CN116092035A - 车道线检测方法、装置、计算机设备和存储介质 - Google Patents

车道线检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116092035A
CN116092035A CN202310063579.5A CN202310063579A CN116092035A CN 116092035 A CN116092035 A CN 116092035A CN 202310063579 A CN202310063579 A CN 202310063579A CN 116092035 A CN116092035 A CN 116092035A
Authority
CN
China
Prior art keywords
lane line
lane
candidate
result
screening
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.)
Pending
Application number
CN202310063579.5A
Other languages
English (en)
Inventor
李旭
王聪
刘丽
林泽
李享泰
郭德东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Jiefang Automotive Co Ltd
Original Assignee
FAW Jiefang Automotive Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Jiefang Automotive Co Ltd filed Critical FAW Jiefang Automotive Co Ltd
Priority to CN202310063579.5A priority Critical patent/CN116092035A/zh
Publication of CN116092035A publication Critical patent/CN116092035A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种车道线检测方法、装置、计算机设备和存储介质，通过获取采集到的多帧初始图像，分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果，之后通过多个线程并行对初始检测结果进行目标筛选，得到目标检测结果，并分别对各其他图像进行车道线跟踪，得到跟踪结果，基于目标检测结果和跟踪结果得到车道线检测结果，能够针对初始图像中的不同图像，分别进行相应的图像处理，对于检测到的初始检测结果，会进行筛选，以保证车道线检测结果的准确性。

Description

车道线检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及车道线检测技术领域，特别是涉及一种车道线检测方法、装置、计算机设备和存储介质。
背景技术
车道线检测是汽车定位、道路规划的先决条件，为了保证汽车在行驶过程中的安全性，自动驾驶系统需要保持汽车在道路上沿车道线移动，这要求对车道线有准确的感知。
传统技术中，通常会获取大量的图像数据，基于图像数据进行车道线检测，例如基于深度学习的方法，将图像数据中的每个像素分为车道线区域或背景，对车道线区域进行车道线检测。
但是，由于实际场景环境较为复杂，环境中影响车道线检测的因素很多，基于车道线区域检测到的检测结果会存在误差，导致无法准确检测出车道线。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确检测车道线的车道线检测方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种车道线检测方法，该方法包括：
获取采集到的多帧初始图像；多帧初始图像包括车道线图像和不含车道线的其他图像；
分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果；
对初始检测结果进行目标筛选，得到目标检测结果；
分别对各其他图像进行车道线跟踪，得到跟踪结果；
基于目标检测结果和跟踪结果得到车道线检测结果。
在其中一个实施例中，车道线图像对应的提取结果为包括有多个像素点的二值化图像，每个像素点对应一个线程，初始检测结果包括候选车道线；对车道边缘线提取结果进行车道线检测，得到初始检测结果的步骤，包括：
确定像素点中满足边缘像素要求的边缘像素点所对应的目标线程；边缘像素点用于构成边缘线；
通过各目标线程分别对各自对应的边缘像素点的坐标进行空间坐标系变换，得到各边缘像素点分别对应的正弦曲线方程；
将每两个正弦曲线方程进行联立求解，并得到对应的交点坐标；
将交点坐标中处于预设范围内的交点坐标作为目标交点坐标，并将目标交点坐标所处的正弦曲线方程对应的边缘像素点作为车道像素点；车道像素点用于构成候选车道线。
在其中一个实施例中，对初始检测结果进行目标筛选，得到目标检测结果的步骤，包括：
将每个候选车道线各自对应的车道像素点所在的线程组合成一个线程块，并将对应的极坐标传入至线程块；
通过传入有车道像素点的极坐标的多个线程块，并行对初始检测结果进行目标筛选，基于多个线程块并行筛选的结果得到目标检测结果。
在其中一个实施例中，初始检测结果包括候选车道线，对初始检测结果进行目标筛选，得到目标检测结果的步骤，包括：
对候选车道线进行角度筛选得到第一筛选结果；
基于第一筛选结果进行长度筛选，得到第二筛选结果；
基于第二筛选结果进行线距筛选，得到第三筛选结果；
基于第三筛选结果进行消失点筛选，得到目标检测结果。
在其中一个实施例中，第一筛选结果包括左侧候选车道线和右侧候选车道线；对候选车道线进行角度筛选得到第一筛选结果的步骤，包括：
获取候选车道线的起止点坐标，并根据起止点坐标计算候选车道线的斜率；
基于斜率从候选车道线中确定出左侧候选车道线和右侧候选车道线。
在其中一个实施例中，左侧候选车道线包括左侧候选内车道线和左侧候选外车道线，右侧候选车道线包括右侧候选内车道线和右侧候选外车道线；第二筛选结果包括满足长度条件的左侧候选内车道线和左侧候选外车道线、以及满足长度条件的右侧候选内车道线和右侧候选外车道线；基于第二筛选结果进行线距筛选，得到第三筛选结果的步骤，包括：
对车道线图像进行逆透视变换，得到逆透视图像；
根据满足长度条件的左侧候选内车道线和左侧候选外车道线在逆透视图像中的位置，计算第一距离；
