CN113988112B - 车道线的检测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种车道线的检测方法、装置、设备及存储介质，通过获取车道的初始透视图，对初始透视图进行透视变换，得到第一鸟瞰图，并基于目标车道线方程，拟合第一鸟瞰图的自适应ROI矩阵，以解决手工设置ROI矩阵的局限性，使得自适应ROI矩阵更加贴合车道线，提高车道线检测准确度和降低算力负担；以及基于目标逆透视变换矩阵，将自适应ROI矩阵对应的目标ROI区域还原至初始透视图，得到目标透视图，并基于目标透视图的目标ROI区域，提取车道的第一车道线，降低车道线外侧噪声，增加大曲率弯道的适应性，进一步提高车道线检测准确度。

Description

车道线的检测方法、装置、设备及存储介质

技术领域

本申请涉及智能驾驶技术领域，尤其涉及一种车道线的检测方法、装置、设备及存储介质。

背景技术

车道线检测是高级驾驶辅助系统实现智能驾驶的关键任务之一。目前，车道线检测主要有基于Udacity传统视觉的车道线检测和基于深度学习方法的车道线检测。其中基于Udacity传统视觉的车道线检测是在透视图中人工设定ROI（Region Of Interest，感兴趣区域），将设定ROI后的透视图转换到俯视鸟瞰图上，在鸟瞰图上提取车道线，最后将鸟瞰图提取到的车道线重新转换到原本的透视图上。

但是，人工设定ROI使得车道线的检测准确度较差。其中人工设定ROI过大，会造成算力负担，引入更多噪声影响车道线检测精度；人工设定ROI过小，则会导致车身靠近一侧车道线时，远端或者另一侧的车道线丢失，鲁棒性差；并且对于大曲率弯道的适应性和贴合度差，导致检测准确度差。

发明内容

本申请提供了一种车道线的检测方法、装置、设备及存储介质，以解决现有车道线检测方式存在检测准确度差的技术问题。

为了解决上述技术问题，第一方面，本申请实施例提供了一种车道线的检测方法，包括：

获取车道的初始透视图；

对初始透视图进行透视变换，得到第一鸟瞰图；

基于目标车道线方程，拟合第一鸟瞰图的自适应ROI矩阵；

基于目标逆透视变换矩阵，将自适应ROI矩阵对应的目标ROI区域还原至初始透视图，得到目标透视图，目标逆透视变换矩阵和目标车道线方程基于多帧车道线图像进行自调整测试得到；

基于目标透视图的目标ROI区域，提取车道的第一车道线。

本实施例通过获取车道的初始透视图，对初始透视图进行透视变换，得到第一鸟瞰图，并基于目标车道线方程，拟合第一鸟瞰图的自适应ROI矩阵，以解决手工设置ROI矩阵的局限性，使得自适应ROI矩阵更加贴合车道线，提高车道线检测准确度和降低算力负担；以及基于目标逆透视变换矩阵，将自适应ROI矩阵对应的目标ROI区域还原至初始透视图，得到目标透视图，并基于目标透视图的目标ROI区域，提取车道的第一车道线，降低车道线外侧噪声，增加大曲率弯道的适应性，进一步提高车道线检测准确度。

