驾驶车辆前端的摄像头所采集的图像序列。作为又一示例，上述预先获取的道路图像序列也可以是行车记录仪所采集的图像序列。

S202，对道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果。

S203，对道路图像中的路面标识进行识别，生成路面标识检测结果。

S204，根据车道检测结果和路面标识检测结果的对应匹配，生成道路级路面标识识别结果。

上述S202、S203、S204可以分别与前述实施例中的S102、S103、S104及其可选的实现方式一致，上文针对S102、S103、S104及其可选的实现方式的描述也适用于S202、S203、S204，此处不再赘述。

S205，确定道路图像序列中的道路图像所呈现的路面标识的深度值。

在本实施例中，上述执行主体可以通过各种方式确定上述步骤S201所获取的道路图像序列中的道路图像所呈现的路面标识的深度值。其中，上述深度值通常用于表征图像采集器与上述路面标识之间的距离。作为示例，上述执行主体可以将上述道路图像序列中的道路图像输入至预先训练的深度图预估模型，从而生成与道路图像对应的深度图。其中，上述深度图预估模型可以用于表征道路图像与深度图之间的对应关系。而后，上述执行主体可以根据路面标识所在位置(例如检测框)的深度值，确定该道路图像所呈现的各路面标识的深度值(例如路面标识对应的检测框的深度值的平均值)。

S206，根据所确定的深度值和各道路图像所呈现的路面标识所对应形成的轨迹，生成道路图像序列中的道路图像对应的路面标识的物理位置坐标。

在本实施例中，根据上述步骤S205所确定的深度值和各道路图像所呈现的路面标识所对应形成的轨迹，上述执行主体可以通过各种方式生成道路图像序列中的道路图像对应的路面标识的物理位置坐标。作为示例，上述执行主体可以根据上述道路图像序列中所呈现的路面标识所形成的轨迹确定各道路图像对应的轨迹朝向。而后，上述执行主体可以基于射线法根据轨迹朝向和深度值来生成道路图像序列中的道路图像对应的路面标识的物理位置坐标。其中，上述物理位置坐标例如可以是以大地坐标系得到的经纬度和海拔。

S207，利用密度聚类方法将所生成的物理位置坐标聚类为目标数目个道路图像组。

在本实施例中，上述执行主体可以利用各种密度聚类方法将上述步骤S206所生成的物理位置坐标聚类为目标数目个道路图像组。其中，上述密度聚类方法例如可以包括DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)。

在本实施例中，可以理解，被聚类为同一个道路图像组的物理位置坐标对应的路面标识可以被认为是在多个轨迹点所拍摄到的同一个路面标识的实物。

S208，根据所生成的道路图像组中的道路图像对应的道路级路面标识识别结果，生成道路图像组的显示图。

在本实施例中，根据上述步骤S204所生成的道路图像组中的道路图像对应的道路级路面标识识别结果，上述执行主体可以通过各种方式生成上述步骤S207所聚类的目标数目个道路图像组的显示图。作为示例，上述执行主体可以从属于同一道路图像组的道路图像中选取道路图像，结合上述步骤S204所生成的道路级路面标识识别结果，生成道路图像组的显示图。

从图2中可以看出，本实施例中的用于识别路面标识的方法的流程200体现了确定路面标识的深度值，生成道路图像序列中的道路图像对应的路面标识的物理位置坐标，以及根据所生成的道路图像组中的道路图像对应的道路级路面标识识别结果，生成利用密度聚类方法所得到的道路图像组的显示图的步骤。由此，本实施例描述的方案可以利用深度图和多轨迹点融合对单帧识别的路面标识检测结果进行优化，从而提高了所生成的道路级路面标识检测结果的准确性。