若第一距离处于预设车道线距离范围内，则保留满足长度条件的左侧候选内车道线和左侧候选外车道线；
根据满足长度条件的右侧候选内车道线和右侧候选外车道线在逆透视图像中的位置，计算第二距离；
若第二距离处于预设车道线距离范围内，则保留满足长度条件的右侧候选内车道线和右侧候选外车道线；
基于保留的左侧候选车道线和右侧候选车道线，得到第三筛选结果。
在其中一个实施例中，若车道线图像中的车道边缘线为弯道边缘线；基于目标检测结果和跟踪结果得到车道线检测结果的步骤，包括：
获取弯道边缘线中的特征点；
确定弯道边缘线对应的直线车道边缘线的关键点；
对特征点和关键点进行拟合，得到弯道检测结果；
基于目标检测结果、跟踪结果以及弯道检测结果得到车道线检测结果。
第二方面，本申请还提供了一种车道线检测装置，该装置包括：
获取模块，用于获取采集到的多帧初始图像；多帧初始图像包括车道线图像和不含车道线的其他图像；
提取模块，用于分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果；
筛选模块，用于对初始检测结果进行目标筛选，得到目标检测结果；
跟踪模块，用于分别对各其他图像进行车道线跟踪，得到跟踪结果；
检测模块，用于基于目标检测结果和跟踪结果得到车道线检测结果。
第三方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面中任一项的方法步骤。
第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面中任一项的方法步骤。
第五方面，本申请还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项的方法步骤。
上述车道线检测方法、装置、计算机设备和存储介质，通过获取采集到的多帧初始图像，分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果，之后通过多个线程并行对初始检测结果进行目标筛选，得到目标检测结果，并分别对各其他图像进行车道线跟踪，得到跟踪结果，基于目标检测结果和跟踪结果得到车道线检测结果，能够针对初始图像中的不同图像，分别进行相应的图像处理，对于检测到的初始检测结果，会进行筛选，以保证车道线检测结果的准确性，并且对于不含车道线的其他图像，通过车道线跟踪的方法也能够准确检测出车道线。
附图说明
图1为一个实施例中车道线检测方法的应用环境图；
图2为一个实施例中车道线检测方法的流程示意图；
图3为一个实施例中得到初始检测结果步骤的流程示意图；
图4为一个实施例中车道线检测方法的流程示意图；
图5为一个实施例中Hough变换算法的流程示意图；
图6为一个实施例中并行执行车道线筛选算法的执行流程图；
图7为一个实施例中车道线检测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的车道线检测方法，可以应用于如图1所示的应用环境中。其中，计算机设备102通过网络与图像采集设备104进行通信。其中，图像采集设备104用于预先采集待进行车道线检测的道路图像视频，其中视频图像包括多帧初始图像。计算机设备102用于从图像采集设备104获取采集到的多帧初始图像，其中多帧初始图像包括车道线图像和不含车道线的其他图像。对于车道线图像，计算机设备102分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果，之后对初始检测结果进行目标筛选，得到目标检测结果。对于不含车道线的其他图像，计算机设备102分别对各其他图像进行车道线跟踪，得到跟踪结果，这样基于目标检测结果和跟踪结果得到最终的车道线检测结果。其中，计算机设备102可以是终端或服务器，终端可以但不限于是部署了嵌入式人工智能超级计算平台(例如Jeston TX2开发板)的无人车、机器人等智能终端，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。图像采集设备104可以是车载摄像机。
在一个实施例中，如图2所示，提供了一种车道线检测方法，以该方法应用于图1中的计算机设备102为例进行说明，包括以下步骤：
S202：获取采集到的多帧初始图像；多帧初始图像包括车道线图像和不含车道线的其他图像。
其中，多帧初始图像指的是道路图像视频中的每一帧道路图像，这里道路图像视频可以是图像采集设备例如车载摄像机采集的，对于采集到的多帧初始图像，首先要进行图像预处理，具体地，计算机设备对每一帧初始图像机械能图像灰度化处理，经灰度化处理后的图像，每个像素只有一个采样颜色的图像，通常显示为从最暗黑色到最亮的白色的灰度，之后计算机设备对灰度化之后的图像进行噪声消除，消除图像中不必要的或多余的干扰信息，此时得到的图像具有较高的精确度，且图像中的景物分布可以由不同灰度进行表示，方便筛选出包含车道线的主要区域。这里经预处理后的图像包括车道线图像和不含车道线的其他图像，针对每一帧车道线图像，计算机设备筛选出包含车道线的主要区域，作为感兴趣区域，这样在后续进行车道线检测时，只需要针对感兴趣区域进行检测，而对于每一帧其他图像，无法直接进行车道线检测，因此计算机设备基于前序车道线图像中的车道线特征进行车道线跟踪，以得到其他图像中的检测结果。
S204：分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果。
其中，计算机设备分别对各车道线图像进行边缘线提取，此时得到的提取结果是车道线图像中所有景物的边缘线，包括树木边缘线、车道旁台阶的边缘线、车道边缘线等，并且此时的边缘线中可能会包括有弧线，而由于车道线为直线，为了从边缘线中检测出车道线，实际上只需要对边缘线进行直线检测，这样可以排除车道线图像中的一些明显的干扰线，得到初始检测结果。具体地，边缘线提取可以通过边缘检测算子(例如Canny算子)实现，Canny算子通过模板作为核与图像的每个像素点做卷积和运算，然后选取合适的阈值来提取图像的边缘，提取结果通过霍夫(Hough)直线检测方法进行直线检测。Hough算法的原理是在一个参数空间中通过计算累计结果的局部最大值，得到一个符合该特定形状的集合作为霍夫变换结果，可以进行圆、直线、椭圆等形状的检测，而对于车道线，Hough算法需要进行的是直线检测，计算机设备通过Hough算法检测出提取结果中的直线，得到初始检测结果。
S206：对初始检测结果进行目标筛选，得到目标检测结果。
