CN114662600A - 一种车道线的检测方法、装置和存储介质 - Google Patents
一种车道线的检测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114662600A CN114662600A CN202210305238.XA CN202210305238A CN114662600A CN 114662600 A CN114662600 A CN 114662600A CN 202210305238 A CN202210305238 A CN 202210305238A CN 114662600 A CN114662600 A CN 114662600A
- Authority
- CN
- China
- Prior art keywords
- lane
- line
- acquiring
- motion
- point
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种车道线的检测方法及装置，该方法包括：获取毫米波雷达采集的点云数据，并对点云数据进行聚类，以获取聚类完成的聚类数据帧；根据多个聚类数据帧，获取至少一个运动物体的运动轨迹；根据至少一个运动物体的运动轨迹，确定至少一个车道中心线；根据至少一个车道中心线，获取检测区域的拟合车道线。本发明实施例公开的技术方案，在仅覆盖毫米波雷达的交通场景中，实现了车道线位置的自动检测，避免了现场人工测绘导致的测量误差，提高了车道线位置的检测精度。
Description
技术领域
本发明实施例涉及道路交通领域，尤其涉及一种车道线的检测方法、装置、路侧检测设备和存储介质。
背景技术
在车路协同技术快速发展的推动下，毫米波雷达被广泛部署于路侧系统，用于对各种道路交通事件进行检测，而这其中对于车道线的位置检测，则是检测各种道路交通事件的基础。
现有技术中，在路侧系统中，通常是通过部署摄像头等视觉系统，并结合图像识别模型(例如，基于神经网络的图像识别模型)，进行车道线的检测，或者基于对毫米波雷达的预先标定，使其与地图数据进行融合匹配后，获取车道线位置。
然而，在仅覆盖毫米波雷达的交通场景中，无法借助视觉系统进行车道线的识别，而对毫米波雷达预先进行的融合标定，标定过程极为繁琐，不但需要耗费较高的时间成本和人力成本，而且地图数据的准确性也会极大地影响车道线的检测结果，因此，在上述交通场景中，通常只能依靠人工方式，现场进行人工测量、绘制。
发明内容
本发明实施例提供了一种车道线的检测方法、装置、路侧检测设备和存储介质，以通过毫米波雷达采集的点云数据，获取检测区域的车道线位置。
第一方面，本发明实施例提供了一种车道线的检测方法，包括：
获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧；
根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹；
根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线；
根据所述至少一个车道中心线，获取检测区域的拟合车道线。
第二方面，本发明实施例提供了一种车道线的检测装置，包括：
聚类数据帧获取模块，用于获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧；
运动轨迹获取模块，用于根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹；
车道中心线获取模块，用于根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线；
车道线位置获取模块，用于根据所述至少一个车道中心线，获取检测区域的拟合车道线。
第三方面，本发明实施例还提供了一种路侧检测设备，所述路侧检测设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的车道线的检测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现本发明任意实施例所述的车道线的检测方法。
本发明实施例公开的技术方案，在获取毫米波雷达采集的点云数据，并聚类完成后，根据多个聚类数据帧，获取至少一个运动物体的运动轨迹，并根据至少一个运动物体的运动轨迹，确定至少一个车道中心线，进而根据至少一个车道中心线，获取检测区域的拟合车道线，在仅覆盖毫米波雷达的交通场景中，实现了车道线位置的自动检测，避免了现场人工测绘导致的测量误差，提高了车道线位置的检测精度，同时，相比于传统的技术方案，本发明实施例既不依赖于部署在路侧的视觉装置，降低了交通系统的硬件成本，也不需要对毫米波雷达进行预先标定，节省了大量的时间成本和人力成本。
附图说明
图1A是本发明实施例一提供的一种车道线的检测方法的流程图；
图1B是本发明实施例一提供的车道中心线与车道边界线的位置示意图；
图2是本发明实施例二提供的一种车道线的检测方法的流程图；
