CN111178193A - 一种车道线的检测方法、检测装置及计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种车道线的检测方法、检测装置及计算机可读存储介质，该方法包括：获取道路图像；从道路图像中提取满足车道线提取条件的多个边缘点；计算边缘点的梯度方向；根据梯度方向将多个边缘点划分至不同的边缘点集合；对边缘点集合进行筛选，得到最佳边缘点集合；根据最佳边缘点集合拟合出车道线的边缘曲线。通过上述方式，本申请能够提高车道线检测的准确度。

Description

一种车道线的检测方法、检测装置及计算机可读存储介质

技术领域

本申请涉及车辆技术领域，具体涉及一种车道线的检测方法、检测装置及计算机可读存储介质。

背景技术

车道线检测是高级驾驶辅助***(ADAS，Advanced Driving Assistant System)和自动驾驶应用中一个关键的技术，利用装载在车辆上的摄像头拍摄前方图像，检测出车辆前方的车道线，估计车辆距离车道线的位置，对车道偏离进行预警或保持车辆在车道内正常行驶不偏离车道。

传统的车道线检测算法可采用Canny边缘检测算法检测出车道线的边缘，然后利用霍夫(Hough)直线变换把图像中潜在的直线检测出来，再通过车道的一些几何限制查找到车道线；但是采用霍夫直线变换检测只能对直车道或近似直车道有较好的检测效果，当车道线的弯道半径很大时，采用直线检测的方案就会失效。此外，还有基于深度学习的车道线检测方法，虽然基于深度学习的车道线检测方法可以检测出转弯半径很大的车道线，但对数据的要求比较高，需要大量的标注数据进行训练。

发明内容

本申请提供一种车道线的检测方法、检测装置及计算机可读存储介质，能够提高车道线检测的准确度。

为解决上述技术问题，本申请采用的技术方案是：提供一种车道线的检测方法，该方法包括：获取道路图像；从道路图像中提取满足车道线提取条件的多个边缘点；计算边缘点的梯度方向；根据梯度方向将多个边缘点划分至不同的边缘点集合；对边缘点集合进行筛选，得到最佳边缘点集合；根据最佳边缘点集合拟合出车道线的边缘曲线。

为解决上述技术问题，本申请采用的另一技术方案是：提供一种车道线的检测装置，该车道线的检测装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述的车道线的检测方法。

为解决上述技术问题，本申请采用的另一技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述的车道线的检测方法。

通过上述方案，本申请的有益效果是：可从获取到的道路图像中提取满足车道线提取条件的多个边缘点，然后计算每个边缘点的梯度方向，并根据边缘点的梯度方向对所有边缘点进行分类，得到多个边缘点集合，再从这些边缘点集合中选择出最佳边缘点集合，通过对最佳边缘点集合中的边缘点进行曲线拟合，得到拟合车道线，能够提高车道线检测的准确度。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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。其中：

图1是本申请提供的车道线的检测方法一实施例的流程示意图；

图2是本申请提供的车道线的检测方法另一实施例的流程示意图；

图3是本申请提供的车道线的检测装置一实施例的结构示意图；

图4是本申请提供的计算机存储介质一实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参阅图1，图1是本申请提供的车道线的检测方法一实施例的流程示意图，该方法包括：

步骤11：获取道路图像。

在车辆的行驶过程中，可利用车辆上的成像设备对当前道路进行拍摄，得到当前场景下的道路图像。

步骤12：从道路图像中提取满足车道线提取条件的多个边缘点。

在获取到当前的道路图像后，可利用边缘检测方法从道路图像中提取出多个边缘点，该边缘点可为车道线上的点；车道线一般为黄色或白色，与道路的颜色不同，为了方便提取边缘，道路图像可以为灰度图像，可以在利用成像设备采集到彩色图像后，将彩色图像转换为灰度图像。

