CN115861959A

CN115861959A - 一种车道线识别方法、装置、电子设备及存储介质

Info

Publication number: CN115861959A
Application number: CN202310158999.1A
Authority: CN
Inventors: 王国强; 王祎男; 魏源伯
Original assignee: FAW Group Corp
Current assignee: FAW Group Corp
Priority date: 2023-02-24
Filing date: 2023-02-24
Publication date: 2023-03-28

Abstract

本发明公开了一种车道线识别方法、装置、电子设备及存储介质，涉及自动驾驶领域。该方法通过获取车辆的环境点云数据，以及获取道路图像，识别道路图像中的车道线像素点，基于车道线像素点从环境点云数据中匹配车道线点云数据，基于车道线点云数据拟合得到目标车道线。利用激光雷达点云强大的抗干扰能力和高分辨率优势，结合视觉道路图像对类别纹理信息的高准确率，进行点云与像素点匹配，并基于车道线点云数据拟合得到目标车道线，解决了单一信息源检测的缺陷，提高了整体检测精度，使获得的车道线更加平滑稳定。

Description

一种车道线识别方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及自动驾驶领域，尤其涉及一种车道线识别方法、装置、电子设备及存储介质。

背景技术

目前，业界内把自动驾驶分为L1-L5五个等级，随着自动驾驶等级的提高，自动驾驶功能越来越丰富，传感器的种类和数量也越来越多。大多厂商对车道线的识别多为从车载相机获取高频率像素点，进而检测车道线，或从系统中众包采集好的高精地图直接读取车道线信息。

视觉检测的优点是对车道线颜色、类别等检测精准，技术已十分成熟，但局限性在于，一是测距精度不够，探测距离较短，二是对环境要求高，若遇到积水、夜间、雾天、强光等恶劣条件则性能变差。高精地图的优势是信息准确，所有路径信息均事先处理存储，但可扩展性差，适用范围小，采集成本高，只存储了有限道路信息，若实际情况有变化则无法实时更新。