图3A是本发明实施例三提供的一种车道线的检测方法的流程图；
图3B是本发明实施例三提供的姿态检测装置与毫米波雷达的位置示意图；
图4是本发明实施例四提供的一种车道线的检测装置的结构框图；
图5是本发明实施例五提供的一种路侧检测设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1A为本发明实施例一提供的一种车道线的检测方法的流程图，本实施例可适用于通过毫米波雷达采集的检测区域内的点云数据，获取该区域内的车道线位置，该方法可以由本发明实施例中的车道线的检测装置来执行，该装置可以通过软件和/或硬件实现，并集成在安装于路侧的交通检测设备中，典型的，可以集成在路侧的毫米波雷达组件中，该方法具体包括如下步骤：
S110、获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧。
毫米波雷达通过发射电磁波，对检测区域内的各个物体进行扫描，并根据反射回来的电磁信号生成检测区域内结构化的点云数据；其中，检测区域内的物体包括各种交通参与者(例如，行人、机动车和非机动车)、树木、交通标示牌等；点云数据(Point CloudData)是三维坐标系统中的一组向量的集合，包括了每个扫描点的位置、速度、角度以及雷达散射截面(Radar Cross Section，RCS)，还可以包括每个扫描点的反射强度信息(Intensity)。
由于毫米波雷达获取到的反射信号为离散的点云数据，为了区分检测区域中的不同物体，对每一帧的点云数据分别进行聚类，聚类完成的点云数据帧即为聚类数据帧；其中，对点云数据进行聚类时，可以基于各个扫描点的速度和/或反射强度进行聚类，也可以通过K均值聚类(k-means clustering algorithm，K-MEANS)或K中心点聚类(K-MEDOIDS)等方法进行聚类，在本发明实施例中，对点云数据的聚类方式不作具体限定。
S120、根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹。
在多个聚类数据帧中，根据各个目标物体的速度和/或反射强度的不同，可以确定上述多个聚类数据帧中的目标物体是否为相同物体，进而根据不同的聚类数据帧中，各个目标物体的位置变化，即可获取其中运动物体的轨迹信息；其中，树木和交通标示牌等目标物体，其轨迹保持不变，为静态物体；也可以基于各扫描点的速度信息，过滤速度低于预设速度阈值的行人以及非机动车辆的运动轨迹，避免行人或非机动车辆在车道上的非规范行驶，对车道线的检测结果产生偏差；特别的，还可以根据基于卡尔曼滤波(KalmanFiltering)、扩展卡尔曼滤波(xtended Kalman Filter，EKF)或联合概率数据关联(JointProbabilistic Data Association，JPDA)的多目标跟踪算法，获取各个运动物体的运动轨迹。
可选的，在本发明实施例中，所述根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹，包括：获取所述聚类数据帧中各个目标物体的聚类中心点，并根据各所述目标物体的聚类中心点，获取中心点数据帧；根据多个所述中心点数据帧，获取至少一个运动物体的运动轨迹。具体的，聚类数据帧中的点云数据虽然聚类完成，但每个目标物体实际上仍然是由较多数量的扫描点组成，通过多个聚类数据帧获取各个目标物体的运动轨迹时，仍然需要对各个扫描点分别进行比对，因此，在每个聚类数据帧中将各个目标物体通过其中心点表示，即每个目标物体均通过一个扫描点表示其位置，也即将聚类数据帧转变为中心点数据帧，以减少每个目标物体的点位信息，进而通过多个数据帧获取运动轨迹时，每个运动物体仅需要对每个数据帧中的一个点位进行关联，即可反映该物体的运动轨迹，极大地提高了运动轨迹的获取效率。
S130、根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线。
如果毫米波雷达仅用于检测单车道的车道线，显然，获取到的运动轨迹均为该车道内的运动轨迹，由于大多数车辆在行使时，会尽可能的靠近车道中间行使，因此，将该车道内的各个运动轨迹进行拟合后，最终获取到的拟合轨迹，即为该车道的中心线；如果毫米波雷达的检测区域为多车道的检测区域，则需要先将分属于不同车道的运动轨迹进行聚类，以为不同的车道分别提供轨迹样本。
具体的，所述根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线，还包括：将所述至少一个运动物体的运动轨迹进行分类，以获取分类完成的至少一个轨迹数据集；其中，所述轨迹数据集与车道一一匹配；对至少一个所述轨迹数据集中的运动轨迹进行拟合，以获取至少一个车道中心线。在对运动轨迹进行分类时，可以基于点密度的数据分割方式，将获取到的所有运动轨迹进行分割，以获取不同的轨迹数据集，还可以将各个运动轨迹映射到灰度图像中，通过对灰度图像进行轮廓识别，进而对灰度轮廓进行切割，以获取不同的轨迹数据集；特别的，如果已预先获知车道数量，还可以将车道数量作为先验条件，进而通过上述方式进行运动轨迹分割，以加快轨迹数据集的获取速度，提高轨迹数据集的分类准确性。