其中，初始检测结果中包括多个候选车道线，目标筛选指的是角度筛选、长度筛选、线距筛选、消失点筛选等，经过车道线检测得到的初始检测结果中，可能还会存在一些干扰线，例如路面的遮挡物轮廓、旁边的建筑阴影等，提取到的边缘线也是直线，但是并不是车道线，因此还需要对初始检测结果进行筛选，得到更为准确的车道线结果，即目标检测结果。
其中，角度筛选是指将初始检测结果中的候选车道线划分为左侧车道线和右侧车道线，这里的左侧车道线包括左侧内车道线和左侧外车道线，同理右侧车道线包括右侧内车道线和右侧外车道线，根据实际应用需求，可以选择检测左侧车道线和/或右侧车道线。长度筛选是指筛选出长度在一定范围内的候选车道线，这样可以排除过长或过短的干扰线。线距筛选指的是一侧内车道线与外车道线之间的距离，应该处于一定的范围内，因此可以排除一部分内外两条线之间距离过大明显不平行的干扰线。消失点筛选指的是车道线图像中的车道线在投影平面上会相交于无穷远处，这个交点就是消失点，通过对候选车道线消失点的计算，排除掉不满足车道线相交特性的干扰线。
S208：分别对各其他图像进行车道线跟踪，得到跟踪结果。
其中，其他图像中不包含车道线，因此不能直接对图像中的感兴趣区域进行直线检测，而是根据车道线图像中的车道线对其他图像进行车道线跟踪，例如卡尔曼滤波方法，卡尔曼滤波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，卡尔曼滤波基于目标检测结果，从其他图像的一系列图像数据中，估计车道线动态系统的状态，对车道线进行跟踪。
S210：基于目标检测结果和跟踪结果得到车道线检测结果。
其中，计算机设备将目标检测结果和跟踪结果共同作为车道线检测结果，如果车道线图像中存在车道线是处于弯道时的情况，计算机设备将目标检测结果和跟踪结果得到的直线车道线的关键点，与弯道部分的特征点进行拟合，得到弯道车道线的目标点位，目标点位构成弯道车道线。这样计算机设备将目标检测结果、跟踪结果以及弯道车道线进行汇总，得到最终的车道线检测结果。
上述车道线检测方法中，通过获取采集到的多帧初始图像，分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果，之后通过多个线程并行对初始检测结果进行目标筛选，得到目标检测结果，并分别对各其他图像进行车道线跟踪，得到跟踪结果，基于目标检测结果和跟踪结果得到车道线检测结果，能够针对初始图像中的不同图像，分别进行相应的图像处理，对于检测到的初始检测结果，会进行筛选，以保证车道线检测结果的准确性，并且对于不含车道线的其他图像，通过车道线跟踪的方法也能够准确检测出车道线。
在一个实施例中，如图3所示，车道线图像对应的提取结果为包括有多个像素点的二值化图像，每个像素点对应一个线程，初始检测结果包括候选车道线；对车道边缘线提取结果进行车道线检测，得到初始检测结果的步骤，包括：
S302：确定像素点中满足边缘像素要求的边缘像素点所对应的目标线程；边缘像素点用于构成边缘线。
其中，Canny算子进行边缘线提取后，得到的提取结果实际上是一个二值化图像，图像中的像素点的灰度值为0或255，呈现出明显的黑白效果，其中灰度值255表示的就是提取结果对应的边缘像素点。计算机设备为车道线图像中的每一个像素点分配一个线程，通过线程判断各自对应的像素点是否是255像素点，如果是，则表示为边缘线上的边缘像素点。计算机设备筛选出边缘线上的像素点以及对应的线程，作为目标线程。
S304：通过各目标线程分别对各自对应的边缘像素点的坐标进行空间坐标系变换，得到各边缘像素点分别对应的正弦曲线方程。
其中，计算机设备通过目标线程对各自对应的边缘像素点的坐标进行空间坐标系变换，将直角坐标系下的坐标点转换为极坐标系下的坐标，得到各边缘像素点分别对应的正弦曲线方程。
S306：将每两个正弦曲线方程进行联立求解，并得到对应的交点坐标。
其中，由于直线特征是由极坐标系下的交点个数决定的，如果在极坐标系下，两个正弦曲线方程存在交点，就表示这两个正弦曲线方程对应的边缘像素点在直角坐标系下是同一直线上的。计算机设备将每两个正弦曲线方进行联立求解，这里联立的两个正弦曲线方程不重复，分别得到对应的交点坐标。
S308：将交点坐标中处于预设范围内的交点坐标作为目标交点坐标，并将目标交点坐标所处的正弦曲线方程对应的边缘像素点作为车道像素点；车道像素点用于构成候选车道线。
其中，直角坐标系下同一直线上的像素点，理论上来说是相交于同一个极坐标点，但是考虑图像拍摄以及数据处理带来的影响，将交点坐标中处于预设范围内的多个交点坐标作为目标交点坐标，由目标交点坐标倒推出对应的多个边缘像素点，这些边缘像素点就是车道像素点，共同构成候选车道线。
本实施例中，通过确定像素点中满足边缘像素要求的边缘像素点所对应的目标线程，通过各目标线程分别对各自对应的边缘像素点的坐标进行空间坐标系变换，得到各边缘像素点分别对应的正弦曲线方程，之后将每两个正弦曲线方程进行联立求解，并得到对应的交点坐标，将交点坐标中处于预设范围内的交点坐标作为目标交点坐标，并将目标交点坐标所处的正弦曲线方程对应的边缘像素点作为车道像素点，能够准确得到车道候选线，且通过多个线程并行进行空间坐标系变换，能够提高数据处理效率。
在一个实施例中，对初始检测结果进行目标筛选，得到目标检测结果的步骤，包括：将每个候选车道线各自对应的车道像素点所在的线程组合成一个线程块，并将对应的极坐标传入至线程块；通过传入有车道像素点的极坐标的多个线程块，并行对初始检测结果进行目标筛选，基于多个线程块并行筛选的结果得到目标检测结果。
其中，经过车道线检测得到的初始检测结果中，可能还会存在一些干扰线，例如路面的遮挡物轮廓、旁边的建筑阴影等，提取到的边缘线也是直线，但是并不是车道线，因此还需要对初始检测结果进行筛选。计算机设备将每个候选车道线的车道像素点对应的多个线程组合成一个线程块，并将对应的车道像素点的极坐标传入至这个线程块，这样将每个候选车道线对应一个线程块，通过多个线程块并行对各自对应的候选车道线进行目标筛选，得到目标检测结果。
其中，线程是运算平台(Compute Unified Device Architecture，CUDA)的网格架构，CUDA通过图形处理器(Graphics Processing Unit，GPU)的处理能力，能够大幅提升计算性能，因此基于Hough算法进行直线检测时，利用CUDA的网格架构，并行进行处理，能够提高处理效率。具体地，CUDA的网格架构由网格、线程块和线程组成，相当于把GPU上的计算单元分为若干个网格，每个网格内包含若干个线程块，每个线程块包含若干个线程。CUDA的并行程序会被以许多个线程来执行，如上述通过线程进行空间坐标系转换，多个线程组合成一个线程块，同一个线程块中的线程可以同步，多个线程块则会再构成网格。