步骤13：计算边缘点的梯度方向。

在从道路图像中提取出来边缘点后，可计算出边缘点的梯度方向。

步骤14：根据梯度方向将多个边缘点划分至不同的边缘点集合。

可按照每个边缘点的梯度方向将所有的边缘点划分为多个边缘点集合，每个边缘点集合中的边缘点可对应一条边缘，该边缘点集合包括至少一个边缘点，不同的边缘点集合不包含相同的边缘点；例如，检测出边缘点E1至E10，这些边缘点被分成三个边缘点集合A1至A3，边缘点集合A1包括边缘点E1、边缘点E2以及边缘点E3，边缘点集合A2包括边缘点E4、边缘点E5、边缘点E6以及边缘点E7，边缘点集合A3包括边缘点E8、边缘点E9以及边缘点E10。

步骤15：对边缘点集合进行筛选，得到最佳边缘点集合。

在划分出多个边缘点集合后，对这些边缘点集合进行筛选，从中选择出与实际车道线最接近的最佳边缘点集合。

步骤16：根据最佳边缘点集合拟合出车道线的边缘曲线。

利用道路图像上的点与地面上的点之间的对应关系，将道路图像上的最佳边缘点转换到地面上的最佳边缘点，并对地面上的最佳边缘点进行曲线拟合，从而得到车道线的边缘曲线。

本实施例提供了一种车道线的检测方法，先从拍摄到的道路图像中提取满足车道线提取条件的多个边缘点，然后计算每个边缘点的梯度方向，并依据边缘点的梯度方向对多个边缘点进行分类，得到多个边缘点集合，再从这些边缘点集合中筛选出最佳边缘点集合，通过对最佳边缘点集合中的边缘点拟合，得到拟合车道线，能够提高车道线检测的准确度。

请参阅图2，图2是本申请提供的车道线的检测方法另一实施例的流程示意图，该方法包括：

步骤201：获取道路图像，并沿预定的扫描方向遍历道路图像上的像素点。

该预定的扫描方向可以为从下往上、从左往右。

步骤202：将沿扫描方向的位于遍历到的当前像素点前向的预定数量的前向像素点的像素值求和与位于当前像素点后向的预定数量的后向像素点的像素值求和进行差值运算，以获得当前像素点的梯度值。

预定数量由车道线在道路图像中的像素宽度决定，像素宽度由车道线的实际宽度和用于拍摄道路图像的成像设备的成像参数预先计算获得；车道线的实际宽度是已知的，比如，300mm，成像设备可以为摄像机，成像参数可以为摄像机的内参与外参，摄像机可安装在车辆的前挡风玻璃上或者安装在车辆上的机器人上面，可预先对摄像头的内参与外参进行标定，以确定摄像机模型，以便通过标定的成像参数计算一些度量信息；例如，地面上A点映射到道路图像上的a点，通过a点在道路图像上的坐标可计算出A点距离摄像机的距离；如果距离摄像机1m远的地方有两点A和B，如果A点与B点的距离是100mm，则可以计算出A点和B点在道路图像上的映射a点和b点之间的像素距离。

在一具体的实施例中，假设道路图像的大小为M*N，对于道路图像中的第i行来说，300mm的车道线的宽度被映射成道路图像中的p(i)个像素宽度，当从左往右扫描道路图像的第i行像素时，计算扫描点右边p(i)个像素的像素值总和与左边p(i)个像素的像素值总和之间的差值，将该差值作为此扫描点的梯度值；例如，道路图像的宽度为640，高度为480，则扫描是从第480行开始扫描，假设在第480行10个像素宽度代表地面上的300mm，扫描可以从坐标(480，11)开始，计算

与

之间的差值，从而得到坐标(480，11)处的梯度值，同理可计算第i行其他像素点的梯度值，然后从第i行向上开始逐行扫描，得到其他行的像素点的梯度值；在其他实施例中，为了加快扫描速度，还可以间隔预设行进行扫描，比如，间隔4个像素扫描，在扫描完第480行后向上扫描第476行与第472行等。