S140、根据所述至少一个车道中心线，获取检测区域的拟合车道线。
在获取到车道中心线后，根据车道宽度，将车道中心线分别向两侧移动车道宽度的一半，即可直接确定该区域内车道线的位置。
可选的，在本发明实施例中，所述根据所述至少一个车道中心线，获取检测区域的拟合车道线，包括：根据所述车道中心线上的中心点坐标，基于如下公式，获取检测区域中匹配的车道线上的边界点坐标：
其中，
xi是车道中心线上第i个中心点的横坐标，yi是车道中心线上第i个中心点的纵坐标，xi+1是车道中心线上第i+1个中心点的横坐标，yi+1是车道中心线上第i+1个中心点的纵坐标，xi'是车道左边界线上第i个边界点的横坐标，yi'是车道左边界线上第i个边界点的纵坐标，xi”是车道右边界线上第i个边界点的横坐标，yi”是车道右边界线上第i个边界点的纵坐标，d是车道宽度。
如图1B所示，由于毫米波雷达在路侧的安装位置不同，毫米波雷达获取到的道路图像中，车道中心线可能并不垂直于图像边界，而是以倾斜状态存在，
因此，在车道中心线上取相邻两点pi和pi+1，沿上述两点的法线方向左右各平移d/2，分别得到pi′、pi″、pi+1′和pi+1″；如图1B所示：
由此，获取到pi′的坐标为：
pi+1′的坐标为：
pi″的坐标为：
pi+1″的坐标为：
最终获取到车道边界线上的点集合为
P′为车道左边界的点集合，P″为车道右边界的点集合；特别的，车道中心线上的相邻两点可以根据图像中车道中心线上各个像素点的坐标任意选取，也可以根据间隔距离，选取固定距离的点位。
本发明实施例公开的技术方案，在获取毫米波雷达采集的点云数据，并聚类完成后，根据多个聚类数据帧，获取至少一个运动物体的运动轨迹，并根据至少一个运动物体的运动轨迹，确定至少一个车道中心线，进而根据至少一个车道中心线，获取检测区域的拟合车道线，在仅覆盖毫米波雷达的交通场景中，实现了车道线位置的自动检测，避免了现场人工测绘导致的测量误差，提高了车道线位置的检测精度，同时，相比于传统的技术方案，本发明实施例既不依赖于部署在路侧的视觉系统，减少了交通系统的硬件成本，也不需要对毫米波雷达进行预先标定，节省了大量的时间成本和人力成本。
实施例二
图2为本发明实施例二提供的一种车道线的检测方法的流程图，本发明实施例在上述技术方案的基础上进行具体化，在本发明实施例中，通过设定第一数量阈值和第二数量阈值，判断运动轨迹数量是否符合拟合需求，具体的，该方法包括如下步骤：
S210、获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧；执行S220。
S220、根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹；执行S230。
S230、判断获取到的运动轨迹总数，是否等于第一数量阈值的整数倍；若是，执行S240；若否，执行S210。
对运动轨迹进行拟合时，需要累计一定数量的运动轨迹作为拟合样本，以确保获取到准确的拟合轨迹，因此，需要确保获取到的运动轨迹总数大于等于第一数量阈值，再进行运动轨迹的分类。
S240、将所述至少一个运动轨迹进行分类，以获取分类完成的至少一个轨迹数据集；
S250、判断所述至少一个轨迹数据集中，是否存在目标轨迹数据集；其中，所述目标轨迹数据集中的运动轨迹数量小于第二数量阈值，所述第二数量阈值小于所述第一数量阈值；若否，执行S260；若是，执行S210。
S260、对至少一个所述轨迹数据集中的运动轨迹进行拟合，以获取至少一个车道中心线；执行S270。
由于不同的车道中，行驶车辆的数量也往往不同，因此，需要确保每条车道均累计一定数量的运动轨迹作为拟合样本，即每个轨迹数据集中的运动轨迹数量，均需要大于等于第二数量阈值，因此，如果判断各个轨迹数据集中，存在运动轨迹数量小于第二数量阈值的轨迹数据集(即目标轨迹数据集)，需要如上述技术方案所述，继续获取毫米波雷达采集的点云数据，进而通过聚类数据帧获取运动轨迹，以扩大运动轨迹总数，当再次累计到第一数量阈值的运动轨迹时，继续判断各个轨迹数据集是否均满足上述要求，使得每个车道均累计足够数量的运动轨迹样本，确保车道中心线的获取准确性。
S270、根据所述至少一个车道中心线，获取检测区域的拟合车道线。
本发明实施例公开的技术方案，在根据多个聚类数据帧，获取至少一个运动物体的运动轨迹后，判断获取到的运动轨迹总数，是否等于第一数量阈值的整数倍，并在确定运动轨迹总数小于第一数量阈值时，继续获取毫米波雷达采集的点云数据，以确保获取到检测区域中足够数量的运动轨迹，同时，当存在目标轨迹数据集时，同样继续获取毫米波雷达采集的点云数据，在累计的运动轨迹总数每次达到第一数量阈值的整数倍时，均判断是否存在目标轨迹数据集，以确保多车道的检测区域中，每个车道均能获取到足够数量的运动轨迹，进一步确保每个车道的车道线位置准确。
实施例三
图3A为本发明实施例三提供的一种车道线的检测方法的流程图，本发明实施例在上述技术方案的基础上进行具体化，在本发明实施例中，每次获取到姿态检测装置发出的姿态倾斜角时，重新拟合获取检测区域中的车道线，具体的，该方法包括如下步骤：
