CN115984789A - 车道线检测方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种车道线检测方法、装置、设备以及存储介质，涉及人工智能技术领域，具体为智能交通和自动驾驶技术领域。该方法包括：获取目标车辆采集的初始图像集，初始图像集包含至少一张道路图像；利用轻量级目标检测模型与分类模型对初始图像集进行检测，得到各个道路图像中车道线的属性信息；基于射线相交算法以及密度聚类算法对检测后的初始图像集进行去重，得到去重后的目标图像集；将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，基于比对结果确定车道线的变化类型。本公开提供的车道线检测方法提升了对车道线的检测准确性以及检测效率。

Description

车道线检测方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及智能交通和自动驾驶技术领域，尤其涉及车道线检测方法、装置、设备以及存储介质。

背景技术

随着城市化进程不断推进，由此产生的巨大交通需求给当代的城市交通造成了考验和压力，单纯依靠人力已经不能满足城市交通管理的需求。日益增大的城市交通压力对智慧交通建设提出诉求，推进智慧交通的全面布局，可极大程度缓解城市交通拥堵状况，提高交通监管和民众出行效率，其中智慧交通对高效精准的路网数据更是提出了更高的需求。现如今出行用地图导航特别是手机类导航APP(application，手机软件)，已经成为人们的基本共识与出行必备需求。地图导航路线规划中最为常见的场景之一就是提示用户规范行驶对应车道以及路口转向提示，这也是未来自动驾驶运行的场景基石，如若没有及时或者错误提醒，导致车辆错误行驶到非目的转向车道，会大大增加用户去往目的地时间，影响用户出行计划；同时对于很多新手司机，如果导航到错误车道上，会造成司机紧张、增加驾驶危险，造成交通事故频发。

发明内容

本公开提供了一种车道线检测方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种车道线检测方法，包括：获取目标车辆采集的初始图像集，初始图像集包含至少一张道路图像；利用轻量级目标检测模型与分类模型对初始图像集进行检测，得到各个道路图像中车道线的属性信息；基于射线相交算法以及密度聚类算法对检测后的初始图像集进行去重，得到去重后的目标图像集；将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，基于比对结果确定车道线的变化类型。

根据本公开的第二方面，提供了一种车道线检测装置，包括：获取模块，被配置成获取目标车辆采集的初始图像集，初始图像集包含至少一张道路图像；检测模块，被配置成利用轻量级目标检测模型与分类模型对初始图像集进行检测，得到各个道路图像中车道线的属性信息；去重模块，被配置成基于射线相交算法以及密度聚类算法对检测后的初始图像集进行去重，得到去重后的目标图像集；比对模块，被配置成将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，基于比对结果确定车道线的变化类型。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

根据本公开的第四方面，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，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，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描述的方法。

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是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的车道线检测方法的一个实施例的流程图；

图3是根据本公开的车道线检测方法的另一个实施例的流程图；

图4是本公开的车道线检测方法的一个应用场景图；

图5是根据本公开的车道线检测装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的车道线检测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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

如图1所示，系统架构100可以包括服务器101、网络102和目标车辆103。网络102用以在服务器101和目标车辆103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

服务器101可以提供各种服务。例如，服务器101可以对从目标车辆103获取的初始图像集进行分析和处理，并生成处理结果(例如车道线的变化类型)。

目标车辆103可以通过网络102与服务器101进行交互，以接收或发送消息等。例如，目标车辆103可以实时采集道路图像，并将采集的道路图像发送给服务器101。

需要说明的是，本公开实施例所提供的车道线检测方法一般由服务器101执行，相应地，车道线检测装置一般设置于服务器101中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的车道线检测方法的一个实施例的流程200。该车道线检测方法包括以下步骤：

步骤201，获取目标车辆采集的初始图像集。

在本实施例中，车道线检测方法的执行主体(例如图1所示的服务器101)会获取目标车辆采集的初始图像集，初始图像集包含至少一张道路图像。本实施例中的目标车辆可以指社会化运营的任意车辆，目标车辆的车载设备可以实时采集行驶道路关联的序列图像，从而得到初始图像集，初始图像集中包括至少一张道路图像。车载设备可以安装在目标车辆的任意位置，只要能够实现对道路进行拍摄即可。目标车辆的采集装置在采集到初始图像集后，会将其发送给上述执行主体，上述执行主体会获取该初始图像集。

