CN115830558A - 车道线修正方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种车道线修正方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及自动驾驶、高精地图等技术领域。实现方案为：获取路面的反射率底图，反射率底图是通过对路面的多组点云数据进行拼接而生成的；识别反射率底图中的至少一条第一车道线；识别单组采集数据中的第二车道线，单组采集数据包括通过对路面进行一次扫描所得到的点云数据和图像中的至少之一；从至少一条第一车道线中确定与第二车道线相匹配的基准车道线；以及基于基准车道线，修正第二车道线。

Description

车道线修正方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及自动驾驶、高精地图等技术领域，具体涉及一种车道线修正方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

高精地图也称高精度地图，是由自动驾驶车辆使用的地图。高精地图拥有精确的车辆位置信息和丰富的道路元素数据信息，可以帮助车辆预知路面的复杂信息，如坡度、曲率、航向等，从而使车辆更好地规避潜在的风险。车道线作为高精地图中最为关键的要素之一，在自动驾驶车辆定位、行驶策略规划中起到举足轻重的作用。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种车道线修正方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种车道线修正方法，包括：获取路面的反射率底图，其中，所述反射率底图包括所述路面上的多个采样点的反射率信息，所述反射率底图是通过对所述路面的多组点云数据进行拼接而生成的，所述多组点云数据中的每组点云数据通过对所述路面进行一次扫描得到；识别所述反射率底图中的至少一条第一车道线；识别单组采集数据中的第二车道线，其中，所述单组采集数据包括通过对所述路面进行一次扫描所得到的点云数据和图像中的至少之一；从所述至少一条第一车道线中确定与所述第二车道线相匹配的基准车道线；以及基于所述基准车道线，修正所述第二车道线。

根据本公开的另一方面，提供了一种车道线修正装置，包括：获取模块，被配置为获取路面的反射率底图，其中，所述反射率底图包括所述路面上的多个采样点的反射率信息，所述反射率底图是通过对所述路面的多组点云数据进行拼接而生成的，所述多组点云数据中的每组点云数据通过对所述路面进行一次扫描得到；第一识别模块，被配置为识别所述反射率底图中的至少一条第一车道线；第二识别模块，被配置为识别单组采集数据中的第二车道线，其中，所述单组采集数据包括通过对所述路面进行一次扫描所得到的点云数据和图像中的至少之一；确定模块，被配置为从所述至少一条第一车道线中确定与所述第二车道线相匹配的基准车道线；以及修正模块，被配置为基于所述基准车道线，修正所述第二车道线。

根据本公开的一方面，提供了一种电子设备，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上述车道线修正方法。

根据本公开的一方面，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，其中，所述计算机指令用于使计算机执行上述车道线修正方法。

根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现上述车道线修正方法。

根据本公开的一个或多个实施例，能够提高车道线信息的准确性。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的车道线修正方法的流程图；

图3、图4分别示出了根据本公开的实施例的位置信息修正前后的点云车道线对比图；

图5、图6分别示出了根据本公开的实施例的位置信息修正前后的图像车道线对比图；

图7示出了根据本公开的实施例的属性信息修正前后的车道线对比图；

图8示出了根据本公开的实施例的车道线修正装置的结构框图；以及

图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

车道线识别技术是自动驾驶技术领域的重要组成部分，自动驾驶技术中的车道偏离预警(Lane Departure Warning,LDW)、车道保持辅助(Lane Keeping Assist,LKA)等功能都依赖于识别出的高精度的车道线信息。

相关技术中，从路面的单帧点云或单帧图像中提取车道线。但不论是激光雷达还是相机，采集范围都十分有限，难以覆盖整个路面。并且由于相机镜头存在畸变，导致单帧点云和单帧图像中的车道线位置存在偏差，使车道线的准确性较低，不能满足自动驾驶技术中对于车道线准确性的要求。

针对上述问题，本公开实施例提供了一种车道线修正方法，能够提高车道线信息的准确性。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。

在本公开的实施例中，机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。

服务器120可以运行使得能够执行车道线修正方法的一个或多个服务或软件应用。在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。

网络130可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络130可以是卫星通信网络、局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(包括例如蓝牙、Wi-Fi)和/或这些与其他网络的任意组合。