在一实施例中，基于目标车道线方程，拟合第一鸟瞰图的自适应ROI矩阵，包括：

基于目标车道线方程，初始化第一鸟瞰图的车道线x坐标和车道线y坐标；

对车道线x坐标自适应添加目标阈值；

对添加目标阈值后的车道线x坐标与车道线y坐标进行组合，得到第一鸟瞰图的自适应ROI矩阵。

本实施例通过目标车道线方程，初始化车道线坐标，以初步检测车道线，并对车道线x坐标自适应添加目标阈值，以自适应增大或缩小ROI区域，从而克服手工标定参数的局限性。

在一实施例中，基于目标车道线方程，拟合第一鸟瞰图的自适应ROI矩阵之前，还包括：

获取多帧车道线图像，车道线图像对应有预设ROI区域和预设扭转矩阵；

基于预设扭转矩阵，将多帧车道线图像的预设ROI区域透视变换到第二鸟瞰图；

基于多帧第二鸟瞰图的预设ROI区域，提取第二车道线，以及识别车道宽度；

将第二鸟瞰图逆透视变换到车道线图像，得到目标逆透视变换矩阵和车道线图像上的第二车道线的坐标集合；

根据车道宽度和多帧车道线图像上的第二车道线的坐标集合，拟合目标车道线方程。

本实施例通过对多帧车道线图像进行自调整测试，结合车道宽度，得到目标车道线方程，以降低车道外噪声和车道内噪声的影响，从而能够使拟合到的车道线方程更加准确。

在一实施例中，基于目标透视图的目标ROI区域，提取车道的第一车道线，包括：

基于目标逆透视变换矩阵，确定目标透视变换矩阵；

基于目标透视变换矩阵，对目标透视图的目标ROI区域进行透视变换，得到第三鸟瞰图；

基于第三鸟瞰图上的目标ROI区域，提取第三鸟瞰图上的第三车道线；

基于目标逆透视变换矩阵，将第三车道线逆透视变换到目标透视图，得到第一车道线。

本实施例通过目标逆透视变换矩阵，确定目标透视变换矩阵，解决人工设定参数存在准确性差的问题，避免在存在上下坡的鸟瞰图上的车道无法保持相对平行，从而能够提高车道线检测的准确度。

在一实施例中，基于目标逆透视变换矩阵，确定目标透视变换矩阵，包括：

基于目标逆透视变换矩阵，对自适应ROI矩阵进行逆透视变换，得到车道线坐标矩阵；

选取车道线坐标矩阵中的4个坐标点；

基于4个坐标点，建立目标透视变换矩阵。

在一实施例中，基于第三鸟瞰图上的目标ROI区域，提取第三鸟瞰图上的第三车道线，包括：

对第三鸟瞰图进行灰度直方图化，得到灰度直方图；

基于灰度直方图，对第三鸟瞰图的目标ROI区域进行车道内去噪，得到第四鸟瞰图；

对第四鸟瞰图进行滑窗操作，提取第四鸟瞰图的左车道线和右车道线；

对左车道线和右车道线进行拟合，得到第三车道线。

本实施例通过灰度直方图进行车道内去噪，降低车道内噪声对车道线检测的不利影响，提高车道线的检测准确度。

在一实施例中，基于灰度直方图，对第三鸟瞰图的目标ROI区域进行车道内去噪，得到第四鸟瞰图，包括：

对灰度直方图进行灰度峰值检测，得到灰度直方图的灰度峰值数量和灰度峰值；

基于灰度峰值数量，对第三鸟瞰图的目标ROI区域进行车道内去噪，得到第四鸟瞰图。

第二方面，本申请实施例提供一种车道线的检测装置，包括：

获取模块，用于获取车道的初始透视图；

变换模块，用于对初始透视图进行透视变换，得到第一鸟瞰图；

拟合模块，用于基于目标车道线方程，拟合第一鸟瞰图的自适应ROI矩阵；

还原模块，用于基于目标逆透视变换矩阵，将自适应ROI矩阵对应的目标ROI区域还原至初始透视图，得到目标透视图，目标逆透视变换矩阵和目标车道线方程基于多帧车道线图像进行自调整测试得到；

提取模块，用于基于目标透视图的目标ROI区域，提取车道的第一车道线。

第三方面，本申请实施例提供一种电子设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现第一方面的车道线的检测方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现第一方面的车道线的检测方法。

需要说明的是，上述第二方面至第四方面的有益效果请参见上述第一方面的相关描述，在此不再赘述。

附图说明

图1为本申请实施例提供的车道线的检测方法的流程示意图；

图2为本申请实施例提供的二值化图像的示意图；

图3为本申请实施例提供的第三鸟瞰图的示意图；

图4为本申请实施例提供的灰度直方图的示意图；

图5为本申请实施例提供的未进行车道内去噪的车道线图像的示意图；

图6为本申请实施例提供的进行车道内去噪后的车道线图像的示意图；

图7为本申请实施例提供的基于未进行车道内去噪的鸟瞰图的车道线提取示意图基于进行车道内去噪的鸟瞰图的车道线提取示意图；

图8为本申请实施例提供的基于进行车道内去噪的鸟瞰图的车道线提取示意图；

图9为本申请实施例提供的车道线的检测装置的结构示意图；

图10为本申请实施例提供的电子设备的结构示意图。

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，本领域普通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。