步骤202，利用轻量级目标检测模型与分类模型对初始图像集进行检测，得到各个道路图像中车道线的属性信息。

在本实施例中，上述执行主体会利用轻量级目标检测模型与分类模型对初始图像集中的道路图像进行检测，从而得到各个道路图像中车道线的属性信息。车道线是引导方向的车道标线，用来指示车辆在路口驶入段应按所指方向行驶，在车流大的交通路口一般画有此类标线，目的就是明确行车方向，各行其道，减缓交通压力。车道线的属性信息一般包括车道线在道路图像中的位置信息以及车道线的类型信息，例如左转、右转、直行等。

具体地，上述执行主体可以先利用轻量级目标检测模型(也可以称为车道线目标检测模型)来对初始图像集中的每张初道路图像中车道线的位置信息进行检测，从而得到检测结果，该检测结果可以为后续车道线分类提供目标。也即通过目标检测模型可以确定道路图像中是否包含车道线，并在包含的情况下，检测出车道线在该道路图像中的位置信息，并以标注框的形式将车道线进行标注。

然后，上述执行主体可以将基于目标检测模型得到的图像集再输入至分类模型(也可称为车道线分类模型)中，从而输出得到道路图像中车道线的类型信息，如左转、右转、直行等。由于通过目标检测模型可以确定道路图像中包含车道线以及车道线在图像中的位置信息，然后再使用分类模型确定车道线的具体类型，从而实现了对前一环节检测到的车道线进行精准分类。

需要说明的是，为保证识别实时进行，可以在车载设备上配置轻量型模型，其中目标检测模型与分类模型均可使用诸如SSD MobileNet、EfficientDet等模型来实现，本实施例对此不做具体限定。

步骤203，基于射线相交算法以及密度聚类算法对检测后的初始图像集进行去重，得到去重后的目标图像集。

在本实施例中，上述执行主体会基于射线相交算法以及密度聚类算法对初始图像集进行去重，得到去重后的目标图像集。具体地，上述执行主体会先利用射线相交算法来计算各个道路图像中的实际位置信息。其中，射线三角相交算法是一种快速计算射线与三角形在三个维度上的交点的方法，通过向量与矩阵计算可以快速得出交点与重心坐标，而无需对包含三角形的平面方程进行预计算。在这里可以利用射线相交算法计算道路图像中车道线的深度信息，也即通过射线相交算法可以得到道路图像中车道线距离目标车辆的距离以及角度信息。由于可以获取目标车辆采集道路图像时的实际位置信息，基于此，上述执行主体可以基于目标车辆的实际位置信息以及车道线的深度信息，计算得到车道线的实际位置信息，这里的实际位置信息指的是车道线在现实世界坐标系中的位置信息。

由于目标车辆采集的是序列图像，那么连续的多张图像中包含的车道线可能是相同的，在这里需要对初始图像集进行去重。具体地，上述执行主体会基于计算得到的车道线的实际位置信息以及密度聚类算法对检测后的初始图像集进行聚类，从而得到聚类后的多个图像组，每个图像组的图像中包含的车道线是相同的。最后从每个图像组中的多张图像中选取目标图像，从而得到包含多个目标图像的目标图像集。这里可以按照图像中包含的车道线数目、车道线的清晰度以及车道线与目标车辆的距离来选取目标图像，例如将包含车道线数目最多的图像作为目标图像，再例如将包含最清晰的车道线的图像作为目标图像，再例如将车道线与目标车辆最近的图像作为目标图像。

步骤204，将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，基于比对结果确定车道线的变化类型。

在本实施例中，上述执行主体会将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，并基于比对结果确定车道线的变化类型。由于上述执行主体可以实时获取目标车辆的实际位置信息，所以上述执行主体可以从云端数据库中获取该位置一定范围内的局部地图，该局部地图包括已经存储的车道线的属性信息，然后将目标图像中车道线的属性信息与局部地图中车道线的属性信息进行比对，比对包括：车道线位置、车道线箭头类型、车道线组合等必要的导航数据，判断当前车道线信息与地图中的车道线信息是否一致。若发生变化，则根据实际情况划分变化类型：新增、修改和移除，并回收相关图像资料进行后续核实，从而对云端数据库中的车道线信息进行更新。

本公开实施例提供的车道线检测方法，首先获取目标车辆采集的初始图像集，初始图像集包含至少一张道路图像；然后利用轻量级目标检测模型与分类模型对初始图像集进行检测，得到各个道路图像中车道线的属性信息；之后基于射线相交算法以及密度聚类算法对初始图像集进行去重，得到去重后的目标图像集；最后将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，基于比对结果确定车道线的变化类型。本实施例中的车道线检测方法，该方法利用轻量级的目标检测模型定位图像中的车道线位置，提取车道线区域后采用分类模型对车道线箭头进行分类，可以精准地识别车道线箭头类型；通过目标车辆的位置和车道线箭头结合云端地图实时差分策略，可以快速判断车道线是否发生变化，从而提升了车道线的检测准确性以及检测效率。