S310、响应于获取到姿态检测装置发出的姿态倾斜角，获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧；执行S320。
毫米波雷达固定于路侧的交通杆上，其检测区域通常固定不变，但当受到外力作用时，毫米波雷达可能会出现姿态变化，导致车道线位置改变，因此，如图3B所示，在本发明实施例中，姿态检测装置(例如，姿态传感器和加速度传感器等)与毫米波雷达集成于同一台路侧检测设备中，且姿态检测装置与毫米波雷达竖直放置，其倾斜角信息和方向角信息均与毫米波雷达相同，以检测毫米波雷达的姿态变化。
S320、根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹；执行S330。
S330、根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线；执行S340。
S340、根据所述至少一个车道中心线，获取检测区域的拟合车道线；执行S350。
S350、根据所述姿态倾斜角以及基准车道线，获取检测区域的计算车道线；执行S360。
基准车道线可以基于上述技术方案获取，即毫米波雷达在路侧部署完成后，基于当前姿态(即姿态角为0)获取拟合车道线，并将姿态角为0度状态下的拟合车道线作为基准车道线；也可以通过其它方式获取，例如，通过人工测量的方式预先绘制完成并存储于本地设备中；姿态倾斜角表示了毫米波雷达的倾斜方向，也同样表示了毫米波雷达的检测区域的倾斜方向，因此，根据姿态倾斜角，即可确定基准车道线的倾斜方向，进而计算获取检测区域的车道线位置(即获取计算车道线)。
S360、根据所述拟合车道线和/或所述计算车道线，获取检测区域的实际车道线位置。
可以将拟合车道线和计算车道线的平均值，作为检测区域的实际车道线位置，也可以为拟合车道线和计算车道线分别设定不同的权重系数(二者的权重系数之和为1)，进而根据拟合车道线、拟合车道线权重系数、计算车道线以及计算车道线权重系数，获取检测区域的实际车道线位置；特别的，由于姿态检测装置检测到的姿态角具有数据漂移以及误差累积的特点，姿态倾斜角的数值越大，其检测误差越大，因此，可以根据预设角度阈值，当姿态倾斜角小于等于预设角度阈值时，将计算车道线作为检测区域的实际车道线位置，以确保角度误差较小时，快速获取车道线位置，或者为计算车道线分配较大的权重系数，为拟合车道线分配较小的权重系数；当姿态倾斜角大于预设角度阈值时，将拟合车道线作为检测区域的实际车道线位置，或者为拟合车道线分配较大的权重系数，为计算车道线分配较小的权重系数，避免姿态倾斜装置的角度检测误差对车道线的位置检测产生影响，提高实际车道线的位置精度。
本发明实施例公开的技术方案，响应于获取到姿态检测装置发出的姿态倾斜角，获取毫米波雷达采集的点云数据，并在聚类完成后，根据多个聚类数据帧，获取检测区域的拟合车道线，进而根据拟合车道线和/或计算车道线，获取检测区域的实际车道线位置，不但在仅覆盖毫米波雷达的交通场景中，实现了车道线位置的自动检测，避免了现场人工测绘导致的测量误差，同时，由于外力因素导致毫米波雷达产生倾斜时，可以实现车道线位置的自动纠偏，进一步提高车道线位置的检测精度。
实施例四
图4是本发明实施例四所提供的一种车道线的检测装置的结构框图，该装置具体包括：
聚类数据帧获取模块410，用于获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧；
运动轨迹获取模块420，用于根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹；
车道中心线获取模块430，用于根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线；
车道线位置获取模块440，用于根据所述至少一个车道中心线，获取检测区域的拟合车道线。
本发明实施例公开的技术方案，在获取毫米波雷达采集的点云数据，并聚类完成后，根据多个聚类数据帧，获取至少一个运动物体的运动轨迹，并根据至少一个运动物体的运动轨迹，确定至少一个车道中心线，进而根据至少一个车道中心线，获取检测区域的拟合车道线，在仅覆盖毫米波雷达的交通场景中，实现了车道线位置的自动检测，避免了现场人工测绘导致的测量误差，提高了车道线位置的检测精度，同时，相比于传统的技术方案，本发明实施例既不依赖于部署在路侧的视觉系统，减少了交通系统的硬件成本，也不需要对毫米波雷达进行预先标定，节省了大量的时间成本和人力成本。
可选的，在上述技术方案的基础上，运动轨迹获取模块420，具体包括：
中心点数据帧获取单元，用于获取所述聚类数据帧中各个目标物体的聚类中心点，并根据各所述目标物体的聚类中心点，获取中心点数据帧；
运动轨迹获取单元，用于根据多个所述中心点数据帧，获取至少一个运动物体的运动轨迹。
可选的，在上述技术方案的基础上，车道中心线获取模块430，具体包括：
轨迹数据集获取单元，用于将所述至少一个运动物体的运动轨迹进行分类，以获取分类完成的至少一个轨迹数据集；其中，所述轨迹数据集与车道一一匹配；