如相关技术记载，人工设定ROI使得车道线的检测准确度较差。其中人工设定ROI过大，会造成算力负担，引入更多噪声影响车道线检测精度；人工设定ROI过小，则会导致车身靠近一侧车道线时，远端或者另一侧的车道线丢失，鲁棒性差；并且对于大曲率弯道的适应性和贴合度差，导致检测准确度差。

为此，本申请实施例提供一种车道线的检测方法、装置、设备及存储介质，通过获取车道的初始透视图，对初始透视图进行透视变换，得到第一鸟瞰图，并基于目标车道线方程，拟合第一鸟瞰图的自适应ROI矩阵，以解决手工设置ROI矩阵的局限性，使得自适应ROI矩阵更加贴合车道线，提高车道线检测准确度和降低算力负担；以及基于目标逆透视变换矩阵，将自适应ROI矩阵对应的目标ROI区域还原至初始透视图，得到目标透视图，并基于目标透视图的目标ROI区域，提取车道的第一车道线，降低车道线外侧噪声，增加大曲率弯道的适应性，进一步提高车道线检测准确度。

请参照图1，图1为本申请实施例提供的一种车道线的检测方法的流程示意图。本申请的车道线的检测方法可应用于电子设备，电子设备与车载设备通信连接，电子设备包括但不限于智能手机、平板电脑、笔记本电脑和车载控制终端等计算设备，车载设备包括但不限于车辆CAN总线、车载传感器、车载摄像头和车载定位系统等。如图1所示，车道线的检测方法包括步骤S101至步骤S105，详述如下：

步骤S101，获取车道的初始透视图。

在本步骤中，初始透视图为对摄像头采集到的车道图像经过灰度化和二值化等操作后的透视图。可选地，通过相机标定校正，以对摄像头采集到的车道图像去畸变。

步骤S102，对所述初始透视图进行透视变换，得到第一鸟瞰图。

在本步骤中，透视变换为将图像投影到一个新的视平面的操作，本实施例的视平面为俯视图（即鸟瞰图）。

步骤S103，基于目标车道线方程，拟合所述第一鸟瞰图的自适应ROI矩阵。

在本步骤中，目标车道线方程为基于多帧车道线图像进行自调整测试得到，其用于描述车道线。可选地，识别第一鸟瞰图的车道宽度，通过目标车道线方程结合车道宽度，初步确定车道线x坐标和车道线y坐标，再对车道线x坐标进行自适应调整，以得到车道线区域范围的坐标矩阵，将该坐标矩阵为自适应ROI矩阵。

可选地，以车道导向为y轴，垂直于y轴的坐标轴为x轴。

步骤S104，基于目标逆透视变换矩阵，将所述自适应ROI矩阵对应的目标ROI区域还原至所述初始透视图，得到目标透视图，所述目标逆透视变换矩阵和所述目标车道线方程基于多帧车道线图像进行自调整测试得到。

在本步骤中，为了使车道线更加贴合，通过目标逆透视变换矩阵，将第一鸟瞰图逆透视变换到初始透视图像，以将自适应ROI矩阵对应的目标ROI区域还原成正常视图的ROI坐标矩阵，并去除在正常视图时的ROI坐标矩阵的异常值，得到自适应的ROI区域。

步骤S105，基于所述目标透视图的所述目标ROI区域，提取所述车道的第一车道线。

在本步骤中，可以通过滑动检测的方式，提取车道线。示例性地，在目标ROI区域内，利用颜色空间转换阈值和xy轴方向梯度阈值进行图像二值化；将图像二值化后的目标ROI区域透视变换到俯视鸟瞰图；在俯视鸟瞰图上，基于灰度值更新搜索路径，利用滑动窗口提取两条车道线；对提取到的两条车道线的坐标点进行二项式拟合，得到两条车道线的二次方程曲线，最后将俯视鸟瞰图逆透视变换回目标透视图上。