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。

继续参考图3，图3示出了根据本公开的车道线检测方法的另一个实施例的流程300。该车道线检测方法包括以下步骤：

步骤301，获取目标车辆采集的初始图像集。

在本实施例中，车道线检测方法的执行主体(例如图1所示的服务器101)会获取目标车辆采集的初始图像集，初始图像集包含至少一张道路图像。步骤301与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤302，对于初始图像中的每张道路图像，将道路图像输入至轻量级目标检测模型，输出得到包含车道线的图像位置信息的道路图像。

在本实施例中，对于初始图像中的每张道路图像，上述执行主体会利用轻量级目标检测模型(也可以称为车道线目标检测模型)来对初始图像集中的每张初始图像中车道线的位置信息进行检测，从而得到检测结果，该检测结果可以为后续车道线分类提供目标。也即将道路图像输入至轻量级目标检测模型，可以输出得到包含车道线的图像位置信息的道路图像。通过目标检测模型可以确定道路图像中是否包含车道线，并在包含的情况下，检测出车道线在该道路图像中的位置信息，并以标注框的形式将车道线进行标注。

步骤303，将包含车道线的图像位置信息的道路图像输入至分类模型中，输出得到包含车道线的类型信息的道路图像。

在本实施例中，上述执行主体可以将基于目标检测模型得到的图像集再输入至分类模型(也可称为车道线分类模型)中，从而输出得到道路图像中车道线的类型信息，如左转、右转、直行等。由于通过目标检测模型可以确定道路图像中包含车道线以及车道线在图像中的位置信息，然后再使用分类模型确定车道线的具体类型，从而实现了对前一环节检测到的车道线进行精准分类。

通过上述步骤实现了对车道线的位置信息和类型信息的精准检测。

步骤304，利用射线相交算法计算各个道路图像中车道线的实际位置信息。

在本实施例中，上述执行主体可以利用射线相交算法计算各个道路图像中车道线的实际位置信息。例如，上述执行主体可以先基于射线相交算法确定道路图像中车道线的位置信息，然后再结合道路图像中目标车辆的实际位置信息，从而计算得到道路图像中车道线的实际位置信息，也即车道线在现实世界坐标系下的位置信息。

在本实施例的一些可选的实现方式中，步骤304进一步包括：获取目标车辆的位置信息；基于射线相交算法计算各个道路图像中车道线的深度信息；基于目标车辆的位置信息和深度信息，计算道路图像中车道线的实际位置信息。

在本实现方式中，上述执行主体可以利用射线相交算法计算道路图像中车道线的深度信息，也即通过射线相交算法可以得到道路图像中车道线距离目标车辆的距离以及角度信息。由于可以获取目标车辆采集道路图像时的实际位置信息，基于此，上述执行主体可以基于目标车辆的实际位置信息以及车道线的深度信息，计算得到车道线的实际位置信息，这里的实际位置信息指的是车道线在现实世界坐标系中的位置信息。从而更准确地确定了车道线的实际位置信息。

步骤305，基于实际位置信息以及密度聚类算法对检测后的初始图像集进行聚类，得到至少一个图像组。

在本实施例中，由于目标车辆采集的是序列图像，那么连续的多张图像中包含的车道线可能是相同的，在这里需要对初始图像集进行去重。具体地，上述执行主体会基于计算得到的车道线的实际位置信息以及密度聚类算法对检测后的初始图像集进行聚类，从而得到聚类后的多个图像组，每个图像组的图像中包含的车道线是相同的。

步骤306，基于预设规则从每个图像组中确定目标图像，得到目标图像集。

在本实施例中，上述执行主体会基于预设规则从每个图像组中的多张图像中选取目标图像，从而得到包含多个目标图像的目标图像集。这里的预设规则可以包括：按照图像中包含的车道线数目、车道线的清晰度以及车道线与目标车辆的距离来选取目标图像，例如将包含车道线数目最多的图像作为目标图像，再例如将包含最清晰的车道线的图像作为目标图像，再例如将车道线与目标车辆最近的图像作为目标图像。本实施例对目标图像的选取方法不做具体限定。