车道中心线获取单元，用于对至少一个所述轨迹数据集中的运动轨迹进行拟合，以获取至少一个车道中心线。
可选的，在上述技术方案的基础上，轨迹数据集获取单元，具体用于判断获取到的运动轨迹总数，是否等于第一数量阈值的整数倍；若是，则将所述至少一个运动物体的运动轨迹进行分类，以获取分类完成的至少一个轨迹数据集。
可选的，在上述技术方案的基础上，车道中心线获取模块430，还包括：
目标轨迹数据集判断单元，用于判断所述至少一个轨迹数据集中，是否存在目标轨迹数据集；其中，所述目标轨迹数据集中的运动轨迹数量小于第二数量阈值，所述第二数量阈值小于所述第一数量阈值；若是，则继续通过聚类数据帧获取模块410获取毫米波雷达采集的点云数据，并在通过轨迹数据集获取单元判断获取到的运动轨迹总数等于第一数量阈值的整数倍时，再次判断所述至少一个轨迹数据集中，是否存在目标轨迹数据集，直至所述至少一个轨迹数据集中，不存在目标轨迹数据集为止。
可选的，在上述技术方案的基础上，车道线位置获取模块440，具体用于根据所述车道中心线上的中心点坐标，基于如下公式，获取检测区域中匹配的车道线上的边界点坐标：
其中，
xi是车道中心线上第i个中心点的横坐标，yi是车道中心线上第i个中心点的纵坐标，xi+1是车道中心线上第i+1个中心点的横坐标，yi+1是车道中心线上第i+1个中心点的纵坐标，xi'是车道左边界线上第i个边界点的横坐标，yi'是车道左边界线上第i个边界点的纵坐标，xi”是车道右边界线上第i个边界点的横坐标，yi”是车道右边界线上第i个边界点的纵坐标，d是车道宽度。
可选的，在上述技术方案的基础上，聚类数据帧获取模块410，具体用于响应于获取到姿态检测装置发出的姿态倾斜角，获取毫米波雷达采集的点云数据。
可选的，在上述技术方案的基础上，车道线的检测装置，还包括：
计算车道线获取模块，用于根据所述姿态倾斜角以及基准车道线，获取检测区域的计算车道线；
实际车道线获取模块，用于根据所述拟合车道线和/或所述计算车道线，获取检测区域的实际车道线。
上述装置可执行本发明任意实施例所提供的车道线的检测方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的车道线的检测方法。
实施例五
图5为本发明实施例五提供的一种路侧检测设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性路侧检测设备12的框图。图5显示的路侧检测设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，路侧检测设备12以通用计算机设备的形式表现。路侧检测设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同系统组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
路侧检测设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被路侧检测设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。路侧检测设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
路侧检测设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该路侧检测设备12交互的设备通信，和/或与使得该路侧检测设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，路侧检测设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与路侧检测设备12的其它模块通信。应当明白，尽管图中未示出，可以结合路侧检测设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的车道线的检测方法。也即：获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧；根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹；根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线；根据所述至少一个车道中心线，获取检测区域的拟合车道线。
实施例六
本发明实施例六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，该程序被处理器执行时实现如本发明任意实施例所述的车道线的检测方法；该方法包括：
获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧；
根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹；