本实施例中，通过将每个候选车道线各自对应的车道像素点所在的线程组合成一个线程块，并将对应的极坐标传入至线程块，通过传入有车道像素点的极坐标的多个线程块，并行对初始检测结果进行目标筛选，基于多个线程块并行筛选的结果得到目标检测结果，能够提高目标筛选效率，从而提高车道线检测的效率。
在一个实施例中，初始检测结果包括候选车道线，对初始检测结果进行目标筛选，得到目标检测结果的步骤，包括：对候选车道线进行角度筛选得到第一筛选结果；基于第一筛选结果进行长度筛选，得到第二筛选结果；基于第二筛选结果进行线距筛选，得到第三筛选结果；基于第三筛选结果进行消失点筛选，得到目标检测结果。
其中，第一筛选结果包括左侧车道线和右侧车道线，计算机设备对候选车道线进行角度筛选，将初始检测结果中的候选车道线划分为左侧车道线和右侧车道线，针对左侧车道线或右侧车道线，计算机设备对所针对的车道线进行长度筛选，得到第二筛选结果。第二筛选结果包括内侧车道线和外侧车道线，计算机设备基于内侧车道线和外侧车道线之间的距离进行线距筛选，得到第三筛选结果。第三筛选结果包括多个由一个内侧车道线和一个外侧车道线组成的一组内外车道线组，针对每一个内外车道线组，计算机设备进行消失点筛选，得到目标检测结果。
本实施例中，通过对候选车道线进行角度筛选得到第一筛选结果，并基于第一筛选结果进行长度筛选，得到第二筛选结果，之后基于第二筛选结果进行线距筛选，得到第三筛选结果，并基于第三筛选结果进行消失点筛选，得到目标检测结果，能够准确得到目标检测结果。
在一个实施例中，第一筛选结果包括左侧候选车道线和右侧候选车道线；对候选车道线进行角度筛选得到第一筛选结果的步骤，包括：获取候选车道线的起止点坐标，并根据起止点坐标计算候选车道线的斜率；基于斜率从候选车道线中确定出左侧候选车道线和右侧候选车道线。
其中，针对左侧候选车道线或右侧候选车道线，计算机设备获取每一个候选车道线的起止点坐标，从而求出每条直线的斜率及直线方程。由于相机的透视作用，左右车道线在路面上并不是平行的，左侧车道线斜率为负，右侧车道线斜率为正，计算机设备根据斜率的不同，将候选车道线分为左侧候选车道线和右侧候选车道线。
本实施例中，通过获取候选车道线的起止点坐标，并根据起止点坐标计算候选车道线的斜率，基于斜率从候选车道线中确定出左侧候选车道线和右侧候选车道线，能够初步过滤掉一些干扰线。
在一个实施例中，左侧候选车道线包括左侧候选内车道线和左侧候选外车道线，右侧候选车道线包括右侧候选内车道线和右侧候选外车道线；第二筛选结果包括满足长度条件的左侧候选内车道线和左侧候选外车道线、以及满足长度条件的右侧候选内车道线和右侧候选外车道线；基于第二筛选结果进行线距筛选，得到第三筛选结果的步骤，包括：对车道线图像进行逆透视变换，得到逆透视图像；根据满足长度条件的左侧候选内车道线和左侧候选外车道线在逆透视图像中的位置，计算第一距离；若第一距离处于预设车道线距离范围内，则保留满足长度条件的左侧候选内车道线和左侧候选外车道线；根据满足长度条件的右侧候选内车道线和右侧候选外车道线在逆透视图像中的位置，计算第二距离；若第二距离处于预设车道线距离范围内，则保留满足长度条件的右侧候选内车道线和右侧候选外车道线；基于保留的左侧候选车道线和右侧候选车道线，得到第三筛选结果。
其中，逆透视变换指的是透视变换的逆过程，主要是结合相机的内在和外在参数，将图像从图像坐标系映射到世界坐标系，世界坐标系是由三个互相垂直并相交的坐标轴X、Y、Z组成，通常X轴正向为屏幕水平向右，Y轴正向为垂直向上，Z轴正向为垂直屏幕平面指向使用者。计算机设备对车道线图像进行逆透视变换，将车道线图像映射到世界坐标系，得到逆透视图像，从而消除相机的透视作用对车道线的影响，使得一组内外车道线组在逆透视图像中是平行线组。
其中，针对左侧候选车道线，满足长度条件指的是通过长度筛选后的左侧候选内车道线和左侧候选外车道线，无论是连续的车道线还是间断的车道线，车道线的长度都在一定范围内，这样通过设定长度阈值，可以排除过长或过短的干扰线。计算机设备左侧候选内车道线和左侧候选外车道线在逆透视图像中的位置，计算左侧候选内车道线和左侧候选外车道线之间的距离，得到第一距离。平行车道线中，内外两侧的车道线距离处于一定范围内，若第一距离处于预设车道线距离范围内，则计算机设备保留满足长度条件的左侧候选内车道线和左侧候选外车道线。针对右侧候选车道线，与左侧候选车道线的筛选步骤相同，计算机设备根据满足长度条件的右侧候选内车道线和右侧候选外车道线在逆透视图像中的位置，计算第二距离，若第二距离处于预设车道线距离范围内，则计算机设备保留满足长度条件的右侧候选内车道线和右侧候选外车道线，得到第三筛选结果。
本实施例中，通过对车道线图像进行逆透视变换，得到逆透视图像针对左侧候选车道线/右侧车道线，根据满足长度条件的候选内车道线和候选外车道线在逆透视图像中的位置，计算车道线之间的距离，若处于预设车道线距离范围内，则保留满足长度条件的候选内车道线和候选外车道线，得到第三筛选结果，能够基于两平行车道线之间的距离排除一部分干扰线。
在一个实施例中，若车道线图像中的车道边缘线为弯道边缘线；基于目标检测结果和跟踪结果得到车道线检测结果的步骤，包括：获取弯道边缘线中的特征点；确定弯道边缘线对应的直线车道边缘线的关键点；对特征点和关键点进行拟合，得到弯道检测结果；基于目标检测结果、跟踪结果以及弯道检测结果得到车道线检测结果。
其中，若车道线图像中的车道边缘线为弯道边缘，计算机设备获取弯道边缘线中的特征点，并获取与弯道边缘线相关的直线车道边缘线的关键点，基于最小二乘法对特征点和关键点进行拟合，就可以得到弯道检测结果，基于目标检测结果、跟踪结果以及弯道检测结果得到最终的车道线检测结果。
本实施例中，若车道线图像中的车道边缘线为弯道边缘线，对弯道边缘线中的特征点和对应的直线车道边缘线的关键点进行拟合，得到弯道检测结果，并基于目标检测结果、跟踪结果以及弯道检测结果得到车道线检测结果，能够达到保证车道线检测结果的准确性。
在一个实施例中，如图4所示，提供了一种CUDA加速的车道线检测方法，该方法包括以下步骤：
(1)计算机设备获取车载摄像机采集的多帧初始图像，并对初始图像进行预处理，消除图像中的噪声信息。
(2)计算机设备通过Canny算子提取边缘线，并采用Hough直线检测方法，检测出感兴趣区域内的候选线，得到初始检测结果。其中，Hough直线检测方法的算法流程图如图5所示，计算机设备为车道线图像中的每一个像素点划分一个线程，基于各线程对各自对应的像素点进行边缘点的判断，计算机设备对于确定为边缘像素点的像素点坐标，进行空间坐标系的转换，得到各边缘像素点对应的正弦曲线方程，之后计算机设备将正弦曲线方程两两联立进行求解，计算正弦曲线方程的交点坐标，并保存交点坐标，这样计算机设备根据交点坐标的数量可以确定对应的多个边缘像素点是否为直线上的像素点，完成直线检测。