在本实施例的一些可选的实现方式中，根据所生成的道路图像组中的道路图像对应的道路级路面标识识别结果，上述执行主体可以按照如下步骤生成道路图像组的显示图：

第一步，对于所生成各道路图像组，从该道路图像组中选取所呈现的车道数目最多的道路图像作为该道路图像组的准显示图。

在这些实现方式中，上述执行主体可以从上述步骤S207所得到的各道路图像组中分别选取所呈现的车道数目最多的道路图像作为各道路图像组的准显示图。

第二步，根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果，对该道路图像组的准显示图对应的车道路面标识识别结果的车道进行修正，生成修正结果。

在这些实现方式中，根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果，上述执行主体可以通过各种方式对该道路图像组的准显示图对应的车道路面标识识别结果的车道进行修正，生成修正结果。作为示例，若上述准显示图中的某个车道路面标识识别结果(例如最右端车道为表征直行的车道)存在与大于预设阈值(例如3)个该道路图像组内的其他道路图像对应的该车道的车道路面标识识别结果(例如最右端车道为表征右转弯的车道)不一致，上述执行主体可以将准显示图中的该车道路面标识识别结果修正为与上述其他道路图像对应的该车道的车道路面标识识别结果(例如最右端车道为表征右转弯的车道)一致。作为又一示例，若上述准显示图中的某个车道路面标识识别结果符合预设条件(例如属于空车道或未确定出车道类别)，上述执行主体可以将上述准显示图中的该车道路面标识识别结果修正为该道路图像组内的其他道路图像对应的该车道的车道路面标识识别结果的数目最多的车道路面标识识别结果。例如，若上述准显示图中的最右端车道为空车道，该道路图像组内的其他道路图像对应的该车道的车道路面标识识别结果中有5个指示直行车道、有1个指示右转车道、有1个指示压盖车道，则上述执行主体可以将准显示图中的该车道路面标识识别结果修正为表征直行车道。

第三步，基于修正结果，生成道路图像组的显示图。

在这些实现方式中，基于上述第二步所得到的修正结果，上述执行主体可以通过类似的方式生成各个道路图像组的显示图。作为示例，上述执行主体可以直接将各个道路图像组的修正后的准显示图确定为该道路图像组的显示图。作为又一示例，上述执行主体还可以将各个道路图像组的修正后的准显示图进行去噪、提高对比度等后处理，最终生成该道路图像组的显示图。

基于上述可选的实现方式，本方案可以通过先选取车道数目最多的道路图像作为该道路图像组的准显示图，再基于该道路图像组内的其他道路图像对应的道路级路面标识识别结果对准显示图进行修正，提高了显示图的展示质量，并且提高了生成效率。

可选地，基于上述可选的实现方式，根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果，上述执行主体可以按照如下步骤对该道路图像组的准显示图对应的车道路面标识识别结果的车道进行修正，生成修正结果：

第1步，根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果，修正该道路图像组的准显示图对应的表征被压盖车道的车道路面标识识别结果。

在这些实现方式中，若准显示图中存在表征被压盖车道的车道，上述执行主体可以根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果对上述准显示图对应的表征被压盖车道的车道路面标识识别结果进行修正。例如，准显示图中的中间车道为表征被压盖车道的车道。而与上述准显示图属于同一道路图像组的另外5张道路图像中对应的中间车道均为表征直行的车道。上述执行主体可以将上述准显示图中的中间车道修正为表征直行的车道。

第2步，根据道路图像组内的其他道路图像对应的道路级路面标识识别结果，按照不妨碍通行的规则修正该道路图像组的准显示图对应的表征空车道的车道路面标识识别结果。

在这些实现方式中，根据道路图像组内的其他道路图像对应的道路级路面标识识别结果，上述执行主体可以通过各种方式按照不妨碍通行的规则修正该道路图像组的准显示图对应的表征空车道的车道路面标识识别结果。其中，上述不妨碍通则的规则可以包括但不限于以下至少一项：左转弯箭头不放在直行箭头的右边，右转弯箭头不放在直行箭头的左边。