根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线；
根据所述至少一个车道中心线，获取检测区域的拟合车道线。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车道线的检测方法，其特征在于，包括：
获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧；
根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹；
根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线；
根据所述至少一个车道中心线，获取检测区域的拟合车道线。
2.根据权利要求1所述的方法，其特征在于，所述根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹，包括：
获取所述聚类数据帧中各个目标物体的聚类中心点，并根据各所述目标物体的聚类中心点，获取中心点数据帧；
根据多个所述中心点数据帧，获取至少一个运动物体的运动轨迹。
3.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线，还包括：
将所述至少一个运动物体的运动轨迹进行分类，以获取分类完成的至少一个轨迹数据集；其中，所述轨迹数据集与车道一一匹配；
对至少一个所述轨迹数据集中的运动轨迹进行拟合，以获取至少一个车道中心线。
4.根据权利要求3所述的方法，其特征在于，所述将所述至少一个运动物体的运动轨迹进行分类，以获取分类完成的至少一个轨迹数据集，包括：
判断获取到的运动轨迹总数，是否等于第一数量阈值的整数倍；
若是，则将所述至少一个运动物体的运动轨迹进行分类，以获取分类完成的至少一个轨迹数据集；
在对至少一个所述轨迹数据集中的运动轨迹进行拟合，以获取至少一个车道中心线前，还包括：
判断所述至少一个轨迹数据集中，是否存在目标轨迹数据集；其中，所述目标轨迹数据集中的运动轨迹数量小于第二数量阈值，所述第二数量阈值小于所述第一数量阈值；
若是，则继续获取毫米波雷达采集的点云数据，并在获取到的运动轨迹总数等于第一数量阈值的整数倍时，再次判断所述至少一个轨迹数据集中，是否存在目标轨迹数据集，直至所述至少一个轨迹数据集中，不存在目标轨迹数据集为止。
5.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个车道中心线，获取检测区域的拟合车道线，包括：
根据所述车道中心线上的中心点坐标，基于如下公式，获取检测区域中匹配的车道线上的边界点坐标：
其中，
xi是车道中心线上第i个中心点的横坐标，yi是车道中心线上第i个中心点的纵坐标，xi+1是车道中心线上第i+1个中心点的横坐标，yi+1是车道中心线上第i+1个中心点的纵坐标，xi'是车道左边界线上第i个边界点的横坐标，yi'是车道左边界线上第i个边界点的纵坐标，xi”是车道右边界线上第i个边界点的横坐标，yi”是车道右边界线上第i个边界点的纵坐标，d是车道宽度。
6.根据权利要求1所述的方法，其特征在于，所述获取毫米波雷达采集的点云数据，包括：
响应于获取到姿态检测装置发出的姿态倾斜角，获取毫米波雷达采集的点云数据。
7.根据权利要求6所述的方法，其特征在于，在根据所述至少一个车道中心线，获取检测区域的拟合车道线后，还包括：
根据所述姿态倾斜角以及基准车道线，获取检测区域的计算车道线；
根据所述拟合车道线和/或所述计算车道线，获取检测区域的实际车道线。
8.一种车道线的检测装置，其特征在于，包括：
聚类数据帧获取模块，用于获取毫米波雷达采集的点云数据，并对所述点云数据进行聚类，以获取聚类完成的聚类数据帧；
运动轨迹获取模块，用于根据多个所述聚类数据帧，获取至少一个运动物体的运动轨迹；
车道中心线获取模块，用于根据所述至少一个运动物体的运动轨迹，确定至少一个车道中心线；
车道线位置获取模块，用于根据所述至少一个车道中心线，获取检测区域的拟合车道线。
9.一种路侧检测设备，其特征在于，所述路侧检测设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的车道线的检测方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行权利要求1-7中任一所述的车道线的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210305238.XA CN114662600B (zh) | 2022-03-25 | 2022-03-25 | 一种车道线的检测方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210305238.XA CN114662600B (zh) | 2022-03-25 | 2022-03-25 | 一种车道线的检测方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114662600A true CN114662600A (zh) | 2022-06-24 |