步骤203：沿扫描方向依次选择梯度值的两个相邻峰值所对应的像素点作为候选对。

在计算出沿着行方向的梯度值后，可以得到当前扫描行对应的关于梯度值与坐标位置的函数，可统计当前扫描行梯度值的极小值与极大值，将相邻的极大值与极小值对应的像素点作为候选对；对于具有两条车道线的道路图像来说，一般从左向右，像素值先增大后降低再增加再降低，相应的梯度值逐渐增大至极大值然后渐渐减小到极小值再逐渐增大再降低，车道线的左边缘点对应极大值，车道线的右边缘点对应极小值，可将所有的极大值与极小值对应的像素点作为潜在的车道线的左右边缘点保存起来。

步骤203：根据所述候选的像素值确定所述车道线的边缘点。

判断候选对中的两个像素点之间的像素间距与像素宽度之间的绝对差值是否小于预设阈值；具体地，计算候选对中极小值与极大值对应的像素点之间的像素间距，然后计算该像素间距与像素宽度之间的差值的绝对值，并比较该差值的绝对值与预设阈值之间的大小关系，该预设阈值可为预先设置的值；如果该差值的绝对值大于或等于预设阈值，则表明候选对中的两个像素点为虚假的边缘点，将其从边缘点中剔除。

若候选对中的两个像素点之间的像素间距与像素宽度之间的绝对差值小于预设阈值，则将候选对中的两个像素点作为车道线的边缘点，可以将满足预设阈值条件的边缘点保存起来，以便进行后续的处理。

步骤204：将边缘点的自相关矩阵的最大特征值对应的特征向量的方向作为边缘点的梯度方向。

检测到边缘点对后可计算每个边缘点的梯度方向，可利用哈里斯(Harris)角点检测的思想计算出边缘点的梯度方向；假设需要计算点P处的自相关矩阵M，则可定义一个包括点P的窗口区域，该窗口区域可向任意方向滑动，滑动的偏移量为(u,v)，窗口区域滑动前后对应的灰度差值可如下所示：

其中，w(x,y)为窗口函数，I(x,y)为(x,y)处的灰度值。

将灰度差值E(u,v)进行泰勒级数展开，并取泰勒级数的前两项，可以得到如下公式：

其中，I_x为x方向的梯度值，I_y为y方向的梯度值。

计算自相关矩阵M的特征值和特征向量，将自相关矩阵M的最大特征值对应的特征向量的方向作为P点的梯度方向，可以得到道路图像上的离散的切向量场，由于边缘点的梯度方向和车道线相切，因而车道线可看作是切向量场的积分曲线。

步骤205：遍历边缘点，并判断遍历到的当前边缘点是否属于已生成的边缘点集合。

在计算出边缘点的梯度方向之后，可对所有的边缘点进行分组，判断遍历到的当前边缘点是否已经被分组，即是否属于已经生成的边缘点集合，已经生成的边缘点集合中所有边缘点的梯度方向的差值在预设方向范围以内；如果遍历到的当前边缘点属于已生成的边缘点集合，则可以执行步骤209。

步骤206：若遍历到的当前边缘点不属于已生成的边缘点集合，则生成当前边缘点集合，并将当前边缘点划分到当前边缘点集合。

如果当前遍历到的当前边缘点不在已生成的边缘点集合中，表明该边缘点的梯度方向与已经生成的边缘点集合均不同，位于不同的边缘上，此时可生成新的边缘点集合，并将该边缘点加入新的边缘点集合中。

步骤207：判断在当前边缘点的梯度方向的预设方向范围内是否存在下一个边缘点。

由于要将梯度方向相同的边缘点划分在一个边缘点集合中，可在将当前边缘点划分到当前边缘点集合后，判断在道路图像中沿着当前边缘点的梯度方向的预设方向范围内是否还存在下一个边缘点；例如，当前边缘点的梯度方向为与水平方向的夹角为10°，预设方向范围为-5°～5°，则如果下一个边缘点的梯度方向落在与水平方向的夹角为5°～15°，均可认为下一个边缘点与当前边缘点属于同一个边缘点集合；或者可沿着当前边缘点的梯度方向寻找下一个边缘点，即当前边缘点的梯度方向与下一个边缘点的梯度方向相同，例如，当前边缘点的梯度方向为与水平方向的夹角为10°，则如果下一个边缘点的梯度方向与水平方向的夹角也为10°，可认为下一个边缘点与当前边缘点属于同一个边缘点集合。