基于上述可选的实现方式，本方案可以进一步针对不同的情况进行修正，从而丰富了修正结果的生成方式，有助于进一步提升道路级路面标识识别结果的准确性。

在本实施例的一些可选的实现方式中，上述执行主体可以从行车记录仪拍摄的道路数据中提取道路图像。

基于上述可选的实现方式，上述执行主体还可以将所生成的道路图像组的显示图和对应的物理位置坐标关联存储至预设的地图数据库。

基于上述可选的实现方式，本方案可以基于现有的数据采集装置进行数据采集，并且实现了路面标识的自动识别和存储，从而在不增加额外设备开销(例如地图采集车等)的前提下实现了地图导航数据库的扩充，从而有助于提升自动驾驶车辆的驾驶安全性。

继续参见图3，图3是根据本公开的实施例的用于识别路面标识的方法的应用场景的一个示意图。在图3的应用场景中，自动驾驶车辆可以在行驶过程中利用车载相机拍摄呈现有至少一条车道和至少一个路面标识的道路图像301。而后，自动驾驶车辆可以对道路图像301中的车道进行检测，生成车道检测结果302。而且，自动驾驶车辆还可以对道路图像301中的路面标识进行识别，生成路面标识检测结果303。接下来，根据车道检测结果302和路面标识检测结果303的对应匹配(如图中304所示)，生成道路级路面标识识别结果305。

目前，现有技术之一通常利用基于深度学习的目标检测模型对本车道上的标识进行识别，确定目前所在的车道是否正确，导致缺少针对多车道的道路级路面标识自动化识别的方案。而本公开的上述实施例提供的方法，通过对包含多车道的道路图像分别进行车道检测和路面标识识别，并将两者的识别结果对应匹配，从而生成用于指示上述至少一条车道与路面标识所属的标识类别之间的对应关系的道路级路面标识识别结果。实现了针对多车道的道路级路面标识自动化识别，提高了识别效率，节约了人工成本。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了用于识别路面标识的装置的一个实施例，该装置实施例与图1或图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例提供的用于识别路面标识的装置400包括获取单元401、检测单元402、识别单元403和生成单元404。其中，获取单元401，被配置成获取道路图像，其中，道路图像中呈现有至少一条车道和至少一个路面标识；检测单元402，被配置成对道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果；识别单元403，被配置成对道路图像中的路面标识进行识别，生成路面标识检测结果，其中，路面标识检测结果用于表征至少一个路面标识的位置和所属的标识类别；生成单元404，被配置成根据车道检测结果和路面标识检测结果的对应匹配，生成道路级路面标识识别结果，其中，道路级路面标识识别结果用于指示至少一条车道与路面标识所属的标识类别之间的对应关系。

在本实施例中，用于识别路面标识的装置400中：获取单元401、检测单元402、识别单元403和生成单元404的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101、S102、S103和S104的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述检测单元402可以进一步被配置成：对道路图像进行语义分割，生成语义分割图；基于语义分割图提取至少两条车道线；根据所提取的车道线进行图像后处理，生成车道检测结果。

在本实施例的一些可选的实现方式中，该用于识别路面标识的装置400还可以包括：提取单元(图中未示出)，被配置成：基于语义分割图，提取地面标识分割要素和车辆分割要素。上述生成单元404可以被进一步配置成：响应于确定至少一条车道中的车道对应有路面标识分割要素且不存在对应的车辆分割要素，生成该车道的车道路面标识识别结果，其中，车道路面标识识别结果用于指示该车道与对应的路面标识分割要素所对应的标识类别相关联；响应于确定至少一条车道中的车道对应有路面标识分割要素且存在对应的车辆分割要素，生成指示该车道为表征被压盖车道的车道路面标识识别结果；响应于确定至少一条车道中的车道不存在对应的路面标识分割要素且不存在对应的车辆分割要素，生成指示该车道为表征空车道的车道路面标识识别结果；将所生成的车道路面标识识别结果进行综合，生成道路级路面标识识别结果。