| CN114662600B CN114662600B (zh) | 2023-11-07 |
Family
ID=82031912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210305238.XA Active CN114662600B (zh) | 2022-03-25 | 2022-03-25 | 一种车道线的检测方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114662600B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953752A (zh) * | 2023-03-07 | 2023-04-11 | 中汽创智科技有限公司 | 一种车道参考线的提取方法、装置、电子设备及存储介质 |
| CN118276093A (zh) * | 2024-06-03 | 2024-07-02 | 南通大学 | 一种基于毫米波雷达图像的交通道路检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及系统 |
| CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
| KR102083909B1 (ko) * | 2018-10-23 | 2020-03-04 | 주식회사 모빌테크 | 포인트 클라우드 맵 기반의 자율주행차량용 차선데이터 정보 자동 추출 방법 |
| CN111274976A (zh) * | 2020-01-22 | 2020-06-12 | 清华大学 | 基于视觉与激光雷达多层次融合的车道检测方法及系统 |
| CN111291676A (zh) * | 2020-02-05 | 2020-06-16 | 清华大学 | 一种基于激光雷达点云和相机图像融合的车道线检测方法及装置和芯片 |
| CN112382092A (zh) * | 2020-11-11 | 2021-02-19 | 成都纳雷科技有限公司 | 交通毫米波雷达自动生成车道的方法、系统及介质 |
| CN112433203A (zh) * | 2020-10-29 | 2021-03-02 | 同济大学 | 一种基于毫米波雷达数据的车道线形检测方法 |
| CN112561944A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云的车道线提取方法 |
| CN113408504A (zh) * | 2021-08-19 | 2021-09-17 | 南京隼眼电子科技有限公司 | 基于雷达的车道线识别方法、装置、电子设备及存储介质 |
| CN113534170A (zh) * | 2020-04-20 | 2021-10-22 | 上海禾赛科技有限公司 | 车道线检测方法、数据处理单元以及车载激光雷达系统 |
-
2022
- 2022-03-25 CN CN202210305238.XA patent/CN114662600B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488498A (zh) * | 2016-01-15 | 2016-04-13 | 武汉光庭信息技术股份有限公司 | 一种基于激光点云的车道边线自动提取方法及系统 |
| KR102083909B1 (ko) * | 2018-10-23 | 2020-03-04 | 주식회사 모빌테크 | 포인트 클라우드 맵 기반의 자율주행차량용 차선데이터 정보 자동 추출 방법 |
| CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
| CN111274976A (zh) * | 2020-01-22 | 2020-06-12 | 清华大学 | 基于视觉与激光雷达多层次融合的车道检测方法及系统 |
| CN111291676A (zh) * | 2020-02-05 | 2020-06-16 | 清华大学 | 一种基于激光雷达点云和相机图像融合的车道线检测方法及装置和芯片 |
| CN113534170A (zh) * | 2020-04-20 | 2021-10-22 | 上海禾赛科技有限公司 | 车道线检测方法、数据处理单元以及车载激光雷达系统 |
| CN112433203A (zh) * | 2020-10-29 | 2021-03-02 | 同济大学 | 一种基于毫米波雷达数据的车道线形检测方法 |
| CN112382092A (zh) * | 2020-11-11 | 2021-02-19 | 成都纳雷科技有限公司 | 交通毫米波雷达自动生成车道的方法、系统及介质 |