发明内容

本发明提供一种车道线识别方法、装置、电子设备及存储介质，以实现提高车道线整体的检测精度。

第一方面，本发明实施例提供了一种车道线识别方法，包括：

获取车辆的环境点云数据，以及获取道路图像；

识别所述道路图像中的车道线像素点，基于所述车道线像素点从所述环境点云数据中匹配车道线点云数据；

基于所述车道线点云数据拟合得到目标车道线。

可选的，在获取车辆的环境点云数据，以及获取道路图像之后，所述方法还包括：

对获取的所述环境点云数据和道路图像进行时空同步。

可选的，在获取车辆的环境点云数据之后，所述方法还包括：

识别所述环境点云数据中的道路边界点云数据，基于所述道路边界点云数据从所述环境点云数据筛选道路区域点云数据；

相应的，所述基于所述车道线像素点从所述环境点云数据中匹配车道线点云数据，包括：

基于所述车道线像素点从所述道路区域点云数据中匹配所述车道线点云数据。

可选的，所述识别所述环境点云数据中的道路边界点云数据，包括：

基于车辆所在位置，基于预设步长对所述环境点云数据进行预设方向的重采样，得到重采样点云数据；

确定重采样点云数据之间的高度差，并基于所述高度差确定道路边界点云数据。

可选的，基于所述道路边界点云数据从所述环境点云数据筛选道路区域点云数据，包括：

基于所述道路边界点云数据拟合得到道路线，并基于所述道路线确定道路区域，从所述环境点云数据中提取所述道路区域对应的道路区域点云数据。

可选的，在基于所述道路边界点云数据从所述环境点云数据筛选道路区域点云数据之后，还包括：

基于所述道路区域点云数据的反射强度值，在所述道路区域点云数据中识别车道线的候选点云数据；

相应的，基于所述车道线像素点从所述道路区域点云数据中匹配所述车道线点云数据，包括：

基于所述车道线像素点从所述车道线的候选点云数据中匹配所述车道线点云数据。

可选的，所述车道线点云数据的匹配方式包括：

基于所述车道线像素点确定锚框，基于所述锚框在所述道路区域点云数据或所述候选点云数据中匹配所述车道线点云数据。

可选的，所述基于所述车道线像素点确定锚框，包括：

基于每一所述车道线像素点的位置设置邻域，各所述邻域形成所述锚框；或者，

基于所述车道线像素点进行边界拟合，得到车道线框，基于所述车道线框的邻域形成所述锚框。

可选的，所述在基于所述车道线点云数据拟合得到目标车道线之前，还包括：

对所述车道线点云数据进行聚类处理，得出各类点云数据；

相应的，所述基于所述车道线点云数据拟合得到目标车道线，包括：

对于所述各类点云数据进行拟合处理，得到目标车道线。

可选的，在基于所述车道线点云数据拟合得到目标车道线之后，还包括：

对所述目标车道线进行平滑处理；

和/或，基于车道线历史轨迹，对得到目标车道线进行卡尔曼滤波处理。

第二方面，本发明实施例还提供了一种车道线识别装置，包括：

信息获取模块，用于获取车辆的环境点云数据，以及获取道路图像；

匹配模块，用于识别所述道路图像中的车道线像素点，基于所述车道线像素点从所述环境点云数据中匹配车道线点云数据；

拟合模块，用于基于所述车道线点云数据拟合得到目标车道线。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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第一方面中任一项所述的车道线识别方法。

第四方面，本发明实施例还提供了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指令，所述计算机指令用于使处理器执行时实现第一方面中任一项所述的车道线识别方法。

本发明通过获取车辆的环境点云数据，以及获取道路图像，识别道路图像中的车道线像素点，基于车道线像素点从环境点云数据中匹配车道线点云数据，基于车道线点云数据拟合得到目标车道线。利用激光雷达点云强大的抗干扰能力和高分辨率优势，结合视觉道路图像对类别纹理信息的高准确率，进行点云与像素点匹配，并基于车道线点云数据拟合得到目标车道线，解决了单一信息源检测的缺陷，提高了整体检测精度，使获得的车道线更加平滑稳定。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例一提供的一种车道线识别方法的流程图；

图2是本发明实施例一提供的一种道路区域的示意图；

图3是本发明实施例一提供的一种锚框的示意图；

图4是本发明实施例一提供的一种车道线识别方法的流程图；

图5是本发明实施例二提供的一种车道线识别装置的结构示意图；

图6是本发明实施例三提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1是本发明实施例一提供的一种车道线识别方法的流程图，本实施例可适用于车道线识别的情况，该方法可以由车道线识别装置来执行，该车道线识别装置可以采用硬件和/或软件的形式实现，该车道线识别装置可配置于诸如计算机、服务器、移动终端等的电子设备中。如图1所示，该方法包括：

S110、获取车辆的环境点云数据，以及获取道路图像。

其中，环境点云数据可以是指在一个三维坐标系统中的一组向量的集合，以点的形式记录，每一个点包含有三维坐标。可选的，环境点云数据还可以含有颜色信息（RGB）和/或反射强度信息（Intensity）。环境点云数据可以通过激光雷达采集获得。道路图像可以是由摄像头拍摄的图像信息。本实施例中，车辆可以是自动驾驶车辆，该车辆配置有点云扫描设备（例如激光雷达）和图像采集设备（例如摄像头）。此处不限定上述设备的在车辆上的设置位置和设置数量。可选的，根据车辆当前的行驶等级，确定点云数据和道路图像的获取范围，即确定被启动的点云扫描设备的图像采集设备。上述点云数据和道路图像的获取范围与行驶等级正相关，行驶等级可以是预先设置的，还可以是根据行驶环境确定的，例如行驶环境的复杂度越高，行驶等级越高等。在一些实施例中，对于第一行驶等级，点云数据和道路图像的获取范围可以是车辆前方范围，即被启动的点云扫描设备的图像采集设备为设置在车辆前方的点云扫描设备的图像采集设备；对于第二行驶等级，该第二行驶等级高于第一行驶等级，点云数据和道路图像的获取范围可以是车辆前方范围和车辆后方范围等。

可选的，在获取车辆的环境点云数据及道路图像之后，对获取的环境点云数据和道路图像进行时空同步。

其中，时空同步可以是时间和空间上的同步。时间同步可以是将点云数据与道路图像的时间戳进行同步，例如，车内终端系统或惯导UTC提供基准时间信息，向车辆中的各传感器分发基准时间信息，可以理解的是，点云扫描设备和图像采集设备可接收基准时间信息。在数据采集过程中，对采集的点云数据和道路图像设置时间戳，相应的，可基于时间戳对点云数据和道路图像进行匹配，完成时间同步。空间同步可以是将点云数据与道路图像中转换至同一坐标系内，该坐标系可以是预先设置的坐标系，例如，以车辆中心为原点，向前为x正半轴，向左为y正半轴。预先设置每一传感器与该预先设置坐标的坐标转换关系，经采集的点云数据与道路图像分别基于对应的坐标转换关系进行转换处理，得到位于同一坐标系内的点云数据与道路图像，完成空间同步。