(3)计算机设备将每个候选车道线对应的边缘像素点对应的线程组合成线程块，并将对应的边缘像素点对应的交点坐标输入至线程块，计算机设备通过线程块首先对初始检测结果中的候选车道线进行角度筛选，角度为负的是左侧候选车道线，角度为正的是右侧候选车道线，通过角度来区分左侧候选车道线和右侧候选车道线，得到第一筛选结果；计算机设备针对单侧车道线进行长度筛选，获得满足长度条件的左侧候选内车道线和左侧候选外车道线、以及满足长度条件的右侧候选内车道线和右侧候选外车道线，得到第二筛选结果；计算机设备根据满足长度条件的右侧候选内车道线和右侧候选外车道线在逆透视图像中的位置，计算第二距离，若第二距离处于预设车道线距离范围内，则保留满足长度条件的右侧候选内车道线和右侧候选外车道线，得到第三筛选结果；计算机设备通过消失点检测对第三筛选结果进行筛选，排除多余的干扰线，得到目标检测结果。
其中，在进行筛选时，线程块并行执行车道线筛选的流程图如图6所示，计算机设备对每个线程块输入一组交点坐标，例如(ρ0,θ0)、(ρ1,θ1)、(ρ2,θ2)...(ρn,θn)，多个线程块并行对候选车道线进行筛选。
(4)对于不包含车道线的其他图像，计算机设备对每个其他图像进行车道线跟踪，得到车道线的跟踪结果，若车道线图像中的车道边缘线为弯道边缘，计算机设备获取弯道边缘线中的特征点，并获取与弯道边缘线相关的直线车道边缘线的关键点，基于最小二乘法对特征点和关键点进行拟合，就可以得到弯道检测结果，基于目标检测结果、跟踪结果以及弯道检测结果得到最终的车道线检测结果。
本实施例中，基于CUDA的网格结构，利用多线程并行执行Hough变换算法，并对初始结果进行筛选，能够保证车道线检测结果的准确性，提高车道线检测效率。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的车道线检测方法的车道线检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车道线检测装置实施例中的具体限定可以参见上文中对于车道线检测方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种车道线检测装置，包括：获取模块10、提取模块20、筛选模块30、跟踪模块40和检测模块50，其中：
获取模块10，用于获取采集到的多帧初始图像；多帧初始图像包括车道线图像和不含车道线的其他图像。
提取模块20，用于分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果。
筛选模块30，用于对初始检测结果进行目标筛选，得到目标检测结果。
跟踪模块40，用于分别对各其他图像进行车道线跟踪，得到跟踪结果。
检测模块50，用于基于目标检测结果和跟踪结果得到车道线检测结果。
在一个实施例中，车道线图像对应的提取结果为包括有多个像素点的二值化图像，每个像素点对应一个线程，初始检测结果包括候选车道线；提取模块20包括：线程确定单元、坐标系变换单元、联立求解单元和候选确定单元，其中：
线程确定单元，用于确定像素点中满足边缘像素要求的边缘像素点所对应的目标线程；边缘像素点用于构成边缘线。
坐标系变换单元，用于通过各目标线程分别对各自对应的边缘像素点的坐标进行空间坐标系变换，得到各边缘像素点分别对应的正弦曲线方程。
联立求解单元，用于将每两个正弦曲线方程进行联立求解，并得到对应的交点坐标。
候选确定单元，用于将交点坐标中处于预设范围内的交点坐标作为目标交点坐标，并将目标交点坐标所处的正弦曲线方程对应的边缘像素点作为车道像素点；车道像素点用于构成候选车道线。
在一个实施例中，筛选模块30包括：坐标传入单元和并行筛选单元，其中：
坐标传入单元，将每个候选车道线各自对应的车道像素点所在的线程组合成一个线程块，并将对应的极坐标传入至线程块。
并行筛选单元，用于通过传入有车道像素点的极坐标的多个线程块，并行对初始检测结果进行目标筛选，基于多个线程块并行筛选的结果得到目标检测结果。
在一个实施例中，初始检测结果包括候选车道线，筛选模块30还用于对候选车道线进行角度筛选得到第一筛选结果；基于第一筛选结果进行长度筛选，得到第二筛选结果；基于第二筛选结果进行线距筛选，得到第三筛选结果；基于第三筛选结果进行消失点筛选，得到目标检测结果。
在一个实施例中，第一筛选结果包括左侧候选车道线和右侧候选车道线，筛选模块30还用于获取候选车道线的起止点坐标，并根据起止点坐标计算候选车道线的斜率；基于斜率从候选车道线中确定出左侧候选车道线和右侧候选车道线。
在一个实施例中，左侧候选车道线包括左侧候选内车道线和左侧候选外车道线，右侧候选车道线包括右侧候选内车道线和右侧候选外车道线；第二筛选结果包括满足长度条件的左侧候选内车道线和左侧候选外车道线、以及满足长度条件的右侧候选内车道线和右侧候选外车道线；筛选模块30还用于对车道线图像进行逆透视变换，得到逆透视图像；根据满足长度条件的左侧候选内车道线和左侧候选外车道线在逆透视图像中的位置，计算第一距离；若第一距离处于预设车道线距离范围内，则保留满足长度条件的左侧候选内车道线和左侧候选外车道线；根据满足长度条件的右侧候选内车道线和右侧候选外车道线在逆透视图像中的位置，计算第二距离；若第二距离处于预设车道线距离范围内，则保留满足长度条件的右侧候选内车道线和右侧候选外车道线；基于保留的左侧候选车道线和右侧候选车道线，得到第三筛选结果。
在一个实施例中，若车道线图像中的车道边缘线为弯道边缘线，检测模块50包括：特征点获取单元、关键点确定单元、特征拟合单元和结果获取单元，
其中：
特征点获取单元，用于获取弯道边缘线中的特征点。
关键点确定单元，用于确定弯道边缘线对应的直线车道边缘线的关键点。
特征拟合单元，用于对特征点和关键点进行拟合，得到弯道检测结果。
结果获取单元，用于基于目标检测结果、跟踪结果以及弯道检测结果得到车道线检测结果。
上述车道线检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端或服务器，以计算机设备是终端为例，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车道线检测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取采集到的多帧初始图像；多帧初始图像包括车道线图像和不含车道线的其他图像；分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果；对初始检测结果进行目标筛选，得到目标检测结果；分别对各其他图像进行车道线跟踪，得到跟踪结果；基于目标检测结果和跟踪结果得到车道线检测结果。