通过上述步骤实现了对初始图像集中的道路图像进行过滤去重，从而提升了车道线的检测效率。

步骤307，基于车道线的实际位置信息从预先构建的数据库中获取局部地图。

在本实施例中，上述执行主体可以实时获取目标车辆的实际位置信息，然后上述执行主体可以从云端数据库中获取该位置一定范围内的局部地图，该局部地图包括已经存储的车道线的属性信息。

步骤308，将目标图像中车道线的属性信息与局部地图中车道线的属性信息进行比对。

在本实施例中，上述执行主体会将目标图像中车道线的属性信息与局部地图中车道线的属性信息进行比对，比对包括：车道线位置、车道线箭头类型、车道线组合等必要的导航数据，从而判断当前车道线信息与地图中的车道线信息是否一致。

步骤309，基于比对结果确定车道线的变化类型。

在本实施例中，上述执行主体会基于比对结果确定车道线的变化类型，变化类型包括新增类型、修改类型或移除类型。若发生变化，则根据实际情况划分变化类型：新增、修改和移除，并回收相关图像资料进行后续核实，从而对云端数据库中的车道线信息进行更新。

从图3中可以看出，与图2对应的实施例相比，本实施例中的车道线检测方法，该方法突出了对车道线进行检测、对初始图像集去重以及比对车道线的变化类型的步骤，从而精准地识别车道线箭头类型；通过目标车辆的位置和车道线箭头结合云端地图实时差分策略，快速判断车道线是否发生变化，从而提升了车道线的检测准确性以及检测效率。

继续参考图4，其示出了本公开的车道线检测方法的一个应用场景图。在该应用场景中，首先，目标车辆的车载设备可以实时采集行驶道路关联的序列图像，从而得到包括多张道路图像的初始图像集。然后，利用轻量级目标检测模型对采集的各个道路图像中的车道线(也可称为车信)进行检测，从而输出得到包含车道线的图像位置信息的道路图像，该道路图像中已经将车道线进行框选标注。然后再将包含车道线的位置信息的道路图像输入至分类模型，从而对车道线的具体类型进行分类，从而得到包含车道线的位置信息和类型信息(如左转、直行、右转)的道路图像。最后，基于目标车辆的实际位置信息从云端数据库获取局部地图，并将采集的车道线的信息与局部地图中存储的车道线信息进行差分，从而确定车道线是否发生变化，若发生变化，则根据实际情况划分变化类型：新增、修改和移除，并回收相关图像资料进行后续核实，最后对地图数据中的车道线信息进行更新。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种车道线检测装置的一个实施例，该装置实施例与图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5所示，本实施例的车道线检测装置500包括：获取模块501、检测模块502、去重模块503和比对模块504。其中，获取模块501，被配置成获取目标车辆采集的初始图像集，初始图像集包含至少一张道路图像；检测模块502，被配置成利用轻量级目标检测模型与分类模型对初始图像集进行检测，得到各个道路图像中车道线的属性信息；去重模块503，被配置成基于射线相交算法以及密度聚类算法对检测后的初始图像集进行去重，得到去重后的目标图像集；比对模块504，被配置成将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，基于比对结果确定车道线的变化类型。

在本实施例中，车道线检测装置500中：获取模块501、检测模块502、去重模块503和比对模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204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，车道线的属性信息包括车道线的图像位置信息以及车道线的类型信息；以及检测模块被进一步配置成：对于初始图像中的每张道路图像，将道路图像输入至轻量级目标检测模型，输出得到包含车道线的图像位置信息的道路图像；将包含车道线的图像位置信息的道路图像输入至分类模型中，输出得到包含车道线的类型信息的道路图像。

在本实施例的一些可选的实现方式中，去重模块包括：计算子模块，被配置成利用射线相交算法计算各个道路图像中车道线的实际位置信息；聚类子模块，被配置成基于实际位置信息以及密度聚类算法对检测后的初始图像集进行聚类，得到至少一个图像组；确定子模块，被配置成基于预设规则从每个图像组中确定目标图像，得到目标图像集。

在本实施例的一些可选的实现方式中，计算子模块被进一步配置成：获取目标车辆的位置信息；基于射线相交算法计算各个道路图像中车道线的深度信息；基于目标车辆的位置信息和深度信息，计算道路图像中车道线的实际位置信息。

在本实施例的一些可选的实现方式中，比对模块被进一步配置成：基于车道线的实际位置信息从预先构建的数据库中获取局部地图；将目标图像中车道线的属性信息与局部地图中车道线的属性信息进行比对；基于比对结果确定车道线的变化类型，变化类型包括新增类型、修改类型或移除类型。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如车道线检测方法。例如，在一些实施例中，车道线检测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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的车道线检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601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检测方法。

