CN113591730B - 一种识别车道分组线的方法、装置和设备 - Google Patents

Abstract

本申请提供一种识别车道分组线的方法、装置和设备，通过提取待测车道线的车道线特征、待测车道线周围的路面元素的特征、待测车道线与待测车道线周围的路面元素的相对特征，将待测车道线的车道线特征、待测车道线周围的路面元素的特征、待测车道线与待测车道线周围的路面元素的相对特征输入已训练的机器学习模型中，输出预测结果，预测结果包括车道分组线。由于提取的车道线特征、待测车道线周围的路面元素的特征以及待测车道线与待测车道线周围的路面元素的相对特征为机器学习模型训练所用到的特征，因而在将上述特征输入已训练的机器学习模型中时，能够及时获取待测车道线中的车道分组线，从而能够高效、全面地对车道进行分组。

Description

一种识别车道分组线的方法、装置和设备

技术领域

本申请涉及汽车技术领域，尤其涉及一种识别车道分组线的方法、装置和设备。

背景技术

高精地图是一种精细化到车道线级别的导航、定位电子地图，是当前自动驾驶***中不可或缺的数据。

车道线作为高精地图中重要的一类要素，不仅需要具有较高的精度，而且制作需要严格遵循一定的规范。例如同向行驶的车道上需要对车道线进行齐打断、编号等。而车道线齐打断、编号的一个重要环节是对车道线进行分组，即将道路上的车道按上/下行、主辅路、物理隔离设施等区分方式划分为不同车道线组。

传统的车道分组方法是通过人工作业或者规则提取。但是，人工作业的方式由于存在制图成本高、效率低等问题，延缓了地图更新的速度，降低了地图的时效性。规则提取的方式在大范围制图任务中同样存在局限性，制图范围越大，场景越复杂，需要的规则无论从数量还是逻辑上都难以维护。因而，传统的车道分组方法难以高效、全面地对车道进行分组。

发明内容

本申请提供一种识别车道分组线的方法、装置和设备，用以解决传统的车道分组方法难以高效、全面地对车道进行分组问题。

第一方面，本申请提供一种识别车道分组线的方法，所述方法包括：

提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征；

将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线。

可选的，所述车道线特征包括：所述待测车道线的标识、几何长度、方向、类型和轨迹距离中的至少一种；

所述待测车道线周围的路面元素的特征包括：所述待测车道线两侧的箭头的类型，和/或，所述待测车道线两侧的车道线的数量、类型、宽度、和方向中的至少一个；

所述车道线特征与所述待测车道线周围的路面元素的相对特征包括：用于标识所述待测车道线拓扑连接关系的邻接矩阵，和/或，所述待测车道线与最邻近路面标识的距离，和/或，所述待测车道线两侧且与所述待测车道线相邻的车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差中的至少一种。