系统100还可以包括一个或多个数据库150。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库150可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库150可以是不同的类型。在某些实施例中，由服务器120使用的数据库150可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个：视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外，通过对视觉摄像头捕获的画面进行分析，可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周，用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置，用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置，用于检测物体边缘、形状信息，从而进行物体识别和追踪。由于多普勒效应，雷达装置还可以测量车辆与移动物体的速度变化。

机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如，北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块，移动通信网络可以实施任何适合的通信技术，例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything，V2X)模块，被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle，V2V)通信和与基础设施144进行车辆到基础设施(Vehicle-to-Infrastructure，V2I)通信的车与外界的通信。此外，通信装置112还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112，机动车辆110还可以经由网络130接入服务器120。

机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器，例如中央处理单元(CPU)或图形处理单元(GPU)，或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动，而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如，可以使用车载处理器执行某一些处理，而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外，控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据一些实施例，本公开实施例的车道线修正方法可以由服务器120执行，也可以由其他服务器(图1中未示出)或机动车辆110执行。本公开实施例的车道线修正方法中所涉及的路面点云数据和/或路面图像数据可以通过机动车辆110的传感器111获取，也可以通过其他方式获取，此处不作限制。

根据本公开的实施例，提供了一种车道线修正方法。图2示出了根据本公开实施例的车道线修正方法200的流程图。方法200的各个步骤的执行主体通常是服务器(例如，图1中所示的服务器120或图1中未示出的其他服务器)，也可以是客户端(例如，机动车辆110)。

如图2所示，方法200包括步骤S210-S250。

在步骤S210中，获取路面的反射率底图，其中，反射率底图包括路面上的多个采样点的反射率信息，反射率底图是通过对路面的多组点云数据进行拼接而生成的，多组点云数据中的每组点云数据通过对路面进行一次扫描得到。

在步骤S220中，识别反射率底图中的至少一条第一车道线。

在步骤S230中，识别单组采集数据中的第二车道线，其中，单组采集数据包括通过对路面进行一次扫描所得到的点云数据和图像中的至少之一。

在步骤S240中，从至少一条第一车道线中确定与第二车道线相匹配的基准车道线。

在步骤S250中，基于基准车道线，修正第二车道线。

根据本公开的实施例，利用对多组点云数据进行拼接所得到的反射率底图中的车道线信息，来修正单组点云、图像中的车道线信息。由于激光雷达采集到的点云数据相对准确，因此通过融合多组点云数据所得到的反射率底图包括完整路面的准确的车道线信息，从中识别出的第一车道线也较为准确。以第一车道线为基准来修正第二车道线，能够提高第二车道线的准确性。

以下详细介绍方法200的各个步骤。

在步骤S210中，获取路面的反射率底图，其中，反射率底图包括路面上的多个采样点的反射率信息，反射率底图是通过对路面的多组点云数据进行拼接而生成的，多组点云数据中的每组点云数据通过对路面进行一次扫描得到。

根据一些实施例，通过在车辆(例如，图1中的机动车辆110)上部署采集设备(例如，激光雷达等)，能够在行驶过程中采集周围环境的点云数据。点云数据一般包括周围环境中的各个采样点的三维空间坐标(x,y,z)、反射率信息、时间戳等数据。采集设备对路面扫描一次即可得到一组路面的点云数据，采集设备按照预设频率对路面进行多次扫描可以得到多组路面的点云数据。

由于采集设备的采集范围十分有限，每次扫描仅能够采集到路面部分区域的点云数据，不能将路面上的点云数据一次性采集完整，因此需要将多次采集的点云数据变换到统一的坐标系下，将它们拼接成完整路面的点云数据。在本公开中，可以选择任意合适的方式实现点云拼接。对多组路面的点云数据进行拼接，并且利用点云数据中的反射率信息，可以生成包括完整路面的车道线信息的反射率底图。反射率底图包括路面上多个采样点的反射率信息，即每个采样点的反射强度。