在本实施例的一些可选的实现方式中，上述获取单元401可以进一步被配置成：从预先获取的道路图像序列中提取道路图像。该用于识别路面标识的装置400还可以包括：确定单元(图中未示出)，被配置成确定道路图像序列中的道路图像所呈现的路面标识的深度值；坐标生成单元(图中未示出)，被配置成根据所确定的深度值和各道路图像所呈现的路面标识所对应形成的轨迹，生成道路图像序列中的道路图像对应的路面标识的物理位置坐标；聚类单元(图中未示出)，被配置成利用密度聚类方法将所生成的物理位置坐标聚类为目标数目个道路图像组；显示图生成单元(图中未示出)，被配置成根据所生成的道路图像组中的道路图像对应的道路级路面标识识别结果，生成道路图像组的显示图。

在本实施例的一些可选的实现方式中，上述显示图生成单元还可以包括：选取模块，被配置成对于所生成各道路图像组，从该道路图像组中选取所呈现的车道数目最多的道路图像作为该道路图像组的准显示图；修正模块，被配置成根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果，对该道路图像组的准显示图对应的车道路面标识识别结果的车道进行修正，生成修正结果；生成模块，被配置成基于修正结果，生成道路图像组的显示图。

在本实施例的一些可选的实现方式中，上述修正模块被进一步配置成：根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果，修正该道路图像组的准显示图对应的表征被压盖车道的车道路面标识识别结果；根据道路图像组内的其他道路图像对应的道路级路面标识识别结果，按照不妨碍通行的规则修正该道路图像组的准显示图对应的表征空车道的车道路面标识识别结果。

在本实施例的一些可选的实现方式中，上述获取单元401可以被进一步配置成：从行车记录仪拍摄的道路数据中提取道路图像。该用于识别路面标识的装置400还可以包括：存储单元(图中未示出)，被配置成将所生成的道路图像组的显示图和对应的物理位置坐标关联存储至预设的地图数据库。

本公开的上述实施例提供的装置，通过检测单元402和识别单元403分别对获取单元401所获取的包含多车道的道路图像进行车道检测和路面标识识别，并通过生成单元404将两者的识别结果对应匹配，从而生成用于指示上述至少一条车道与路面标识所属的标识类别之间的对应关系的道路级路面标识识别结果。实现了针对多车道的道路级路面标识自动化识别，提高了识别效率，节约了人工成本。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质、一种计算机程序产品、一种自动驾驶车辆、一种路侧设备和一种云控平台。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如用于识别路面标识的方法。例如，在一些实施例中，用于识别路面标识的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的用于识别路面标识的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于识别路面标识的方法。

本公开所提供的自动驾驶车辆，可以包括如图5所示的上述电子设备。

路侧设备除了包括电子设备，还可以包括通信部件等，电子设备可以和通信部件一体集成，也可以分体设置。电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算。

云控平台在云端执行处理，云控平台包括的电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算；云控平台也可以称为车路协同管理平台、边缘计算平台、云计算平台、中心系统、云端服务等。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种用于识别路面标识的方法，包括：

获取道路图像，其中，所述道路图像中呈现有至少一条车道和至少一个路面标识；

对所述道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果；

对所述道路图像中的路面标识进行识别，生成路面标识检测结果，其中，所述路面标识检测结果用于表征至少一个路面标识的位置和所属的标识类别；

根据所述车道检测结果和所述路面标识检测结果的对应匹配，生成道路级路面标识识别结果，其中，所述道路级路面标识识别结果用于指示所述至少一条车道与路面标识所属的标识类别之间的对应关系。

2.根据权利要求1所述的方法，其中，所述对所述道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果，包括：