在一个实施例中，车道线图像对应的提取结果为包括有多个像素点的二值化图像，每个像素点对应一个线程，初始检测结果包括候选车道线；处理器执行计算机程序时涉及的对车道边缘线提取结果进行车道线检测，得到初始检测结果，包括：确定像素点中满足边缘像素要求的边缘像素点所对应的目标线程；边缘像素点用于构成边缘线；通过各目标线程分别对各自对应的边缘像素点的坐标进行空间坐标系变换，得到各边缘像素点分别对应的正弦曲线方程；将每两个正弦曲线方程进行联立求解，并得到对应的交点坐标；将交点坐标中处于预设范围内的交点坐标作为目标交点坐标，并将目标交点坐标所处的正弦曲线方程对应的边缘像素点作为车道像素点；车道像素点用于构成候选车道线。
在一个实施例中，处理器执行计算机程序时涉及的对初始检测结果进行目标筛选，得到目标检测结果，包括：将每个候选车道线各自对应的车道像素点所在的线程组合成一个线程块，并将对应的极坐标传入至线程块；通过传入有车道像素点的极坐标的多个线程块，并行对初始检测结果进行目标筛选，基于多个线程块并行筛选的结果得到目标检测结果。
在一个实施例中，初始检测结果包括候选车道线，处理器执行计算机程序时涉及的对初始检测结果进行目标筛选，得到目标检测结果，包括：对候选车道线进行角度筛选得到第一筛选结果；基于第一筛选结果进行长度筛选，得到第二筛选结果；基于第二筛选结果进行线距筛选，得到第三筛选结果；基于第三筛选结果进行消失点筛选，得到目标检测结果。
在一个实施例中，第一筛选结果包括左侧候选车道线和右侧候选车道线；处理器执行计算机程序时涉及的对候选车道线进行角度筛选得到第一筛选结果，包括：获取候选车道线的起止点坐标，并根据起止点坐标计算候选车道线的斜率；基于斜率从候选车道线中确定出左侧候选车道线和右侧候选车道线。
在一个实施例中，左侧候选车道线包括左侧候选内车道线和左侧候选外车道线，右侧候选车道线包括右侧候选内车道线和右侧候选外车道线；第二筛选结果包括满足长度条件的左侧候选内车道线和左侧候选外车道线、以及满足长度条件的右侧候选内车道线和右侧候选外车道线；处理器执行计算机程序时涉及的基于第二筛选结果进行线距筛选，得到第三筛选结果，包括：对车道线图像进行逆透视变换，得到逆透视图像；根据满足长度条件的左侧候选内车道线和左侧候选外车道线在逆透视图像中的位置，计算第一距离；若第一距离处于预设车道线距离范围内，则保留满足长度条件的左侧候选内车道线和左侧候选外车道线；根据满足长度条件的右侧候选内车道线和右侧候选外车道线在逆透视图像中的位置，计算第二距离；若第二距离处于预设车道线距离范围内，则保留满足长度条件的右侧候选内车道线和右侧候选外车道线；基于保留的左侧候选车道线和右侧候选车道线，得到第三筛选结果。
在一个实施例中，若车道线图像中的车道边缘线为弯道边缘线；处理器执行计算机程序时涉及的基于目标检测结果和跟踪结果得到车道线检测结果，包括：获取弯道边缘线中的特征点；确定弯道边缘线对应的直线车道边缘线的关键点；对特征点和关键点进行拟合，得到弯道检测结果；基于目标检测结果、跟踪结果以及弯道检测结果得到车道线检测结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取采集到的多帧初始图像；多帧初始图像包括车道线图像和不含车道线的其他图像；分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果；对初始检测结果进行目标筛选，得到目标检测结果；分别对各其他图像进行车道线跟踪，得到跟踪结果；基于目标检测结果和跟踪结果得到车道线检测结果。
在一个实施例中，车道线图像对应的提取结果为包括有多个像素点的二值化图像，每个像素点对应一个线程，初始检测结果包括候选车道线；计算机程序被处理器执行时涉及的对车道边缘线提取结果进行车道线检测，得到初始检测结果，包括：确定像素点中满足边缘像素要求的边缘像素点所对应的目标线程；边缘像素点用于构成边缘线；通过各目标线程分别对各自对应的边缘像素点的坐标进行空间坐标系变换，得到各边缘像素点分别对应的正弦曲线方程；将每两个正弦曲线方程进行联立求解，并得到对应的交点坐标；将交点坐标中处于预设范围内的交点坐标作为目标交点坐标，并将目标交点坐标所处的正弦曲线方程对应的边缘像素点作为车道像素点；车道像素点用于构成候选车道线。
在一个实施例中，计算机程序被处理器执行时涉及的对初始检测结果进行目标筛选，得到目标检测结果，包括：将每个候选车道线各自对应的车道像素点所在的线程组合成一个线程块，并将对应的极坐标传入至线程块；通过传入有车道像素点的极坐标的多个线程块，并行对初始检测结果进行目标筛选，基于多个线程块并行筛选的结果得到目标检测结果。
在一个实施例中，初始检测结果包括候选车道线，计算机程序被处理器执行时涉及的对初始检测结果进行目标筛选，得到目标检测结果，包括：对候选车道线进行角度筛选得到第一筛选结果；基于第一筛选结果进行长度筛选，得到第二筛选结果；基于第二筛选结果进行线距筛选，得到第三筛选结果；基于第三筛选结果进行消失点筛选，得到目标检测结果。
在一个实施例中，第一筛选结果包括左侧候选车道线和右侧候选车道线；计算机程序被处理器执行时涉及的对候选车道线进行角度筛选得到第一筛选结果，包括：获取候选车道线的起止点坐标，并根据起止点坐标计算候选车道线的斜率；基于斜率从候选车道线中确定出左侧候选车道线和右侧候选车道线。
在一个实施例中，左侧候选车道线包括左侧候选内车道线和左侧候选外车道线，右侧候选车道线包括右侧候选内车道线和右侧候选外车道线；第二筛选结果包括满足长度条件的左侧候选内车道线和左侧候选外车道线、以及满足长度条件的右侧候选内车道线和右侧候选外车道线；计算机程序被处理器执行时涉及的基于第二筛选结果进行线距筛选，得到第三筛选结果，包括：对车道线图像进行逆透视变换，得到逆透视图像；根据满足长度条件的左侧候选内车道线和左侧候选外车道线在逆透视图像中的位置，计算第一距离；若第一距离处于预设车道线距离范围内，则保留满足长度条件的左侧候选内车道线和左侧候选外车道线；根据满足长度条件的右侧候选内车道线和右侧候选外车道线在逆透视图像中的位置，计算第二距离；若第二距离处于预设车道线距离范围内，则保留满足长度条件的右侧候选内车道线和右侧候选外车道线；基于保留的左侧候选车道线和右侧候选车道线，得到第三筛选结果。