在步骤S220中，识别反射率底图中的至少一条第一车道线。

根据一些实施例，从反射率底图中提取车道线像素，对车道线像素进行拟合，以得到至少一条第一车道线。根据一些实施例，可以利用语义分割等方法从反射率底图中提取车道线像素。通过对车道线像素进行拟合来生成至少一条反射率底图车道线(即，第一车道线)，能够提高反射率底图车道线的位置准确性。第一车道线可以为实线也可以为虚线，可以为白色车道线也可以为黄色车道线，在此不作限制。

语义分割是一种计算机视觉问题，能够提取图像中的像素信息，并对每个像素进行分类。因此，可以利用语义分割法对车道线像素和背景做区分，从路面的反射率底图中提取出车道线像素。

对从反射率底图中提取出的车道线像素进行拟合，可以得到第一车道线。基于第一车道线所对应的采样点的三维空间坐标，可以确定第一车道线的第一位置信息。通常可以利用最小二乘法对车道线像素进行拟合，即均方误差法。需要注意的是，在本公开中，可以选择任何合适的车道线拟合方式对车道线像素进行拟合以得到第一车道线，而不限于最小二乘法。

通过识别反射率底图中的第一车道线，还可以确定第一车道线的第一属性信息。第一属性信息例如包括第一颜色信息(例如上文提及的白色、黄色)、第一线型信息(例如上文提及的实线、虚线)等。

在步骤S230中，识别单组采集数据中的第二车道线，其中，单组采集数据包括通过对路面进行一次扫描所得到的点云数据和图像中的至少之一。

根据一些实施例，单组采集数据可以包括激光雷达对路面进行一次扫描所得到的点云数据，或是相机对路面进行一次扫描所得到的图像数据，也可以是对点云数据和图像数据进行融合后所生成的单组采集数据。点云数据包括各采样点的三维空间坐标(x,y,z)、反射率信息、时间戳等数据。图像中包括路面上的车道线。

根据一些实施例，可以利用语义分割方式从单组采集数据中识别第二车道线，也可以通过特征提取的方法从单组采集数据中识别第二车道线。

通过识别单组采集数据中的第二车道线，可以确定第二车道线的第二位置信息和第二属性信息。第二属性信息例如包括第二颜色信息(例如白色、黄色)、第二线型信息(例如实线、虚线)等。第二车道线还可以具有置信度信息。置信度信息用于指示第二位置信息和第二属性信息的准确性。

由于每次采集仅能够采集到路面部分区域的点云数据和/或图像数据，因此第二车道线可能为一条车道线的部分区域。

在步骤S240中，从至少一条第一车道线中确定与第二车道线相匹配的基准车道线。

根据一些实施例，至少一条第一车道线中的每条第一车道线具有第一位置信息，第二车道线具有第二位置信息和置信度信息。相应地，可以基于相应的第一位置信息、第二位置信息和置信度信息，确定至少一条第一车道线中的任一第一车道线与第二车道线之间的匹配距离；将至少一条第一车道线中的与第二车道线的匹配距离最小的第一车道线确定为基准车道线。

根据一些实施例，可以根据第二车道线的置信度信息判断该车道线的位置信息和属性信息的准确性。单组采集数据仅包括点云数据时，第二车道线是基于点云数据确定的(可以记为点云车道线)，其置信度可以通过相应采样点的反射率确定。例如，第二车道线对应的采样点的反射率越高，则第二车道线的置信度越大。单组采集数据仅包括图像时，第二车道线是基于图像数据确定的(可以记为图像车道线)，其置信度可以基于该车道线距离采集设备(例如，相机)的光轴的远近确定。例如，第二车道线到相机的光轴的角度距离越远(即，第二车道线位于相机视野的边缘处)，则越有可能产生畸变，第二车道线的置信度越低。单组采集数据包括点云数据和图像时，可以结合点云车道线对应的采样点的反射率和图像车道线到相机光轴的角度距离确定第二车道线的置信度。第二车道线的置信度越高则说明该车道线的位置信息和属性信息的准确性越高。

第一位置信息和第二位置信息可以为同一坐标系下的坐标位置信息。通过第一车道线的第一位置信息和第二车道线的第二位置信息，可以计算两车道线间的匹配距离，匹配距离越小则说明两车道线之间的匹配度越高。将匹配距离最小(即，匹配度最高)的第一车道线作为基准车道线，用于修正第二车道线的位置信息，能够提升车道线位置信息的准确性。