可选的，将所述待测车道线的相应特征输入所述机器学习模型之前，所述方法还包括：

采集训练数据集，所述训练数据集中的每条车道线数据具有对应的第一标签，所述第一标签包括分组线或非分组线；

从所述训练数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征；

将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练。

可选的，将所述待测车道线的相应特征输入所述机器学习模型之前，所述方法还包括：

采集测试数据集，所述测试数据集中的每条车道线数据具有对应的第二标签，所述第二标签包括分组线或非分组线；

从所述测试数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征；

将所述第二标签以及从所述测试数据集中提取的相应特征输入训练后的机器学习模型中进行验证。

可选的，所述采集训练数据集之后，所述方法还包括：

将训练数据集中的每条车道线数据的第一标签组合并用向量表示，获取所述训练数据集的标签向量；

获取训练数据集中的每个相应特征的第一特征向量，将每个车道线的相应特征的第一特征向量合并，获得第一特征矩阵；

相应地，所述将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练，具体包括：

将所述训练数据集的标签向量以及所述第一特征矩阵输入建立的机器学习模型中进行训练。

可选的，所述相应特征包括离散特征和连续特征；

所述获取训练数据集中的每个相应特征的第一特征向量，将每个车道线的相应特征的第一特征向量合并，获得第一特征矩阵，具体包括：

对所述离散特征采用独热编码处理，以将所述离散特征转换为二元特征，将所述二元特征组合成二进制向量，以获得所述离散特征的第一特征向量；

对所述连续特征进行标准化处理，以使所述连续特征的特征向量中的所有数值处于特定区间范围内，以获得所述连续特征的第一特征向量；

将所述离散特征的第一特征向量和所述连续特征的第一特征向量合并，获得第一特征矩阵。

可选的，所述采集测试数据集之后，所述方法还包括：

将测试数据集中的每条车道线数据的第二标签组合并用向量表示，获取所述测试数据集中的标签向量；

获取测试数据集中的每个相应特征的第二特征向量，将每个车道线的相应特征的第二特征向量合并，获得第二特征矩阵；

相应地，所述将所述第二标签以及从测试数据集中提取的相应特征输入训练后的机器学习模型中进行验证，具体包括：

将所述测试数据集的标签向量以及所述第二特征矩阵输入训练后的机器学习模型中进行验证。

可选的，所述机器学习模型包括支持向量机模型；

所述将所述训练集的标签向量以及所述第一特征矩阵输入建立的机器学习模型中进行训练，具体包括：

将所述训练集的标签向量以及所述第一特征矩阵输入参数初始化的支持向量机模型中进行训练；

将所述测试数据集的标签向量以及所述第二特征矩阵输入训练后的机器学习模型中进行验证，具体包括：

将所述测试数据集的标签向量以及所述第二特征矩阵输入所述训练后的支持向量机模型中，输出所述测试数据集的预测结果；

将所述测试数据集的预测结果与所述测试集的标签向量进行对比。

可选的，若所述测试数据集的预测结果与所述测试数据集的标签向量的对比结果大于等于预设值，则保存所述支持向量机模型；

若所述测试数据集的预测结果与所述测试数据集的标签向量的对比结果小于预设值，则对所述参数初始化的支持向量机模型的超参数进行调整，直至所述对比结果大于等于预设值。

可选的，所述训练数据集的数据大于所述验证数据集的数据。

可选的，所述待测车道线包括与车道线分组线具有拓扑关系的车道线；

在获取所述车道分组线之后，所述方法还包括：

将所述待测车道线输入图模型中，输出与所述车道分组线具有拓扑关系的分组线；

将所述车道分组线以及所述与所述车道分组线具有拓扑关系的分组线作为最终的车道分组线。

可选的，在将所述待测车道线输入图模型之前，所述方法还包括：

以已知车道线的端点为顶点，所述已知车道线为边建立图模型数据，通过每个所述顶点的度得到各条相连的边，建立边之间的连接关系，以获得所述图模型，所述已知车道线是与车道分组线具有拓扑连接的车道线。

第二方面，本申请提供一种识别车道分组线的装置，所述装置包括：

提取模块，用于提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征；

控制模块，用于将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线。

第三方面，本申请提供一种电子设备，包括：存储器和处理器；

存储器用于存储程序指令；处理器用于调用存储器中的程序指令执行第一方面及第一方面任一种可能的设计中的识别车道分组线的方法。

第四方面，本申请提供一种可读存储介质，可读存储介质中存储有计算机指令，当电子设备的至少一个处理器执行该计算机指令时，电子设备执行第一方面及第一方面任一种可能的设计中的识别车道分组线的方法。

第五方面，本申请提供一种计算机程序产品，所述计算机程序产品包括计算机指令，当电子设备的至少一个处理器执行该计算机指令时，电子设备执行第一方面及第一方面任一种可能的设计中的识别车道分组线的方法。

本申请提供的一种识别车道分组线的方法，通过提取待测车道线的车道线特征、待测车道线周围的路面元素的特征、待测车道线与待测车道线周围的路面元素的相对特征，将待测车道线的车道线特征、待测车道线周围的路面元素的特征、待测车道线与待测车道线周围的路面元素的相对特征输入已训练的机器学习模型中，输出预测结果，预测结果包括车道分组线。由于提取的车道线特征、待测车道线周围的路面元素的特征以及待测车道线与待测车道线周围的路面元素的相对特征为机器学习模型训练所用到的特征，因而在将上述特征输入已训练的机器学习模型中时，能够及时获取待测车道线中的车道分组线，从而能够高效、全面地对车道进行分组。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。