在一个实施例中，若车道线图像中的车道边缘线为弯道边缘线；计算机程序被处理器执行时涉及的基于目标检测结果和跟踪结果得到车道线检测结果，包括：获取弯道边缘线中的特征点；确定弯道边缘线对应的直线车道边缘线的关键点；对特征点和关键点进行拟合，得到弯道检测结果；基于目标检测结果、跟踪结果以及弯道检测结果得到车道线检测结果。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取采集到的多帧初始图像；多帧初始图像包括车道线图像和不含车道线的其他图像；分别对各车道线图像进行边缘线提取，得到提取结果，并对提取结果进行车道线检测，得到初始检测结果；对初始检测结果进行目标筛选，得到目标检测结果；分别对各其他图像进行车道线跟踪，得到跟踪结果；基于目标检测结果和跟踪结果得到车道线检测结果。
在一个实施例中，车道线图像对应的提取结果为包括有多个像素点的二值化图像，每个像素点对应一个线程，初始检测结果包括候选车道线；计算机程序被处理器执行时涉及的对车道边缘线提取结果进行车道线检测，得到初始检测结果，包括：确定像素点中满足边缘像素要求的边缘像素点所对应的目标线程；边缘像素点用于构成边缘线；通过各目标线程分别对各自对应的边缘像素点的坐标进行空间坐标系变换，得到各边缘像素点分别对应的正弦曲线方程；将每两个正弦曲线方程进行联立求解，并得到对应的交点坐标；将交点坐标中处于预设范围内的交点坐标作为目标交点坐标，并将目标交点坐标所处的正弦曲线方程对应的边缘像素点作为车道像素点；车道像素点用于构成候选车道线。
在一个实施例中，计算机程序被处理器执行时涉及的对初始检测结果进行目标筛选，得到目标检测结果，包括：将每个候选车道线各自对应的车道像素点所在的线程组合成一个线程块，并将对应的极坐标传入至线程块；通过传入有车道像素点的极坐标的多个线程块，并行对初始检测结果进行目标筛选，基于多个线程块并行筛选的结果得到目标检测结果。
在一个实施例中，初始检测结果包括候选车道线，计算机程序被处理器执行时涉及的对初始检测结果进行目标筛选，得到目标检测结果，包括：对候选车道线进行角度筛选得到第一筛选结果；基于第一筛选结果进行长度筛选，得到第二筛选结果；基于第二筛选结果进行线距筛选，得到第三筛选结果；基于第三筛选结果进行消失点筛选，得到目标检测结果。
在一个实施例中，第一筛选结果包括左侧候选车道线和右侧候选车道线；计算机程序被处理器执行时涉及的对候选车道线进行角度筛选得到第一筛选结果，包括：获取候选车道线的起止点坐标，并根据起止点坐标计算候选车道线的斜率；基于斜率从候选车道线中确定出左侧候选车道线和右侧候选车道线。
在一个实施例中，左侧候选车道线包括左侧候选内车道线和左侧候选外车道线，右侧候选车道线包括右侧候选内车道线和右侧候选外车道线；第二筛选结果包括满足长度条件的左侧候选内车道线和左侧候选外车道线、以及满足长度条件的右侧候选内车道线和右侧候选外车道线；计算机程序被处理器执行时涉及的基于第二筛选结果进行线距筛选，得到第三筛选结果，包括：对车道线图像进行逆透视变换，得到逆透视图像；根据满足长度条件的左侧候选内车道线和左侧候选外车道线在逆透视图像中的位置，计算第一距离；若第一距离处于预设车道线距离范围内，则保留满足长度条件的左侧候选内车道线和左侧候选外车道线；根据满足长度条件的右侧候选内车道线和右侧候选外车道线在逆透视图像中的位置，计算第二距离；若第二距离处于预设车道线距离范围内，则保留满足长度条件的右侧候选内车道线和右侧候选外车道线；基于保留的左侧候选车道线和右侧候选车道线，得到第三筛选结果。
在一个实施例中，若车道线图像中的车道边缘线为弯道边缘线；计算机程序被处理器执行时涉及的基于目标检测结果和跟踪结果得到车道线检测结果，包括：获取弯道边缘线中的特征点；确定弯道边缘线对应的直线车道边缘线的关键点；对特征点和关键点进行拟合，得到弯道检测结果；基于目标检测结果、跟踪结果以及弯道检测结果得到车道线检测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种车道线检测方法，其特征在于，所述方法包括：
获取采集到的多帧初始图像；所述多帧初始图像包括车道线图像和不含车道线的其他图像；
分别对各所述车道线图像进行边缘线提取，得到提取结果，并对所述提取结果进行车道线检测，得到初始检测结果；
对所述初始检测结果进行目标筛选，得到目标检测结果；
分别对各所述其他图像进行车道线跟踪，得到跟踪结果；
基于所述目标检测结果和所述跟踪结果得到车道线检测结果。
2.根据权利要求1所述的方法，其特征在于，所述车道线图像对应的提取结果为包括有多个像素点的二值化图像，每个像素点对应一个线程，所述初始检测结果包括候选车道线；所述对所述车道边缘线提取结果进行车道线检测，得到初始检测结果，包括：
确定所述像素点中满足边缘像素要求的边缘像素点所对应的目标线程；所述边缘像素点用于构成边缘线；
通过各目标线程分别对各自对应的边缘像素点的坐标进行空间坐标系变换，得到各所述边缘像素点分别对应的正弦曲线方程；
将每两个正弦曲线方程进行联立求解，并得到对应的交点坐标；
将所述交点坐标中处于预设范围内的交点坐标作为目标交点坐标，并将所述目标交点坐标所处的正弦曲线方程对应的边缘像素点作为车道像素点；所述车道像素点用于构成候选车道线。
3.根据权利要求2所述的方法，其特征在于，所述对所述初始检测结果进行目标筛选，得到目标检测结果，包括：
将每个候选车道线各自对应的车道像素点所在的线程组合成一个线程块，并将对应的极坐标传入至所述线程块；
通过传入有车道像素点的极坐标的多个线程块，并行对所述初始检测结果进行目标筛选，基于多个线程块并行筛选的结果得到目标检测结果。
4.根据权利要求1所述的方法，其特征在于，所述初始检测结果包括候选车道线，所述对所述初始检测结果进行目标筛选，得到目标检测结果，包括：
对所述候选车道线进行角度筛选得到第一筛选结果；
基于所述第一筛选结果进行长度筛选，得到第二筛选结果；
基于所述第二筛选结果进行线距筛选，得到第三筛选结果；
基于所述第三筛选结果进行消失点筛选，得到目标检测结果。
5.根据权利要求4所述的方法，所述第一筛选结果包括左侧候选车道线和右侧候选车道线；所述对所述候选车道线进行角度筛选得到第一筛选结果，包括：
获取所述候选车道线的起止点坐标，并根据所述起止点坐标计算所述候选车道线的斜率；
基于所述斜率从所述候选车道线中确定出左侧候选车道线和右侧候选车道线。
6.根据权利要求4所述的方法，所述左侧候选车道线包括左侧候选内车道线和左侧候选外车道线，所述右侧候选车道线包括右侧候选内车道线和右侧候选外车道线；所述第二筛选结果包括满足长度条件的左侧候选内车道线和左侧候选外车道线、以及满足长度条件的右侧候选内车道线和右侧候选外车道线；所述基于所述第二筛选结果进行线距筛选，得到第三筛选结果，包括：