步骤208：若在当前边缘点的梯度方向的预设方向范围内存在下一个边缘点，则将下一个边缘点划分到当前边缘点集合，并将下一个边缘点作为当前边缘点。

如果沿着当前边缘点的梯度方向的预设方向范围内存在下一个边缘点，则可以将下一个边缘点划分到当前边缘点集合中，并将下一个边缘点作为当前边缘点，返回步骤209；如果沿着当前边缘点的梯度方向的预设方向范围内不存在下一个边缘点，则返回步骤207。

在一具体的实施例中，可按照从下往上、从左往右的方向查找到第一个边缘点，然后沿着此边缘点的切向量方向往上查找，判断在设定的方向范围内是否能够找到下一个边缘点，如果能够找到下一个边缘点，之后再沿着找到的新边缘点的切向量方向往上查找，直到找不到边缘点为止，这样就查找到了一条边缘，可按照同样的方式查找下一条边缘，为了加快查找速度，可将查找过的边缘点剔除，不再属于查找的范围。

步骤209：从边缘点集合确认最佳边缘点集合。

边缘点越多，越能够对边缘进行更准确地表达，因而可选择边缘点较多的边缘点集合作为最佳边缘点集合，并可根据当前场景下车道线的数量来选取最佳边缘点集合的数量。

在一具体的实施例中，对于道路图像中存在一条车道线的情况，可选择所包含的边缘点的数量最大的边缘点集合作为最佳边缘点集合。

在另一具体的实施例中，可根据边缘点集合中边缘点的梯度值与边缘点集合中边缘点的数量，得到车道线对应的最佳边缘点集合；具体地，对于具有至少两条车道线的情况，可按照边缘点集合中边缘点数量的高低来选择每一条车道线对应的左边缘与右边缘；可在边缘点的梯度值为极大值的边缘点集合中，选择所包含的边缘点数量最大的边缘点集合作为左边缘对应的最佳边缘点集合；在边缘点的梯度值为极小值的边缘点集合中，选择所包含的边缘点数量最大、且与左边缘之间的距离差值在预设宽度范围以内的边缘点集合作为右边缘对应的最佳边缘点集合，从而得到第一条车道线对应的左边缘与右边缘；然后按照上述的方法从未被匹配的边缘点集合中选择边缘点集合中边缘点的数量次之的边缘点集合，得到第二条车道线对应的左边缘与右边缘，以此类推，可以得到每一条车道线对应的左边缘与右边缘，其中，该预设宽度范围包括车道线的宽度，与车道线的宽度接近。

例如，对于道路图像中存在两条车道线的情况，车道线包括左车道线与右车道线，共有5个边缘点集合C1-C5，边缘点集合C1对应极大值，其包括80个边缘点；边缘点集合C2对应极小值，其包括76个边缘点；边缘点集合C3对应极小值，其包括67个边缘点；边缘点集合C1对应的边缘与边缘点集合C2对应的边缘之间的距离与车道线的宽度相差不大；边缘点集合C1对应的边缘与边缘点集合C3对应的边缘之间的距离与车道线的宽度相差较大；边缘点集合C4对应极大值，其包括90个边缘点；边缘点集合C5对应极小值，其包括84个边缘点；边缘点集合C4对应的边缘与边缘点集合C5对应的边缘之间的距离与车道线的宽度相差不大；则可选择包含边缘点最多的边缘点集合C4，根据其与边缘点集合C2、C3以及C5之间的距离，选择边缘点集合C5作为与边缘点集合C4对应的另一条边缘，根据水平方向边缘点的位置关系，可确定边缘点集合C4与边缘点集合C5分别属于左边缘对应的边缘点集合还是属于右边缘对应的边缘点集合；然后从未被匹配的边缘点集合中选择边缘点的数量次之的边缘点集合C1，根据边缘点集合C1与边缘点集合C2以及边缘点集合C3的距离，选择边缘点集合C2作为与边缘点集合C1对应的另一条边缘，从而得到左、右两条车道线对应的最佳边缘点集合。