通过在获取车辆的环境点云数据及道路图像之后，对车辆的环境点云数据及道路图像进行时空同步，确保车辆的环境点云数据及道路图像表征的数据信息为同一时刻、同一地点的信息，确保了后续检测的精度。

S120、识别道路图像中的车道线像素点，基于车道线像素点从环境点云数据中匹配车道线点云数据。

其中，车道线可以是用来分隔同向行驶的交通流的交通标线，例如包括但不限于道路上的白色虚、实线或黄色虚、实线。车道线像素点可以是摄像头拍摄到的道路图像中车道线所在位置的像素点。在一些实施例中，可通过调用预设图像处理算法，对道路图像进行图像处理，得到车道线像素点，该图像处理算法可以是车道线识别算法。具体的，可以是预先设置车道线识别模型，例如，车道线识别模型可以是神经网络模型等。将道路图像输入至车道线识别模型中，得到车道线像素点。例如车道线像素点可以是在道路图像中通过设置标签区别，该标签可以是颜色标签、数值标签等，对此不作限定。

基于车道线像素点从环境点云数据中匹配车道线点云数据可以是将表征同一时刻某一点的环境点云数据及道路图像进行关联设置，例如，通过摄像头获取道路图像并识别车道线位置的像素点，将与道路图像中像素点相同时间戳及相同坐标的点云数据进行匹配，作为车道线点云数据。通过车道线像素点匹配得到车道线点云数据，通过道路图像的车道线识别结果，辅助确定车道线点云数据，提高车道线点云数据的准确性，进一步提高车道线识别的准确性。

可选的，在获取车辆的环境点云数据之后，识别环境点云数据中的道路边界点云数据，基于道路边界点云数据从环境点云数据筛选道路区域点云数据。

其中，道路边界点云数据可以是道路两边路沿的点云数据，道路区域点云数据可以是在位于道路两边路沿之间区域内的点云数据。示例性的，具体参见图2，道路区域点云数据可以是阴影区域的点云数据。

可选的，基于车辆所在位置，基于预设步长对环境点云数据进行预设方向的重采样，得到重采样点云数据，确定重采样点云数据之间的高度差，并基于高度差确定道路边界点云数据。其中，步长可以是进行重采样时的单位距离长度。高度差可以是相邻采样点之间的高度差值，例如可基于相邻采样点的高度坐标计算差值得到。两者均根据实际情况进行设定，此处不做具体限定。

示例性的，具体参见图2，对激光雷达探测道路信息的点云数据进行重采样，根据点云数据变化提取道路路沿采样点，以车辆所在位置作为原点O，以原点O向两边路沿做射线，沿左右箭头方向为正方向，以步长0.1m作为单位长度进行延伸，对相邻采样点进行高度对比，若采样高度差变大于预设阈值H，即图2中，B点与A点的高度差大于预设阈值H，则确定B点属于为道路路沿上的点云数据，将类似B点的点云数据形成的集合作为路沿集合，基于该集合中的点云数据形成道路边界。

可选的，基于道路边界点云数据拟合得到道路线，并基于道路线确定道路区域，从环境点云数据中提取道路区域对应的道路区域点云数据。

其中，拟合可以是把平面上一系列的点，用一条光滑的曲线连接起来，拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字，此处不做具体限定。示例性的，使用最小二乘法对道路边界点云数据进行三次曲线拟合，确定道路区域，即图2阴影部分, 公式如下：

，其中，x，y为边界点在坐标系中的坐标。c_c0、c_c1、c_c2、c_c3为参数，可以通过拟合得到。

在一些实施例中，可对道路边界点云数据进行聚类处理，得到左侧道路边界点云数据和右侧道路边界点云数据。进一步的，通过左侧道路边界点云数据进行拟合得到左侧道路边界，通过右侧道路边界点云数据拟合得到右侧道路边界，相应的，将左侧道路边界与右侧道路边界之间的区域，确定为道路区域。通过拟合确定道路区域，提升了道路区域确定的准确性。

相应的，在一些实施例中，基于所述车道线像素点从所述环境点云数据中匹配车道线点云数据可以是：基于车道线像素点从道路区域点云数据中匹配车道线点云数据。通过识别道路边界点云数据，以确定道路区域，进一步从环境点云数据筛选道路区域点云数据，道路区域点云数据中包括道路线点云数据，通过从环境点云数据中提取道路区域点云数据，排除位于道路区域之外的点云数据的干扰，减少数据量，同时提高道路线点云数据的确定效率。