在一实施例中，在图1所示实施例的基础上，上述步骤S103，具体包括：

基于所述目标车道线方程，初始化所述第一鸟瞰图的车道线x坐标和车道线y坐标；

对所述车道线x坐标自适应添加目标阈值；

对添加目标阈值后的所述车道线x坐标与所述车道线y坐标进行组合，得到所述第一鸟瞰图的自适应ROI矩阵。

在本实施例中，根据自调整测试阶段输出的目标车道线方程，得到第一鸟瞰图的左车道线和右车道线的x坐标、与x坐标一一对应的y坐标，以及目标逆透视变换矩阵。基于左车道线和右车道线的x坐标和y坐标，自适应ROI矩阵设置：选定左车道线和右车道线的x坐标，对该x坐标添加阈值（magin），得到第一鸟瞰图上的自适应ROI矩阵（（x1-magin,y1），（x2-magin,y2），（x3+magin,y3），（x4+magin,y4），…，（xn-magin,yn）），最后通过逆透视变换矩阵，将第一鸟瞰图的自适应ROI矩阵还原成正常视图的ROI坐标矩阵，并去除异常值，得到自适应ROI区域。

本实施例通过目标车道线方程，初始化车道线坐标，以初步检测车道线，并对车道线x坐标自适应添加目标阈值，以自适应增大或缩小ROI区域，从而克服手工标定参数的局限性。

在一实施例中，在图1所示实施例的基础上，上述步骤S103之前，还包括：

获取所述多帧车道线图像，所述车道线图像对应有预设ROI区域和预设扭转矩阵；

基于所述预设扭转矩阵，将多帧所述车道线图像的所述预设ROI区域透视变换到第二鸟瞰图；

基于多帧所述第二鸟瞰图的预设ROI区域，提取第二车道线，以及识别车道宽度；

将所述第二鸟瞰图逆透视变换到所述车道线图像，得到所述目标逆透视变换矩阵和所述车道线图像上的第二车道线的坐标集合；

根据所述车道宽度和多帧所述车道线图像上的第二车道线的坐标集合，拟合所述目标车道线方程。

在本实施例中，通过自调整测试，获取自适应阶段所需的车道线方程；示例性地，当开启车道线检测功能，对前100帧车道线图像进行人工手动划定预设ROI区域和预设扭转矩阵；在预设ROI区域内，通过对颜色空间的转换阈值(例如hls空间的h通道和s通道、lab空间的b通道、rgb空间的r通道和b通道)和xy轴的方向阈值(例如soble算子对横纵方向、梯度幅度和空间梯度的边缘定向角度)的融合，以进行图像二值化；通过预设扭转矩阵，将二值化后的车道线图像进行透视变换，得到第二鸟瞰图；在第二鸟瞰图上，以二值化的灰度峰值，作为滑动窗口更新的起点，根据灰度强度值，更新滑动窗口的搜索路径，提取左车道线和右车道线；对左车道线和右车道线进行二次拟合，得到第二车道线；并将第二鸟瞰图逆透视变换到车道线图像，得到车道线图像上第二车道线的坐标集合。

采用预设公式对每帧车道线图像进行车道宽度识别，得到车道宽度；将100帧车道线图像的车道宽度进行异常去除值后，计算车道宽度均值；根据国标道路宽度阈值进行比较，判定车道线图像的车道类型。最后根据第二车道线的坐标集合，拟合目标车道线方程。

可选地，若车道类型与国标道路宽度存在误差，则继续延伸车道线图像帧数。可以理解的是，通过车道宽度的大小判断，以确定是否存在车道外噪声和车道内噪声，其中车道宽度大则，说明存在车道外噪声，车道宽度小，则说明存在车道内噪声，以保证能够得到准确的目标车道线方程。

可选地，预设公式为：

x_m_per_pixle=(fov_m)/(imagesize[0]/k);

lane_width_=(right_fitx[-1]-left_fitx[-1]×x_m_per_pixle)

其中，x_m_per_pixle：像素坐标器的像素单位和世界坐标器的米单位的换算比例值；fov_m：单目摄像头的覆盖贴合车头的横向长度；imagesize[0]：图像的横向分辨率大小；k：缩放比例因子；lane_width_：车道宽度；right_fitx[-1]：右边贴合车头水平的车道线横向坐标点；left_fitx[-1]：左边贴合车头水平的车道线横向坐标点。