根据一些实施例，响应于第二车道线的置信度信息大于阈值，基于第一位置信息和第二位置信息，计算第一车道线和第二车道线之间的横向距离与纵向距离；以及基于横向距离和纵向距离，确定匹配距离。

在第二车道线的置信度大于阈值的情况下，该车道线的位置信息和属性信息的准确性较高。相应地，在计算匹配距离时可以只考虑第一车道线和第二车道线之间的位置信息的差异，即通过第一位置信息和第二位置信息计算两车道线之间的横向距离和纵向距离。由此可以提高计算效率。匹配距离D可以通过以下公式计算：

其中，Dist_lateral为第一车道线和第二车道线之间的横向距离，Dist_longitudinal为第一车道线和第二车道线之间的纵向距离。匹配距离越小则说明第二车道线与该第一车道线之间的匹配度越高。可以理解的是，匹配距离也可以通过横向距离和纵向距离的加权和来确定。

根据一些实施例，至少一条第一车道线中的每条第一车道线还具有第一属性信息，第二车道线还具有第二属性信息，响应于第二车道线的置信度信息小于或等于阈值，基于第一位置信息和第二位置信息，计算第一车道线和第二车道线之间的横向距离与纵向距离；基于相应的第一属性信息和第二属性信息，确定第一车道线与第二车道线的属性差异度；以及基于横向距离、纵向距离和属性差异度，确定匹配距离。

在第二车道线的置信度小于或等于阈值的情况下，该车道线的位置信息和属性信息的准确性较低。相应地，在计算匹配距离时不仅要考虑第一车道线和第二车道线之间的位置信息的差异，还要考虑第一车道线和第二车道线之间的属性信息的差异，即通过第一位置信息和第二位置信息计算两车道线之间的横向距离和纵向距离，再通过第一属性信息和第二属性信息计算两车道线之间的属性差异度。因此，对于置信度小于或等于阈值的第二车道线来说，匹配距离可以基于第一车道线和第二车道线之间的横向距离、纵向距离和属性差异度确定。由此可以提高基于匹配距离所确定的基准车道线的准确性。匹配距离D可以通过以下公式计算：

D＝Dist_lateral+Dist_longitudinal+Dist_property (2)

其中，Dist_lateral为第一车道线和第二车道线之间的横向距离，Dist_longitudinal为第一车道线和第二车道线之间的纵向距离，Dist_property为第一车道线和第二车道线之间的属性差异度。匹配距离越小则说明第二车道线与该第一车道线之间的匹配度越高。可以理解的是，该匹配距离也可以通过横向距离、纵向距离及属性差异度的加权和来确定。

根据一些实施例，第一属性信息包括第一颜色信息和第一线型信息，第二属性信息包括第二颜色信息和第二线型信息，确定第一颜色信息和第二颜色信息的颜色差异度；确定第一线型信息和第二线型信息的线型差异度；以及将颜色差异度和线型差异度的加权和确定为属性差异度。由此能够使属性差异度全面、准确地表达第一车道线与第二车道线的属性的差异。

车道线属性信息可以包括颜色信息和线型信息，颜色信息为车道线的颜色(例如，白色、黄色等)，线型信息为车道线的线型(例如，实线、虚线等)。基于第一车道线和第二车道线之间的颜色差异度和线型差异度，确定属性差异度。属性差异度可以通过以下公式计算：

Dist_property＝C₁·LineType(L₁,L₂)+C₂·Colortype(L₁,L₂) (3)

其中，C₁和C₂分别为线型差异度和颜色差异度的权重，L₁和L₂分别为第一车道线和第二车道线。LineType(L₁,L₂)指示第一线型信息和第二线型信息是否相同，即，指示第一车道线和第二车道线的线型是否相同。在第一线型信息和第二线型信息相同的情况下LineType(L₁,L₂)可以设置为0，不相同的情况下LineType(L₁,L₂)可以设置为1。ColorType(L₁,L₂)指示第一颜色信息和第二颜色信息是否相同，即，指示第一车道线和第二车道线的颜色是否相同。在第一颜色信息和第二颜色信息相同的情况下ColorType(L₁,L₂)可以设置为0，不相同的情况下ColorType(L₁,L₂)可以设置为1。可以理解的是，第一车道线和第二车道线之间的颜色和线型越接近则属性差异度越小。