可选的，车道线点云数据的匹配方式可以是基于车道线像素点确定锚框，基于锚框在道路区域点云数据中匹配车道线点云数据。其中，锚框可以是基于道路图像中车道线像素点确定的一个匹配范围。相应的，基于所述车道线像素点确定锚框，包括：基于每一所述车道线像素点的位置设置邻域，各所述邻域形成所述锚框；或者，基于所述车道线像素点进行边界拟合，得到车道线框，基于所述车道线框的邻域形成所述锚框。

示例性的，基于道路图像中车道线像素点，对每个车道线像素点的位置设置横向邻域，即每一个车道线像素点对应的邻域组成锚框；示例性的，基于道路图像中多个车道线像素点，进行边界拟合，得到车道线拟合边界，并基于车道线拟合边界设置邻域，得到锚框。为便于理解，具体参考图3，图中将邻域抽象为一个矩形框，实际锚框可以是一不规则范围，此处仅作为一个示例，而非具体的限定。

将道路区域点云数据中，位于锚框内的点云数据确定为车道线点云数据，排除锚框之外的其他点云数据。通过设置锚框，有效防止检测到的点云数据为路面噪声，进一步提高了检测精度。

在一些实施例中，基于所述道路边界点云数据从所述环境点云数据筛选道路区域点云数据之后，基于道路区域点云数据的反射强度值，在道路区域点云数据中识别车道线的候选点云数据。

其中，反射强度值可以是基于被扫描对象的反射率确定。例如，道路上车道线与道路路面的材质不同，而反射强度则可能因扫描对象的表面材质变化而发生变化，根据不同点云数据的反射强度值不同，可实现车道线候选点云数据的识别。

相应的，基于所述车道线像素点从所述环境点云数据中匹配车道线点云数据可以是：基于车道线像素点从车道线的候选点云数据中匹配车道线点云数据。通过从道路区域点云数据中提取车道线的候选点云数据，减少候选点云数据的数据量，进一步从候选点云数据中匹配车道线点云数据，减少干扰点云数据量，提高车道线点云数据的匹配效率。

相应的，在候选点云数据中匹配车道线点云数据，同样基于车道线像素点确定锚框，基于锚框在候选点云数据中匹配车道线点云数据。通过设置锚框并从候选点云数据中匹配车道线点云数据，进一步剔除了道路噪声的影响，进一步提高了检测精度。

在上述任意实施例的基础上，在匹配到车道线点云数据之后，还包括：将匹配到车道线点云数据的反射强度值与强度阈值w_th进行比对，若匹配到的车道线点云数据的反射强度值高于强度阈值，则保留该车道线点云数据，若匹配到的车道线点云数据的反射强度值小于强度阈值，则丢弃该车道线点云数据。

S130、基于车道线点云数据拟合得到目标车道线。

其中，目标车道线可以是车道线点云数据集合进行预设处理后形成的车道线。此处，可以是基于预设的数据拟合方法，对车道线点云数据进行拟合出来，得到目标车道线。示例性的，预设的数据拟合方法可以是最小二乘法，对此不作限定。

可选的，在基于车道线点云数据拟合得到目标车道线之前，可以对车道线点云数据进行聚类处理，得出各类点云数据。

其中，聚类可以是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。聚类方式可以是传递闭包法，布尔矩阵法，直接聚类法，相关性分析聚类，基于统计的聚类方法等，此处不做具体限定。

相应的，基于车道线点云数据拟合得到目标车道线可以包括对于各类点云数据进行拟合处理，得到目标车道线。

示例性的，对于每个车道线点云数据集合，使用DBSCAN算法进行聚类，得到经过筛选的点集，使用最小二乘法拟合点集，基于道路图像得到一条经过激光雷达与摄像头，即点云数据及道路图像融合的车道线，作为目标车道线，公式如下：

，其中，x，y为边界点在坐标系中的坐标。c_l0、c_l1、c_l2、c_l3为参数，可以通过拟合得到。本实施例中，通过聚类处理，可将连续车道线对应的点云数据聚类为一个类，相应的，对每一类点云数据分别进行拟合处理，得到每一类点云数据分别对应的车道线段，多个车道线段可形成目标车道线。在一些实施例中，对于虚线车道线，基于虚线车道线之间的间隔，可将针对于虚线车道线的点云数据，经聚类处理，得到多个类点云数据，相应的，形成多个车道线段，多个车道线段形成虚线车道线。