本实施例通过对多帧车道线图像进行自调整测试，结合车道宽度，得到目标车道线方程，以降低车道外噪声和车道内噪声的影响，从而能够使拟合到的车道线方程更加准确。

在一实施例中，在图1所示实施例的基础上，上述步骤S105，具体包括：

基于所述目标逆透视变换矩阵，确定目标透视变换矩阵；

基于所述目标透视变换矩阵，对所述目标透视图的所述目标ROI区域进行透视变换，得到第三鸟瞰图；

基于所述第三鸟瞰图上的所述目标ROI区域，提取所述第三鸟瞰图上的第三车道线；

基于所述目标逆透视变换矩阵，将所述第三车道线逆透视变换到所述目标透视图，得到所述第一车道线。

在本实施例中，第一车道线包括车道的左车道线和右车道线。示例性地，在目标ROI区域内，通过颜色空间的转换阈值和xy轴的方向阈值的融合，以进行目标ROI区域的图像二值化，得到车道线的二值化图像（如图2所示的二值化图像）。通过目标透视变换矩阵，对目标透视图进行透视变换，以将透视图上的目标ROI区域投影到第三鸟瞰图（如图3所示的第三鸟瞰图）。在第三鸟瞰图上，根据灰度值极值索引提取左车道线和右车道线，当滑动窗口的四个顶点的y坐标等于横纵分辨率的极值时，停止迭代，从而避免纵向迭代带来的车道线误提取；对提取到的左右两条车道线的坐标集合进行二次拟合，得到第三车道线；最后通过将所述第三车道线逆透视变换到所述目标透视图，得到所述第一车道线，即得到车道线在像素坐标系的坐标，完成车道线检测。

在一实施例中，所述基于所述目标逆透视变换矩阵，确定目标透视变换矩阵，包括：

基于目标逆透视变换矩阵，对所述自适应ROI矩阵进行逆透视变换，得到车道线坐标矩阵；

选取所述车道线坐标矩阵中的4个坐标点；

基于所述4个坐标点，建立所述目标透视变换矩阵。

在本实施例中，根据自调整测试阶段输出的目标车道线方程，得到第一鸟瞰图的左车道线和右车道线的x坐标、与x坐标一一对应的y坐标，以及目标逆透视变换矩阵。基于目标逆透视变换矩阵，对第一鸟瞰图的ROI矩阵进行还原，得到左车道线的坐标矩阵和右车道线的坐标矩阵，在真实的左右车道线的坐标矩阵中选取四点，作为新的自适应透视变换矩阵的参数，得到目标透视变换矩阵。4个坐标点为从左车道的坐标矩阵选取2组坐标和从右车道的坐标矩阵选取2组坐标。

本实施例通过目标逆透视变换矩阵，确定目标透视变换矩阵，解决人工设定参数存在准确性差的问题，避免在存在上下坡的鸟瞰图上的车道无法保持相对平行，从而能够提高车道线检测的准确度。

在一实施例中，所述基于所述第三鸟瞰图上的所述目标ROI区域，提取所述第三鸟瞰图上的第三车道线，包括：

对所述第三鸟瞰图进行灰度直方图化，得到灰度直方图；

基于所述灰度直方图，对所述第三鸟瞰图的目标ROI区域进行车道内去噪，得到第四鸟瞰图；

对所述第四鸟瞰图进行滑窗操作，提取所述第四鸟瞰图的左车道线和右车道线；

对所述左车道线和所述右车道线进行拟合，得到所述第三车道线。

在本实施例中，示例性地，在第三鸟瞰图上进行灰度直方图化处理，得到像素x轴坐标与对应y轴坐标上的灰度值，对灰度值进行累加得到直方图（如图4所示的灰度直方图）。计算灰度直方图的采样区间，可选地，对于自调整测试阶段的车道内去噪，采用全局采样；对于自适应阶段的车道内去噪，采用动态采集区间，即区间取决于上一帧鸟瞰图上的车道线。在采集区间内，对灰度直方图进行平滑处理，以减少局部小噪声所造成的的波峰波谷的干扰，遍历灰度直方图，在每个采样区间，计算出直方图灰度值大于区间内灰度极大值1/10的坐标点，将小于区间内灰度极大值1/10的坐标点归零，则可以得到包括x轴和y轴的距离点所对应的灰度值，即可以得到鸟瞰图上大于阈值的灰度值所对应的x坐标和y坐标；利用得到的所有坐标点，将连续的坐标点形成一个坐标集合，则可以得到若干个连续坐标点的坐标集合；基于集合数，可以得到灰度值峰值的数量；查找每个连续点的坐标集合内的最大峰值灰度值，可以得到所有灰度值峰值。