需要说明的是，上式中的线型差异度和颜色差异度的权重(例如，C₁和C₂)的值可以根据实际情况进行设置及更改。

根据一些实施例，将与第二车道线之间匹配度最高(即，匹配距离最小)的第一车道线作为基准车道线。

在步骤S250中，基于基准车道线，修正第二车道线。

根据一些实施例，基于基准车道线的位置信息，修正第二车道线的第二位置信息。由此能够提高第二车道线的第二位置信息的准确性。

修正车道线的时候，首先基于基准车道线的位置信息，修正第二车道线的第二位置信息。例如，将第二车道线的位置修正至基准车道线的位置处。

根据一些实施例，第二车道线有多条，将多条第二车道线按照修正后的第二位置信息进行拼接，生成第三车道线；基于第三车道线的第三属性信息，修正多条第二车道线各自的第二属性信息。由此能够提高第二车道线的第二属性信息的准确性。

在完成多条第二车道线的第二位置信息的修正之后，利用第二位置信息将多条第二车道线进行拼接，得到拼接后的第三车道线。第二位置信息可以包括第二车道线的空间位置信息以及采集的时间戳信息。因此，可以将多条第二车道线按照空间位置进行排序，或者按照采集的时间戳顺序进行排序，以生成第三车道线。可以基于第三车道线所包括的绝大多数第二车道线的属性，确定第三车道线的第三属性信息。例如，第三车道线中的绝大多数第二车道线的颜色为白色，那么可以将第三车道线的颜色确定为白色。基于第三车道线的第三属性信息，可以修正第三车道线中的第二车道线的第二属性信息。例如，第三车道线的颜色为白色，若第三车道线所包括的多条第二车道线中出现一条黄色的第二车道线，则将该第二车道线的颜色属性修正为白色。将多条第二车道线进行拼接来修正第二属性信息，能够提高第二车道线的属性的准确性。

图3、图4分别示出了根据本公开的实施例的第二位置信息修正前后的第二车道线的效果对比图(左图为修正前的第二车道线，右图为修正后的第二车道线)，图3、图4中的第二车道线为基于单次采集的路面点云数据生成的点云车道线。如图3所示，修正前的第二车道线310A轮廓不清晰，位置误差较大。根据本公开的实施例对第二车道线310A进行修正，得到第二车道线310B。修正后的第二车道线310B轮廓清晰，位置更加准确。如图4所示，修正前的第二车道线410A轮廓不清晰，位置误差较大。根据本公开的实施例对第二车道线410A进行修正，得到第二车道线410B。修正后的第二车道线410B轮廓清晰，位置更加准确。

图5、图6分别示出了根据本公开的实施例的第二位置信息修正前后的第二车道线的效果对比图(图5上图和图6左图为修正前的第二车道线，图5下图和图6右图为修正后的第二车道线)。图5、图6中的第二车道线为基于单次采集的图像生成的图像车道线。如图5所示，修正前的第二车道线510A轮廓不清晰，且存在车道线部分缺失问题。根据本公开的实施例对第二车道线510A进行修正，得到第二车道线510B。修正后的第二车道线510B轮廓清晰，且车道线部分缺失问题得到有效改善。修正前的第二车道线520A轮廓不清晰，存在明显的重影问题。根据本公开的实施例对第二车道线520A进行修正，得到第二车道线520B。修正后的第二车道线520B轮廓清晰，重影问题得到有效改善。如图6所示，修正前的第二车道线610A轮廓不清晰，且位置存在较大偏差(左下方存在重影)。根据本公开的实施例对第二车道线610A进行修正，得到第二车道线610B。修正后的第二车道线610B轮廓清晰，位置更加准确。

通过图3-图6可以看出进行位置信息修正后，先前车道线位置存在误差或者因为畸变而导致车道线的轮廓不清晰的问题得到有效改善。本公开实施例的车道线修正方法能够提高车道线位置的准确性。