通过对每个车道线点云数据集合，剔除了部分离散噪声点，进一步提高了目标车道线的精准度。

可选的，在基于车道线点云数据拟合得到目标车道线之后，可以对目标车道线进行平滑处理。

其中，平滑处理可以是一种减少锯齿（阶梯状线条）的技术，具体可以参考现有技术中的内容，此处不过多阐述。

示例性的，对此首先使用指数加权移动平均法(EWMA)进行平滑处理，公式如下：

，其中，所有x为车道线系数向量/>

，/>

表示当前状态平滑结果，/>

表示上一时刻状态，/>

表示当前时刻前融合处理结果，β为系数。

通过对目标车道线进行平滑处理，有效地改进了目标车道线的呈现质量。

可选的，在基于车道线点云数据拟合得到目标车道线之后，可以基于车道线历史轨迹，对得到目标车道线进行卡尔曼滤波处理。

其中，卡尔曼滤波可以是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。

可选的，在对得到目标车道线进行卡尔曼滤波处理之前，可以获取自车车速v与横摆角速度ω。

示例性的，对车道线系数向量

进行卡尔曼滤波，获得稳定曲线，对于卡尔曼先验预测方程，设/>

为当前检测与历史检测的时间间隔，结合自车车速v与横摆角速度ω，更新系数向量先验值，将此先验值结合将上一时刻的状态向量/>

，进行卡尔曼状态更新，将更新后的经验值，即后验值带入曲线方程即得到此刻的车道线方程。

通过对目标车道线进行卡尔曼滤波，进一步地改进了目标车道线的呈现质量。

在一个优选的实施例中，具体参见图4，使用激光雷达采集环境点云数据，使用摄像头获取道路图像。对环境点云数据和道路图像进行处理，将环境点云数据和道路图像的时空坐标系统一，实现时空同步。对激光雷达采集环境点云数据进行重采样，确定道路边界。根据点云变化提取重采样点云数据，使用最小二乘法对重采样点云数据进行三次曲线拟合，从而确定车道线候选区，并提取车道线候选区点云数据。在道路图像上进行传统视觉车道线检测。在第一车道线候选区内提取像素点，进一步设置范围。在该范围内检测点云数据的强度峰值。根据道路图像的像素点集，对每个点设置横向邻域，在该邻域内设置强度阈值及经验值n，寻找连续n次超过该预设阈值的点云数据，标记为可能是车道线的点云集合，并贴上标签，即提取满足预设条件的点云数据集合。对每个点云数据集使用DBSCAN算法进行聚类得到一条经过噪声筛选的点集，再次使用最小二乘法拟合得到一条经过激光雷达与摄像头前融合的车道线。对此使用指数加权移动平均法进行平滑处理，即EWMA平滑滤波。在此基础上建立卡尔曼滤波模型，对车道线系数向量进行卡尔曼滤波，接入自车车速v与横摆角速度ω，更新系数向量先验值，即拟合车道线曲线系数卡尔曼预测值，将先验值结合将上一时刻的状态向量进行卡尔曼状态更新，将更新后的经验值，即卡尔曼后验值带入曲线方程，融合车道线历史轨迹信息，即得到当前的车道线方程。

本实施例的技术方案，通过获取车辆的环境点云数据，以及获取道路图像，识别道路图像中的车道线像素点，基于车道线像素点从环境点云数据中匹配车道线点云数据，基于车道线点云数据拟合得到目标车道线。利用激光雷达点云强大的抗干扰能力和高分辨率优势，结合视觉道路图像对类别纹理信息的高准确率，进行点云与像素点匹配，并基于车道线点云数据拟合得到目标车道线，解决了单一信息源检测的缺陷，提高了整体检测精度，使获得的车道线更加平滑稳定。