对所述车道线图像进行逆透视变换，得到逆透视图像；
根据满足长度条件的左侧候选内车道线和左侧候选外车道线在所述逆透视图像中的位置，计算第一距离；
若所述第一距离处于预设车道线距离范围内，则保留所述满足长度条件的左侧候选内车道线和左侧候选外车道线；
根据满足长度条件的右侧候选内车道线和右侧候选外车道线在所述逆透视图像中的位置，计算第二距离；
若所述第二距离处于预设车道线距离范围内，则保留所述满足长度条件的右侧候选内车道线和右侧候选外车道线；
基于保留的左侧候选车道线和右侧候选车道线，得到第三筛选结果。
7.根据权利要求1至6任一项所述的方法，其特征在于，若所述车道线图像中的车道边缘线为弯道边缘线；所述基于所述目标检测结果和所述跟踪结果得到车道线检测结果，包括：
获取所述弯道边缘线中的特征点；
确定所述弯道边缘线对应的直线车道边缘线的关键点；
对所述特征点和所述关键点进行拟合，得到弯道检测结果；
基于所述目标检测结果、所述跟踪结果以及所述弯道检测结果得到车道线检测结果。
8.一种车道线检测装置，其特征在于，所述装置包括：
获取模块，用于获取采集到的多帧初始图像；所述多帧初始图像包括车道线图像和不含车道线的其他图像；
提取模块，用于分别对各所述车道线图像进行边缘线提取，得到提取结果，并对所述提取结果进行车道线检测，得到初始检测结果；
筛选模块，用于对所述初始检测结果进行目标筛选，得到目标检测结果；
跟踪模块，用于分别对各所述其他图像进行车道线跟踪，得到跟踪结果；
检测模块，用于基于所述目标检测结果和所述跟踪结果得到车道线检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202310063579.5A 2023-01-13 2023-01-13 车道线检测方法、装置、计算机设备和存储介质 Pending CN116092035A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310063579.5A CN116092035A (zh) 2023-01-13 2023-01-13 车道线检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310063579.5A CN116092035A (zh) 2023-01-13 2023-01-13 车道线检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116092035A true CN116092035A (zh) 2023-05-09

Family

ID=86211747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310063579.5A Pending CN116092035A (zh) 2023-01-13 2023-01-13 车道线检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116092035A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681721A (zh) * 2023-06-07 2023-09-01 东南大学 一种基于视觉的直线轨迹检测与跟踪方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681721A (zh) * 2023-06-07 2023-09-01 东南大学 一种基于视觉的直线轨迹检测与跟踪方法
CN116681721B (zh) * 2023-06-07 2023-12-29 东南大学 一种基于视觉的直线轨迹检测与跟踪方法

Similar Documents

Publication Publication Date Title
CN108475433B (zh) 用于大规模确定rgbd相机姿势的方法和系统
CN112733812B (zh) 三维车道线检测方法、装置及存储介质
CN104574393B (zh) 一种三维路面裂缝图像生成系统和方法
CN111815707B (zh) 点云确定方法、点云筛选方法、装置、计算机设备
US10692235B2 (en) Image processing apparatus and method for determining a depth of a pixel of a reference image
US9406140B2 (en) Method and apparatus for generating depth information
CN114648640B (zh) 一种目标物单体化方法、装置、设备及存储介质
CN111340889B (zh) 基于车载激光扫描自动获取匹配图像块与点云球的方法
CN116092035A (zh) 车道线检测方法、装置、计算机设备和存储介质
CN113920275B (zh) 三角网格构建方法、装置、电子设备及可读存储介质
CN111738061A (zh) 基于区域特征提取的双目视觉立体匹配方法及存储介质
CN115063485B (zh) 三维重建方法、装置及计算机可读存储介质
CN116051980B (zh) 基于倾斜摄影的建筑识别方法、系统、电子设备及介质
CN111862206A (zh) 一种视觉定位方法、装置、电子设备及可读存储介质
CN116310899A (zh) 基于YOLOv5改进的目标检测方法及装置、训练方法
CN113077504B (zh) 基于多粒度特征匹配大场景深度图生成方法
CN113743265A (zh) 一种基于深度相机的自动驾驶可行驶区域检测方法及系统
CN109328373B (zh) 图像处理方法及其相关设备、存储介质
CN114766039A (zh) 对象检测方法、对象检测设备、终端设备、以及介质
WO2024018726A1 (ja) プログラム、方法、システム、道路マップ、および道路マップの作成方法
CN117455936B (zh) 点云数据处理方法、装置及电子设备
CN114677577B (zh) 一种光场相机的机动车检测方法及系统
CN115861316B (zh) 行人检测模型的训练方法及其装置、行人检测方法
JP7086761B2 (ja) 画像処理装置、情報処理方法及びプログラム
CN117474885A (zh) 无人机垃圾散布区域检测的遥感图像视差变化处理方法

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