在其他实施例中，还可仅获取车道线的左边缘或右边缘中的一个，比如，仅用左边缘来表示车道线，实现方法与上述方法类似，在此不再赘述。

步骤210：将最佳边缘点集合中的边缘点转换到地面坐标系中，并利用扩展卡尔曼滤波对转换后的边缘点进行处理，生成车道线的边缘曲线。

可以将最佳边缘点集合中的边缘点转换到地面坐标系中，得到地面上的边缘点，为了增加检测的稳定性，可利用扩展卡尔曼滤波对地面上的边缘点进行处理，以对曲线的曲率进行限制。

在一具体的实施例中，边缘曲线为三次曲线，假设车道线是光滑曲线，可以对该光滑曲线的函数表达式进行泰勒级数展开，去除泰勒级数的三阶以上的高阶项，车道线的函数表达式如下所示：

x＝a_t+b_ty+c_ty²+d_ty³

其中，(x,y)为地面上的车道线的坐标，图像的竖直方向为y轴，图像的水平方向为x轴，扩展卡尔曼滤波的预测方程与观测方程如下所示：

x_t＝f(x_t-1,u_t)

z_t＝g(x_t)

其中，x_t为t时刻三次曲线参数的预测值，x_t＝[a_t,b_t,c_t,d_t]^T，a_t、b_t、c_t以及d_t为t时刻的三次曲线参数，u_t为控制参数，z_t为t时刻地面上的边缘点的观测值。

地面上的点的齐次坐标[x,y,1]^T与对应的车道图像上的点的齐次坐标[u,v,1]^T满足如下关系：

其中，H为变换矩阵，(u,v)是道路图像上的边缘点的坐标，由于摄像机是事先标定的，变换矩阵H是已知的，利用上式求解出的(x,y)作为t+1时刻地面上的边缘点的观测值，记作z_t+1＝[x,y,1]^T。

假设车辆做匀速直线运动且速度为v，时间间隔为Δt，三次曲线的函数表达式的矩阵形式如下所示：

即利用t时刻的三次曲线参数的预测值x_t＝[a_t,b_t,c_t,d_t]^T与如上公式，可以得到t+1时刻的三次曲线参数的预测值x_t+1＝[a_t+1,b_t+1,c_t+1,d_t+1]^T。

然后利用t+1时刻三次曲线参数的预测值x_t+1＝[a_t+1,b_t+1,c_t+1,d_t+1]^T以及三次曲线参数的预测值与地面上的边缘点的观测值之间的函数关系z_t+1＝g(x_t+1)，可计算出边缘点的预测值z’_t+1。

再利用如下公式对x_t+1进行更新，从而得到t+1时刻三次曲线参数的更新值x’_t+1：

x’_t+1＝x_t+1+k(z’_t+1-z_t+1)

其中，k为调整系数，通过上述的扩展卡尔曼滤波算法能够对上一时刻的状态值x_t＝[a_t,b_t,c_t,d_t]^T进行滤波，求解出三次曲线的四个参数，从而拟合出车道线。

本实施例可先检测车道线的边缘点对，再计算得到的边缘点的梯度方向，计算出了道路图像上一个离散的切向量场，计算此切向量场的所有积分曲线，车道线在计算出来的积分曲线当中，最后采用扩展卡尔曼滤波算法增强车道线检测的稳定性，无需进行霍夫直线变换来提取直线，对曲率比较大的车道线有较好的检测效果。

请参阅图3，图3是本申请提供的车道线的检测装置一实施例的结构示意图，车道线的检测装置30包括互相连接的存储器31和处理器32，存储器31用于存储计算机程序，计算机程序在被处理器32执行时，用于实现上述实施例中的车道线的检测方法。

车道线的检测装置30可以计算道路图像中所有边缘点的梯度方向，按照梯度方向来划分边缘点集合，将具有边缘点最多的边缘点集合作为最佳边缘点集合，从而提取出车道线，无需进行霍夫直线变换来提取直线，能更好的检测大曲率的车道线。