图7示出了根据本公开的实施例的第二车道线的第二属性信息修正前后的对比图。如图7所示，修正前的第二车道线710A被识别为虚线(用字母b表示)。根据本公开的实施例对第二车道线710A进行属性信息的修正，得到第二车道线710B。修正后的第二车道线710B显示为实线(用字母s表示)。经过属性信息修正后，将先前错误识别的属性信息优化为正确的属性信息。本公开实施例的车道线修正方法能够优化车道线的属性信息，提高车道线属性的准确性。

根据本公开的实施例，提供了一种车道线修正装置。图8示出了根据本公开实施例的车道线修正装置800的结构框图。如图8所示，装置800包括获取模块810、第一识别模块820、第二识别模块830、确定模块840和修正模块850。

获取模块810被配置为获取路面的反射率底图，其中，反射率底图包括路面上的多个采样点的反射率信息，反射率底图是通过对路面的多组点云数据进行拼接而生成的，多组点云数据中的每组点云数据通过对路面进行一次扫描得到。

第一识别模块820被配置为识别反射率底图中的至少一条第一车道线。

第二识别模块830被配置为识别单组采集数据中的第二车道线，其中，单组采集数据包括通过对路面进行一次扫描所得到的点云数据和图像中的至少之一。

确定模块840被配置为从至少一条第一车道线中确定与第二车道线相匹配的基准车道线。

修正模块850被配置为基于基准车道线，修正第二车道线。

根据一些实施例，第一识别模块820包括：提取单元被配置为从反射率底图中提取车道线像素；以及拟合单元被配置为对车道线像素进行拟合，以得到至少一条第一车道线。

根据一些实施例，至少一条第一车道线中的每条第一车道线具有第一位置信息，第二车道线具有第二位置信息和置信度信息，确定模块包括：第一确定单元被配置为基于相应的第一位置信息、第二位置信息和置信度信息，确定至少一条第一车道线中的任一第一车道线与第二车道线之间的匹配距离；以及第二确定单元被配置为将至少一条第一车道线中的与第二车道线的匹配距离最小的第一车道线确定为基准车道线。

根据一些实施例，第一确定单元包括：第一计算子单元被配置为响应于置信度信息大于阈值，基于第一位置信息和第二位置信息，计算第一车道线和第二车道线之间的横向距离与纵向距离；以及第一确定子单元被配置为基于横向距离和纵向距离，确定匹配距离。

根据一些实施例，至少一条第一车道线中的每条第一车道线还具有第一属性信息，第二车道线还具有第二属性信息，第一确定单元还包括：第二计算子单元被配置为响应于置信度信息小于或等于阈值，基于第一位置信息和第二位置信息，计算第一车道线和第二车道线之间的横向距离与纵向距离；第二确定子单元被配置为基于相应的第一属性信息和第二属性信息，确定第一车道线与第二车道线的属性差异度；以及第三确定子单元被配置为基于横向距离、纵向距离和属性差异度，确定匹配距离。

根据一些实施例，第一属性信息包括第一颜色信息和第一线型信息，第二属性信息包括第二颜色信息和第二线型信息，第二确定子单元包括：第一差异度确定子单元被配置为确定第一颜色信息和第二颜色信息的颜色差异度；第二差异度确定子单元被配置为确定第一线型信息和第二线型信息的线型差异度；以及第三差异度确定子单元被配置为将颜色差异度和线型差异度的加权和确定为属性差异度。

根据一些实施例，修正模块850包括：位置修正单元被配置为基于基准车道线的第一位置信息，修正第二车道线的第二位置信息。

根据一些实施例，第二车道线有多条，修正模块850还包括：生成单元被配置为将多条第二车道线按照修正后的第二位置信息进行拼接，生成第三车道线；以及属性修正单元被配置为基于第三车道线的第三属性信息，修正多条第二车道线各自的第二属性信息。

应当理解，图8中所示的装置800的各个模块或单元可以与图2所描述的方法200中的各个步骤相对应。由此，上述方法200中所描述的操作、特征和优点同样适用于装置800及其包括的各个模块以及单元。为了简洁起见，某些操作、特征和优点在此不再赘述。

虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。

还应当理解，本文中所描述的各种技术可以在软件、硬件、元件或程序模块中实现。上述图8中所描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，模块810-850中的一个或多个模块可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，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，还提供了一种电子设备，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，该存储器存储有可被上述至少一个处理器执行的指令，该指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开实施例的车道线修正方法。

根据本公开的实施例，还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执行本公开实施例的车道线修正方法。

根据本公开的实施例，还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本公开实施例的车道线修正方法。

参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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，个人数字助理、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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、Wi-Fi设备、WiMAX设备、蜂窝通信设备和/或类似物。

计算单元901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901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901执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

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)、复杂可编程逻辑设备(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)、互联网和区块链网络。

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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本公开的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (19)

1.一种车道线修正方法，包括：

获取路面的反射率底图，其中，所述反射率底图包括所述路面上的多个采样点的反射率信息，所述反射率底图是通过对所述路面的多组点云数据进行拼接而生成的，所述多组点云数据中的每组点云数据通过对所述路面进行一次扫描得到；

识别所述反射率底图中的至少一条第一车道线；

识别单组采集数据中的第二车道线，其中，所述单组采集数据包括通过对所述路面进行一次扫描所得到的点云数据和图像中的至少之一；

从所述至少一条第一车道线中确定与所述第二车道线相匹配的基准车道线；以及

基于所述基准车道线，修正所述第二车道线。

2.根据权利要求1所述的方法，其中，所述识别所述反射率底图中的至少一条第一车道线包括：

从所述反射率底图中提取车道线像素；以及

对所述车道线像素进行拟合，以得到所述至少一条第一车道线。

3.根据权利要求1或2所述的方法，其中，所述至少一条第一车道线中的每条第一车道线具有第一位置信息，所述第二车道线具有第二位置信息和置信度信息，所述从所述至少一条第一车道线中确定与所述第二车道线相匹配的基准车道线包括：

基于相应的第一位置信息、所述第二位置信息和所述置信度信息，确定所述至少一条第一车道线中的任一第一车道线与所述第二车道线之间的匹配距离；以及

将所述至少一条第一车道线中的与所述第二车道线的匹配距离最小的第一车道线确定为所述基准车道线。

4.根据权利要求3所述的方法，其中，所述基于相应的第一位置信息、所述第二位置信息和所述置信度信息，确定所述至少一条第一车道线中的任一第一车道线与所述第二车道线之间的匹配距离包括：

响应于所述置信度信息大于阈值，基于所述第一位置信息和所述第二位置信息，计算所述第一车道线和所述第二车道线之间的横向距离与纵向距离；以及

基于所述横向距离和所述纵向距离，确定所述匹配距离。

5.根据权利要求3所述的方法，其中，所述至少一条第一车道线中的每条第一车道线还具有第一属性信息，所述第二车道线还具有第二属性信息，所述基于相应的第一位置信息、所述第二位置信息和所述置信度信息，确定所述至少一条第一车道线中的任一第一车道线与所述第二车道线之间的匹配距离包括：

响应于所述置信度信息小于或等于阈值，基于所述第一位置信息和所述第二位置信息，计算所述第一车道线和所述第二车道线之间的横向距离与纵向距离；

基于相应的第一属性信息和所述第二属性信息，确定所述第一车道线与所述第二车道线的属性差异度；以及

基于所述横向距离、所述纵向距离和所述属性差异度，确定所述匹配距离。

6.根据权利要求5所述的方法，其中，所述第一属性信息包括第一颜色信息和第一线型信息，所述第二属性信息包括第二颜色信息和第二线型信息，所述基于相应的第一属性信息和所述第二属性信息，确定所述第一车道线与所述第二车道线的属性差异度包括：