本实施例通过灰度直方图进行车道内去噪，降低车道内噪声对车道线检测的不利影响，提高车道线的检测准确度。

在一实施例中，所述基于灰度直方图，对所述第三鸟瞰图的目标ROI区域进行车道内去噪，得到第四鸟瞰图，包括：

对所述灰度直方图进行灰度峰值检测，得到所述灰度直方图的灰度峰值数量和灰度峰值；

基于所述灰度峰值数量，对所述第三鸟瞰图的目标ROI区域进行车道内去噪，得到所述第四鸟瞰图。

在本实施例中，可选地，对于自调整测试阶段，若总峰值数目大于2，则说明车道内存在噪声干扰，因此取最小x坐标峰值和最大x坐标峰值，以去除车道内的噪声影响；对于自适应阶段，若总峰值数目大于2，说明车道线附近存在噪声，因此缩小目标阈值margin，再次确定自适应ROI区域，直到margin=0时，取采样区间内的最大坐标值。

作为示例而非限定，图5示出了未进行车道内去噪的车道线图像的示意图，图6示出了进行车道内去噪后的车道线图像的示意图。相比于未进行车道内去噪的车道线图像，进行车道内去噪能后的ROI区域够更加贴合车道线，避免ROI区域过大或过小。图7示出了基于未进行车道内去噪的鸟瞰图的车道线提取示意图，图8示出了基于进行车道内去噪的鸟瞰图的车道线提取示意图。相比于未进行车道内去噪的鸟瞰图，基于进行车道内去噪后的鸟瞰图进行车道线提取，得到的车道线更加适应曲率大的弯道。

为了执行上述方法实施例对应的车道线的检测方法，以实现相应的功能和技术效果。参见图9，图9示出了本申请实施例提供的一种车道线的检测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的车道线的检测装置，包括：

获取模块901，用于获取车道的初始透视图；

变换模块902，用于对所述初始透视图进行透视变换，得到第一鸟瞰图；

拟合模块903，用于基于目标车道线方程，拟合所述第一鸟瞰图的自适应ROI矩阵；

还原模块904，用于基于目标逆透视变换矩阵，将所述自适应ROI矩阵对应的目标ROI区域还原至所述初始透视图，得到目标透视图，所述目标逆透视变换矩阵和所述目标车道线方程基于多帧车道线图像进行自调整测试得到；