| CN112561944A (zh) * | 2020-11-27 | 2021-03-26 | 中央财经大学 | 一种基于车载激光点云的车道线提取方法 |
| CN113408504A (zh) * | 2021-08-19 | 2021-09-17 | 南京隼眼电子科技有限公司 | 基于雷达的车道线识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 吴毅华等: "基于激光雷达回波信号的自适应阈值车道线检测", 《机器人》, vol. 37, no. 4, pages 451 - 458 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953752A (zh) * | 2023-03-07 | 2023-04-11 | 中汽创智科技有限公司 | 一种车道参考线的提取方法、装置、电子设备及存储介质 |
| CN115953752B (zh) * | 2023-03-07 | 2023-07-21 | 中汽创智科技有限公司 | 一种车道参考线的提取方法、装置、电子设备及存储介质 |
| CN118276093A (zh) * | 2024-06-03 | 2024-07-02 | 南通大学 | 一种基于毫米波雷达图像的交通道路检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114662600B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109143207B (zh) | 激光雷达内参精度验证方法、装置、设备及介质 | |
| EP3581890B1 (en) | Method and device for positioning | |
| CN109087510B (zh) | 交通监测方法及装置 | |
| JP2023523243A (ja) | 障害物検出方法及び装置、コンピュータデバイス、並びにコンピュータプログラム | |
| CN110929655B (zh) | 一种行驶过程中车道线识别方法、终端设备及存储介质 | |
| CN114662600B (zh) | 一种车道线的检测方法、装置和存储介质 | |
| WO2022217630A1 (zh) | 一种车速确定方法、装置、设备和介质 | |
| CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
| CN112613424A (zh) | 铁轨障碍物检测方法、装置、电子设备和存储介质 | |
| Liu et al. | Vehicle detection and ranging using two different focal length cameras | |
| US9613272B2 (en) | Image analyzing device, image analyzing method, and recording medium storing image analyzing program | |
| KR20220041485A (ko) | 라이다 센서를 이용한 객체 추적 방법 및 장치, 이 장치를 포함하는 차량 및 이 방법을 실행하기 위한 프로그램을 기록한 기록 매체 | |
| CN111913177A (zh) | 对目标物探测方法、装置以及存储介质 | |
| WO2023040737A1 (zh) | 目标位置确定方法、装置、电子设备以及存储介质 | |
| CN112100565A (zh) | 一种道路曲率确定方法、装置、设备及存储介质 | |
| CN115187941A (zh) | 目标检测定位方法、系统、设备及存储介质 | |
| Fu et al. | Camera-based semantic enhanced vehicle segmentation for planar lidar | |
| CN110111018B (zh) | 评估车辆感测能力的方法、装置、电子设备及存储介质 | |
| CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
| Nitsch et al. | 3d ground point classification for automotive scenarios | |
| CN112699711A (zh) | 车道线检测方法、装置、存储介质及电子设备 | |
| CN117496515A (zh) | 点云数据标注方法、存储介质和电子设备 | |
| JP7418476B2 (ja) | 運転可能な領域情報を決定するための方法及び装置 | |
| CN112902911B (zh) | 基于单目相机的测距方法、装置、设备及存储介质 | |
| CN116665179A (zh) | 数据处理方法、装置、域控制器以及存储介质 |
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 |