图5是本发明实施例二提供的一种车道线识别装置的结构示意图。如图5所示，该装置包括：

信息获取模块510，用于获取车辆的环境点云数据，以及获取道路图像；

匹配模块520，用于识别所述道路图像中的车道线像素点，基于所述车道线像素点从所述环境点云数据中匹配车道线点云数据；

拟合模块530，用于基于所述车道线点云数据拟合得到目标车道线。

可选的，所述车道线识别装置，包括：

时空同步模块，用于在获取车辆的环境点云数据，以及获取道路图像之后，对获取的所述环境点云数据和道路图像进行时空同步。

可选的，所述车道线识别装置，包括：

筛选模块，用于在获取车辆的环境点云数据之后，识别所述环境点云数据中的道路边界点云数据，基于所述道路边界点云数据从所述环境点云数据筛选道路区域点云数据；

相应的，所述匹配模块520，包括：

第一匹配子单元，用于基于所述车道线像素点从所述道路区域点云数据中匹配所述车道线点云数据。

可选的，所述筛选模块，包括：

重采样单元，用于基于车辆所在位置，基于预设步长对所述环境点云数据进行预设方向的重采样，得到重采样点云数据；

点云数据确定单元，用于确定重采样点云数据之间的高度差，并基于所述高度差确定道路边界点云数据。

可选的，所述筛选模块，包括：

提取单元，用于基于所述道路边界点云数据拟合得到道路线，并基于所述道路线确定道路区域，从所述环境点云数据中提取所述道路区域对应的道路区域点云数据。

可选的，所述筛选模块，还包括：

候选点云数据确定单元，用于在基于所述道路边界点云数据从所述环境点云数据筛选道路区域点云数据之后，基于所述道路区域点云数据的反射强度值，在所述道路区域点云数据中识别车道线的候选点云数据；

相应的，所述第一匹配子单元，包括：

第二匹配子单元，用于基于所述车道线像素点从所述车道线的候选点云数据中匹配所述车道线点云数据。

可选的，所述筛选模块，还包括：

第三匹配子单元，用于基于所述车道线像素点确定锚框，基于所述锚框在所述道路区域点云数据或所述候选点云数据中匹配所述车道线点云数据。

可选的，所述第三匹配子单元，具体用于：

可选的，所述车道线识别装置，包括：

聚类模块，用于在基于所述车道线点云数据拟合得到目标车道线之前，对所述车道线点云数据进行聚类处理，得出各类点云数据；

相应的，所述拟合模块530，具体用于：

对于所述各类点云数据进行拟合处理，得到目标车道线。

可选的，所述车道线识别装置，包括：

二次处理模块，用于在基于所述车道线点云数据拟合得到目标车道线之后，对所述目标车道线进行平滑处理；

本发明实施例所提供的车道线识别装置可执行本发明任意实施例所提供的车道线识别方法，具备执行方法相应的功能模块和有益效果。

图6是本发明实施例三提供的一种电子设备的结构示意图。电子设备10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（如头盔、眼镜、手表等）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/或者要求的本发明的实现。

如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如车道线识别方法。

在一些实施例中，车道线识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的车道线识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行车道线识别方法。

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。

用于实施本发明的车道线识别方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

本发明实施例四还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种车道线识别方法，该方法包括：

获取车辆的环境点云数据，以及获取道路图像；

基于所述车道线点云数据拟合得到目标车道线。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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）、区块链网络和互联网。

计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims

1.一种车道线识别方法，其特征在于，包括：

获取车辆的环境点云数据，以及获取道路图像；

基于所述车道线点云数据拟合得到目标车道线。

2.根据权利要求1所述的方法，其特征在于，在获取车辆的环境点云数据，以及获取道路图像之后，所述方法还包括：

对获取的所述环境点云数据和道路图像进行时空同步。

3.根据权利要求1所述的方法，其特征在于，在获取车辆的环境点云数据之后，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述识别所述环境点云数据中的道路边界点云数据，包括：

5.根据权利要求3所述的方法，其特征在于，基于所述道路边界点云数据从所述环境点云数据筛选道路区域点云数据，包括：

6.根据权利要求3所述的方法，其特征在于，在基于所述道路边界点云数据从所述环境点云数据筛选道路区域点云数据之后，还包括：

7.根据权利要求3或6所述的方法，其特征在于，所述车道线点云数据的匹配方式包括：

8.根据权利要求7所述的方法，其特征在于，所述基于所述车道线像素点确定锚框，包括：

9.根据权利要求1所述的方法，其特征在于，所述在基于所述车道线点云数据拟合得到目标车道线之前，还包括：

对所述车道线点云数据进行聚类处理，得出各类点云数据；

对于所述各类点云数据进行拟合处理，得到目标车道线。

10.根据权利要求1所述的方法，其特征在于，在基于所述车道线点云数据拟合得到目标车道线之后，还包括：

对所述目标车道线进行平滑处理；

11.一种车道线识别装置，其特征在于，包括：

12.一种电子设备，其特征在于，所述电子设备包括：

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计算机程序，所述计算机程序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1-10中任一项所述的车道线识别方法。

13.一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计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-10中任一项所述的车道线识别方法。