提取模块905，用于基于所述目标透视图的所述目标ROI区域，提取所述车道的第一车道线。

在一实施例中，拟合模块903，包括：

初始化子模块，用于基于所述目标车道线方程，初始化所述第一鸟瞰图的车道线x坐标和车道线y坐标；

添加子模块，用于对所述车道线x坐标自适应添加目标阈值；

组合子模块，用于对添加目标阈值后的所述车道线x坐标与所述车道线y坐标进行组合，得到所述第一鸟瞰图的自适应ROI矩阵。

在一实施例中，检测装置，还包括：

第二获取模块，用于获取所述多帧车道线图像，所述车道线图像对应有预设ROI区域和预设扭转矩阵；

第二变换模块，用于基于所述预设扭转矩阵，将多帧所述车道线图像的所述预设ROI区域透视变换到第二鸟瞰图；

第二提取模块，用于基于多帧所述第二鸟瞰图的预设ROI区域，提取第二车道线，以及识别车道宽度；

逆透视模块，用于将所述第二鸟瞰图逆透视变换到所述车道线图像，得到所述目标逆透视变换矩阵和所述车道线图像上的第二车道线的坐标集合；

第二拟合模块，用于根据所述车道宽度和多帧所述车道线图像上的第二车道线的坐标集合，拟合所述目标车道线方程。

在一实施例中，提取模块905，包括：

确定子模块，用于基于所述目标逆透视变换矩阵，确定目标透视变换矩阵；

第一透视子模块，用于基于所述目标透视变换矩阵，对所述目标透视图的所述目标ROI区域进行透视变换，得到第三鸟瞰图；

提取子模块，用于基于所述第三鸟瞰图上的所述目标ROI区域，提取所述第三鸟瞰图上的第三车道线；

逆透视子模块，用于基于所述目标逆透视变换矩阵，将所述第三车道线逆透视变换到所述目标透视图，得到所述第一车道线。

在一实施例中，确定子模块，包括：

逆透视单元，用于基于目标逆透视变换矩阵，对所述自适应ROI矩阵进行逆透视变换，得到车道线坐标矩阵；

选取单元，用于选取所述车道线坐标矩阵中的4个坐标点；

建立单元，用于基于所述4个坐标点，建立所述目标透视变换矩阵。

在一实施例中，提取子模块，包括：

灰度单元，用于对所述第三鸟瞰图进行灰度直方图化，得到灰度直方图；

去噪单元，用于基于所述灰度直方图，对所述第三鸟瞰图的目标ROI区域进行车道内去噪，得到第四鸟瞰图；

提取单元，用于对所述第四鸟瞰图进行滑窗操作，提取所述第四鸟瞰图的左车道线和右车道线；

拟合单元，用于对所述左车道线和所述右车道线进行拟合，得到所述第三车道线。

在一实施例中，去噪单元，包括：

检测子单元，用于对所述灰度直方图进行灰度峰值检测，得到所述灰度直方图的灰度峰值数量和灰度峰值；

去噪子单元，用于基于所述灰度峰值数量，对所述第三鸟瞰图的目标ROI区域进行车道内去噪，得到所述第四鸟瞰图。

上述的车道线的检测装置可实施上述方法实施例的车道线的检测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。

图10为本申请一实施例提供的电子设备的结构示意图。如图10所示，该实施例的电子设备11包括：至少一个处理器110（图10中仅示出一个）处理器、存储器111以及存储在所述存储器111中并可在所述至少一个处理器110上运行的计算机程序112，所述处理器110执行所述计算机程序112时实现上述任意方法实施例中的步骤。

所述电子设备11可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该电子设备可包括但不仅限于处理器110、存储器111。本领域技术人员可以理解，图10仅仅是电子设备11的举例，并不构成对电子设备11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，例如还可以包括输入输出设备、网络接入设备等。

所称处理器110可以是中央处理单元(Central Processing Unit，CPU)，该处理器110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(Field-Programmable 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。

所述存储器111在一些实施例中可以是所述电子设备11的内部存储单元，例如电子设备11的硬盘或内存。所述存储器111在另一些实施例中也可以是所述电子设备11的外部存储设备，例如所述电子设备11上配备的插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器111还可以既包括所述电子设备11的内部存储单元也包括外部存储设备。所述存储器111用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。

另外，本申请实施例还提供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计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现上述各个方法实施例中的步骤。

在本申请所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。

所述功能如果以软件功能模块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终端设备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-Only Memory）、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。

以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种车道线的检测方法，其特征在于，包括：

获取车道的初始透视图；

对所述初始透视图进行透视变换，得到第一鸟瞰图；

基于目标车道线方程，拟合所述第一鸟瞰图的自适应ROI矩阵；

基于目标逆透视变换矩阵，将所述自适应ROI矩阵对应的目标ROI区域还原至所述初始透视图，得到目标透视图，所述目标逆透视变换矩阵和所述目标车道线方程基于多帧车道线图像进行自调整测试得到；