请参阅图4，图4是本申请提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质40用于存储计算机程序41，计算机程序41在被处理器执行时，用于实现上述实施例中的车道线的检测方法。

计算机存储介质40可以是服务端、U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种车道线的检测方法，其特征在于，包括：

获取道路图像；

从所述道路图像中提取满足车道线提取条件的多个边缘点；

计算所述边缘点的梯度方向；

根据所述梯度方向将所述多个边缘点划分至不同的边缘点集合；

对所述边缘点集合进行筛选，得到最佳边缘点集合；

根据所述最佳边缘点集合拟合出车道线的边缘曲线。

2.根据权利要求1所述的车道线的检测方法，其特征在于，所述从所述道路图像中提取满足车道线提取条件的多个边缘点的步骤，包括：

沿预定的扫描方向遍历所述道路图像上的像素点；

将沿所述扫描方向的位于遍历到的当前像素点前向的预定数量的前向像素点的像素值求和与位于所述当前像素点后向的所述预定数量的后向像素点的像素值求和进行差值运算，以获得所述当前像素点的梯度值，其中，所述预定数量由所述车道线在所述道路图像中的像素宽度决定；

沿所述扫描方向依次选择所述梯度值的两个相邻峰值所对应的像素点作为候选对；

根据所述候选的像素值确定所述车道线的边缘点。

3.根据权利要求2所述的车道线的检测方法，其特征在于，所述根据所述候选的像素值确定所述车道线的边缘点的步骤，包括：

判断所述候选对中的两个所述像素点之间的像素间距与所述像素宽度之间的绝对差值是否小于预设阈值；

若小于所述预设阈值，则将所述候选对中的两个所述像素点作为所述车道线的边缘点。

4.根据权利要求2所述的车道线的检测方法，其特征在于，

所述像素宽度由所述车道线的实际宽度和用于拍摄所述道路图像的成像设备的成像参数预先计算获得。

5.根据权利要求1所述的车道线的检测方法，其特征在于，所述计算所述边缘点的梯度方向的步骤，包括：

将所述边缘点的自相关矩阵的最大特征值对应的特征向量的方向作为所述边缘点的梯度方向。

6.根据权利要求1所述的车道线的检测方法，其特征在于，所述根据所述梯度方向将所述多个边缘点划分至不同的边缘点集合的步骤，包括：

遍历所述边缘点；

判断遍历到的当前边缘点是否属于已生成的边缘点集合；

若不属于已生成的边缘点集合，则生成当前边缘点集合，并将所述当前边缘点划分到所述当前边缘点集合；

判断在所述当前边缘点的梯度方向的预设方向范围内是否存在下一个边缘点；

若存在所述下一个边缘点，则将所述下一个边缘点划分到所述当前边缘点集合，并将所述下一个边缘点作为所述当前边缘点，并返回所述判断在所述当前边缘点的梯度方向的预设方向范围内是否存在下一个边缘点的步骤；

若不存在所述下一个边缘点，则返回所述遍历所述边缘点的步骤。

7.根据权利要求1所述的车道线的检测方法，其特征在于，所述对所述边缘点集合进行筛选，得到最佳边缘点集合的步骤，包括：

根据所述边缘点集合中所述边缘点的梯度值与所述边缘点集合中所述边缘点的数量，得到所述车道线对应的所述最佳边缘点集合。

8.根据权利要求1所述的车道线的检测方法，其特征在于，所述根据所述最佳边缘点集合拟合出车道线的边缘曲线的步骤，包括：

将所述最佳边缘点集合中的边缘点转换到地面坐标系中，并利用扩展卡尔曼滤波对转换后的边缘点进行处理，生成所述车道线的边缘曲线。

9.一种车道线的检测装置，其特征在于，包括互相连接的存储器和处理器，其中，所述存储器用于存储计算机程序，所述计算机程序在被所述处理器执行时，用于实现权利要求1-8中任一项所述的车道线的检测方法。

10.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序在被处理器执行时，用于实现权利要求1-8中任一项所述的车道线的检测方法。

Images