确定所述第一颜色信息和所述第二颜色信息的颜色差异度；

确定所述第一线型信息和所述第二线型信息的线型差异度；以及

将所述颜色差异度和所述线型差异度的加权和确定为所述属性差异度。

7.根据权利要求1-6中任一项所述的方法，其中，所述基于所述基准车道线，修正所述第二车道线包括：

基于所述基准车道线的第一位置信息，修正所述第二车道线的第二位置信息。

8.根据权利要求7所述的方法，其中，所述第二车道线有多条，所述基于所述基准车道线，修正所述第二车道线还包括：

将多条第二车道线按照修正后的第二位置信息进行拼接，生成第三车道线；以及

基于所述第三车道线的第三属性信息，修正所述多条第二车道线各自的第二属性信息。

9.一种车道线修正装置，包括：

获取模块，被配置为获取路面的反射率底图，其中，所述反射率底图包括所述路面上的多个采样点的反射率信息，所述反射率底图是通过对所述路面的多组点云数据进行拼接而生成的，所述多组点云数据中的每组点云数据通过对所述路面进行一次扫描得到；

第一识别模块，被配置为识别所述反射率底图中的至少一条第一车道线；

第二识别模块，被配置为识别单组采集数据中的第二车道线，其中，所述单组采集数据包括通过对所述路面进行一次扫描所得到的点云数据和图像中的至少之一；

确定模块，被配置为从所述至少一条第一车道线中确定与所述第二车道线相匹配的基准车道线；以及

修正模块，被配置为基于所述基准车道线，修正所述第二车道线。

10.根据权利要求9所述的装置，其中，所述第一识别模块包括：

提取单元，被配置为从所述反射率底图中提取车道线像素；以及

拟合单元，被配置为对所述车道线像素进行拟合，以得到所述至少一条第一车道线。

11.根据权利要求9或10所述的装置，其中，所述至少一条第一车道线中的每条第一车道线具有第一位置信息，所述第二车道线具有第二位置信息和置信度信息，所述确定模块包括：

第一确定单元，被配置为基于相应的第一位置信息、所述第二位置信息和所述置信度信息，确定所述至少一条第一车道线中的任一第一车道线与所述第二车道线之间的匹配距离；以及

第二确定单元，被配置为将所述至少一条第一车道线中的与所述第二车道线的匹配距离最小的第一车道线确定为所述基准车道线。

12.根据权利要求11所述的装置，其中，所述第一确定单元包括：

第一计算子单元，被配置为响应于所述置信度信息大于阈值，基于所述第一位置信息和所述第二位置信息，计算所述第一车道线和所述第二车道线之间的横向距离与纵向距离；以及

第一确定子单元，被配置为基于所述横向距离和所述纵向距离，确定所述匹配距离。

13.根据权利要求11所述的装置，其中，所述至少一条第一车道线中的每条第一车道线还具有第一属性信息，所述第二车道线还具有第二属性信息，所述第一确定单元包括：

第二计算子单元，被配置为响应于所述置信度信息小于或等于阈值，基于所述第一位置信息和所述第二位置信息，计算所述第一车道线和所述第二车道线之间的横向距离与纵向距离；

第二确定子单元，被配置为基于相应的第一属性信息和所述第二属性信息，确定所述第一车道线与所述第二车道线的属性差异度；以及

第三确定子单元，被配置为基于所述横向距离、所述纵向距离和所述属性差异度，确定所述匹配距离。

14.根据权利要求13所述的装置，其中，所述第一属性信息包括第一颜色信息和第一线型信息，所述第二属性信息包括第二颜色信息和第二线型信息，所述第二确定子单元包括：

第一差异度确定子单元，被配置为确定所述第一颜色信息和所述第二颜色信息的颜色差异度；

第二差异度确定子单元，被配置为确定所述第一线型信息和所述第二线型信息的线型差异度；以及

第三差异度确定子单元，被配置为将所述颜色差异度和所述线型差异度的加权和确定为所述属性差异度。

15.根据权利要求9-14中任一项所述的装置，其中，所述修正模块包括：

位置修正单元，被配置为基于所述基准车道线的第一位置信息，修正所述第二车道线的第二位置信息。

16.根据权利要求15所述的装置，其中，所述第二车道线有多条，所述修正模块还包括：

生成单元，被配置为将多条第二车道线按照修正后的第二位置信息进行拼接，生成第三车道线；以及

属性修正单元，被配置为基于所述第三车道线的第三属性信息，修正所述多条第二车道线各自的第二属性信息。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。

Images