基于所述目标透视图的所述目标ROI区域，提取所述车道的第一车道线；

所述基于目标车道线方程，拟合所述第一鸟瞰图的自适应ROI矩阵之前，还包括：

获取所述多帧车道线图像，所述车道线图像对应有预设ROI区域和预设扭转矩阵；

基于所述预设扭转矩阵，将多帧所述车道线图像的所述预设ROI区域透视变换到第二鸟瞰图；

基于多帧所述第二鸟瞰图的预设ROI区域，提取第二车道线，以及识别车道宽度；

将所述第二鸟瞰图逆透视变换到所述车道线图像，得到所述目标逆透视变换矩阵和所述车道线图像上的第二车道线的坐标集合；

根据所述车道宽度和多帧所述车道线图像上的第二车道线的坐标集合，拟合所述目标车道线方程。

2.如权利要求1所述的车道线的检测方法，其特征在于，所述基于目标车道线方程，拟合所述第一鸟瞰图的自适应ROI矩阵，包括：

基于所述目标车道线方程，初始化所述第一鸟瞰图的车道线x坐标和车道线y坐标；

对所述车道线x坐标自适应添加目标阈值；

对添加目标阈值后的所述车道线x坐标与所述车道线y坐标进行组合，得到所述第一鸟瞰图的自适应ROI矩阵。

3.如权利要求1或2所述的车道线的检测方法，其特征在于，所述基于所述目标透视图的所述目标ROI区域，提取所述车道的第一车道线，包括：

基于所述目标逆透视变换矩阵，确定目标透视变换矩阵；

基于所述目标透视变换矩阵，对所述目标透视图的所述目标ROI区域进行透视变换，得到第三鸟瞰图；

基于所述第三鸟瞰图上的所述目标ROI区域，提取所述第三鸟瞰图上的第三车道线；

基于所述目标逆透视变换矩阵，将所述第三车道线逆透视变换到所述目标透视图，得到所述第一车道线。

4.如权利要求3所述的车道线的检测方法，其特征在于，所述基于所述目标逆透视变换矩阵，确定目标透视变换矩阵，包括：

基于目标逆透视变换矩阵，对所述自适应ROI矩阵进行逆透视变换，得到车道线坐标矩阵；

选取所述车道线坐标矩阵中的4个坐标点；

基于所述4个坐标点，建立所述目标透视变换矩阵。

5.如权利要求3所述的车道线的检测方法，其特征在于，所述基于所述第三鸟瞰图上的所述目标ROI区域，提取所述第三鸟瞰图上的第三车道线，包括：

对所述第三鸟瞰图进行灰度直方图化，得到灰度直方图；

基于所述灰度直方图，对所述第三鸟瞰图的目标ROI区域进行车道内去噪，得到第四鸟瞰图；

对所述第四鸟瞰图进行滑窗操作，提取所述第四鸟瞰图的左车道线和右车道线；

对所述左车道线和所述右车道线进行拟合，得到所述第三车道线。

6.如权利要求5所述的车道线的检测方法，其特征在于，所述基于所述灰度直方图，对所述第三鸟瞰图的目标ROI区域进行车道内去噪，得到第四鸟瞰图，包括：

对所述灰度直方图进行灰度峰值检测，得到所述灰度直方图的灰度峰值数量和灰度峰值；

基于所述灰度峰值数量，对所述第三鸟瞰图的目标ROI区域进行车道内去噪，得到所述第四鸟瞰图。

7.一种车道线的检测装置，其特征在于，包括：

获取模块，用于获取车道的初始透视图；

变换模块，用于对所述初始透视图进行透视变换，得到第一鸟瞰图；

拟合模块，用于基于目标车道线方程，拟合所述第一鸟瞰图的自适应ROI矩阵；

还原模块，用于基于目标逆透视变换矩阵，将所述自适应ROI矩阵对应的目标ROI区域还原至所述初始透视图，得到目标透视图，所述目标逆透视变换矩阵和所述目标车道线方程基于多帧车道线图像进行自调整测试得到；

提取模块，用于基于所述目标透视图的所述目标ROI区域，提取所述车道的第一车道线；

所述检测装置，还包括：

第二获取模块，用于获取所述多帧车道线图像，所述车道线图像对应有预设ROI区域和预设扭转矩阵；

第二变换模块，用于基于所述预设扭转矩阵，将多帧所述车道线图像的所述预设ROI区域透视变换到第二鸟瞰图；

第二提取模块，用于基于多帧所述第二鸟瞰图的预设ROI区域，提取第二车道线，以及识别车道宽度；

逆透视模块，用于将所述第二鸟瞰图逆透视变换到所述车道线图像，得到所述目标逆透视变换矩阵和所述车道线图像上的第二车道线的坐标集合；

第二拟合模块，用于根据所述车道宽度和多帧所述车道线图像上的第二车道线的坐标集合，拟合所述目标车道线方程。

8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6任一项所述的车道线的检测方法。

9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的车道线的检测方法。

Images