对所述道路图像进行语义分割，生成语义分割图；

基于所述语义分割图提取至少两条车道线；

根据所提取的车道线进行图像后处理，生成所述车道检测结果。

3.根据权利要求2所述的方法，在所述根据所述车道检测结果和所述路面标识检测结果的对应匹配，生成道路级路面标识识别结果之前，所述方法还包括：

基于所述语义分割图，提取地面标识分割要素和车辆分割要素；以及

所述根据所述车道检测结果和所述路面标识检测结果的对应匹配，生成道路级路面标识识别结果，包括：

响应于确定所述至少一条车道中的车道对应有路面标识分割要素且不存在对应的车辆分割要素，生成该车道的车道路面标识识别结果，其中，所述车道路面标识识别结果用于指示该车道与所述对应的路面标识分割要素所对应的标识类别相关联；

响应于确定所述至少一条车道中的车道对应有路面标识分割要素且存在对应的车辆分割要素，生成指示该车道为表征被压盖车道的车道路面标识识别结果；

响应于确定所述至少一条车道中的车道不存在对应的路面标识分割要素且不存在对应的车辆分割要素，生成指示该车道为表征空车道的车道路面标识识别结果；

将所生成的车道路面标识识别结果进行综合，生成所述道路级路面标识识别结果。

4.根据权利要求1-3之一所述的方法，其中，所述获取道路图像包括：

从预先获取的道路图像序列中提取道路图像；以及

所述方法还包括：

确定所述道路图像序列中的道路图像所呈现的路面标识的深度值；

根据所确定的深度值和各道路图像所呈现的路面标识所对应形成的轨迹，生成所述道路图像序列中的道路图像对应的路面标识的物理位置坐标；

利用密度聚类方法将所生成的物理位置坐标聚类为目标数目个道路图像组；

根据所生成的道路图像组中的道路图像对应的道路级路面标识识别结果，生成道路图像组的显示图。

5.根据权利要求4所述的方法，其中，所述根据所生成的道路图像组中的道路图像对应的道路级路面标识识别结果，生成道路图像组的显示图，包括：

对于所生成各道路图像组，从该道路图像组中选取所呈现的车道数目最多的道路图像作为该道路图像组的准显示图；

根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果，对该道路图像组的准显示图对应的车道路面标识识别结果的车道进行修正，生成修正结果；

基于所述修正结果，生成所述道路图像组的显示图。

6.根据权利要求5所述的方法，其中，所述根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果，对该道路图像组的准显示图对应的车道路面标识识别结果的车道进行修正，生成修正结果，包括：

根据该道路图像组内的其他道路图像对应的道路级路面标识识别结果，修正该道路图像组的准显示图对应的表征被压盖车道的车道路面标识识别结果；

根据所述道路图像组内的其他道路图像对应的道路级路面标识识别结果，按照不妨碍通行的规则修正该道路图像组的准显示图对应的表征空车道的车道路面标识识别结果。

7.根据权利要求4-6之一所述的方法，其中，所述获取道路图像，包括：

从行车记录仪拍摄的道路数据中提取道路图像；以及

所述方法还包括：

将所生成的道路图像组的显示图和对应的物理位置坐标关联存储至预设的地图数据库。

8.一种用于识别路面标识的装置，包括：

获取单元，被配置成获取道路图像，其中，所述道路图像中呈现有至少一条车道和至少一个路面标识；

检测单元，被配置成对所述道路图像中的车道进行检测，生成用于表征至少一条车道的位置的车道检测结果；

识别单元，被配置成对所述道路图像中的路面标识进行识别，生成路面标识检测结果，其中，所述路面标识检测结果用于表征至少一个路面标识的位置和所属的标识类别；

生成单元，被配置成根据所述车道检测结果和所述路面标识检测结果的对应匹配，生成道路级路面标识识别结果，其中，所述道路级路面标识识别结果用于指示所述至少一条车道与路面标识所属的标识类别之间的对应关系。

9.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

12.一种自动驾驶车辆，包括如权利要求9所述的电子设备。

13.一种路侧设备，包括如权利要求9所述的电子设备。

14.一种云控平台，包括如权利要求9所述的电子设备。

Images