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。

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 (13)

1.一种车道线检测方法，包括：

获取目标车辆采集的初始图像集，所述初始图像集包含至少一张道路图像；

利用轻量级目标检测模型与分类模型对所述初始图像集进行检测，得到各个道路图像中车道线的属性信息；

基于射线相交算法以及密度聚类算法对检测后的初始图像集进行去重，得到去重后的目标图像集；

将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，基于比对结果确定所述车道线的变化类型。

2.根据权利要求1所述的方法，其中，所述车道线的属性信息包括车道线的图像位置信息以及车道线的类型信息；以及

所述利用轻量级目标检测模型与分类模型对所述初始图像集进行检测，得到各个道路图像中车道线的属性信息，包括：

对于所述初始图像中的每张道路图像，将所述道路图像输入至轻量级目标检测模型，输出得到包含车道线的图像位置信息的道路图像；

将所述包含车道线的图像位置信息的道路图像输入至分类模型中，输出得到包含车道线的类型信息的道路图像。

3.根据权利要求1所述的方法，其中，所述基于射线相交算法以及密度聚类算法对检测后的初始图像集进行去重，得到去重后的目标图像集，包括：

利用射线相交算法计算各个道路图像中车道线的实际位置信息；

基于所述实际位置信息以及密度聚类算法对检测后的初始图像集进行聚类，得到至少一个图像组；

基于预设规则从每个图像组中确定目标图像，得到所述目标图像集。

4.根据权利要求3所述的方法，其中，所述利用射线相交算法计算各个道路图像中车道线的实际位置信息，包括：

获取所述目标车辆的位置信息；

基于射线相交算法计算各个道路图像中车道线的深度信息；

基于所述目标车辆的位置信息和所述深度信息，计算所述道路图像中车道线的实际位置信息。

5.根据权利要求4所述的方法，其中，所述将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，基于比对结果确定所述车道线的变化类型，包括：

基于所述车道线的实际位置信息从预先构建的数据库中获取局部地图；

将所述目标图像中车道线的属性信息与所述局部地图中车道线的属性信息进行比对；

基于比对结果确定所述车道线的变化类型，所述变化类型包括新增类型、修改类型或移除类型。

6.一种车道线检测装置，包括：

获取模块，被配置成获取目标车辆采集的初始图像集，所述初始图像集包含至少一张道路图像；

检测模块，被配置成利用轻量级目标检测模型与分类模型对所述初始图像集进行检测，得到各个道路图像中车道线的属性信息；

去重模块，被配置成基于射线相交算法以及密度聚类算法对检测后的初始图像集进行去重，得到去重后的目标图像集；

比对模块，被配置成将目标图像中车道线的属性信息与预先构建的数据库中的信息进行比对，基于比对结果确定所述车道线的变化类型。

7.根据权利要求6所述的装置，其中，所述车道线的属性信息包括车道线的图像位置信息以及车道线的类型信息；以及

所述检测模块被进一步配置成：

对于所述初始图像中的每张道路图像，将所述道路图像输入至轻量级目标检测模型，输出得到包含车道线的图像位置信息的道路图像；

将所述包含车道线的图像位置信息的道路图像输入至分类模型中，输出得到包含车道线的类型信息的道路图像。

8.根据权利要求6所述的装置，其中，所述去重模块包括：

计算子模块，被配置成利用射线相交算法计算各个道路图像中车道线的实际位置信息；

聚类子模块，被配置成基于所述实际位置信息以及密度聚类算法对检测后的初始图像集进行聚类，得到至少一个图像组；

确定子模块，被配置成基于预设规则从每个图像组中确定目标图像，得到所述目标图像集。

9.根据权利要求8所述的装置，其中，所述计算子模块被进一步配置成：

获取所述目标车辆的位置信息；

基于射线相交算法计算各个道路图像中车道线的深度信息；

基于所述目标车辆的位置信息和所述深度信息，计算所述道路图像中车道线的实际位置信息。

10.根据权利要求9所述的装置，其中，所述比对模块被进一步配置成：

基于所述车道线的实际位置信息从预先构建的数据库中获取局部地图；

将所述目标图像中车道线的属性信息与所述局部地图中车道线的属性信息进行比对；

基于比对结果确定所述车道线的变化类型，所述变化类型包括新增类型、修改类型或移除类型。

11.一种电子设备，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1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，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1-5中任一项所述的方法。

Images