图1为本申请一实施例提供的识别车道分组线的方法的流程图；

图2为本申请另一实施例提供的识别车道分组线的方法的流程图；

图3为本申请另一实施例提供的识别车道分组线的方法的流程图；

图4为本申请另一实施例提供的识别车道分组线的方法的流程图；

图5为本申请一实施例提供的识别车道分组线的装置的结构示意图；

图6为本申请一实施例提供的电子设备的硬件结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。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。

目前自动驾驶成为汽车领域重要的产业趋势，但是由于其涉及和覆盖的产业链环节较多导致进展缓慢，而高精地图成为自动驾驶发展的关键环节。高精地图是一种精细化到车道线级别的导航、定位电子地图。车道线作为高精地图中重要的一类要素，不仅需要具有较高的精度，而且制作需要严格遵循一定的规范。例如同向行驶的车道上需要对车道线进行齐打断、编号等。齐打断、编号是指将不同道路隔开，然后对不同道路上的车道线分别进行编号，例如道路1包括车道线1、车道线2，道路2包括车道线1、车道线2、车道线3等。

传统的车道分组方法是通过人工作业或者规则提取。但是，人工作业的方式由于存在制图成本高、效率低等问题，延缓了地图更新的速度，降低了地图的时效性。规则提取的方式在大范围制图任务中同样存在局限性，制图范围越大，场景越复杂，需要的规则无论从数量还是逻辑上都难以维护。因而，传统的车道分组方法难以高效、全面地对车道进行分组。

针对上述问题，本申请提出了一种识别车道分组线的方法，通过提取待测车道线的相应特征，相应特征包括：待测车道线的车道线特征、待测车道线周围的路面元素的特征、待测车道线与待测车道线周围的路面元素的相对特征，将待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，预测结果包括车道分组线。由于机器学习模型通过车道分组线的相应特征，以及车道非分组线的相应特征进行训练，因而将待测车道线的相应特征输入已训练的机器学习模型中时，能够及时获取待测车道线中的车道分组线，从而能够高效、全面地对车道进行分组。

下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

服务器提取待测车道线的车道线特征、待测车道线周围的路面元素的特征以及车道线特征与周围的路面元素的相对特征，而后服务器将待测车道线的车道线特征、待测车道线周围的路面元素的特征、待测车道线与待测车道线周围的路面元素的相对特征输入已训练的机器学习模型中，机器学习模型输出预测结果，预测结果包括车道分组线，从而获取待测车道线中的车道分组线。

图1示出了本申请一实施例提供的一种识别车道分组线的方法的流程图。本实施例的方法可以包括如下步骤：

S101、提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征。

待测车道线的数量可以为一条或多条，例如可以包括一条车道分组线，可以包括一条车道非分组线，也可以包括一条车道分组线和一条车道非分组线，也可以包括一条车道非分组线和多条车道分组线，也可以包括一条车道分组线和多条车道分组线，也可以包括多条车道分组线和多条车道非分组线。

由于待测车道线中包括车道分组线和/或车道非分组线，因而提取的待测车道线的车道线特征包括车道分组线的车道线特征和/或车道非分组线的车道线特征，提取的待测车道线周围的路面元素的特征包括车道分组线周围的路面元素的特征和/或车道非分组线周围的路面元素的特征，提取的待测车道线与待测车道线周围的路面元素的相对特征包括车道分组线与车道分组线周围的路面元素的相对特征和/或车道非分组线与车道非分组线周围的路面元素的相对特征。

待测车道线的车道线特征可以包括待测车道线的标识、几何长度、方向、类型和轨迹距离中的至少一个。例如包括标识和几何长度。标识例如可以为ID。几何长度可以是待测车道线的路线长度。方向例如可以为东-西方向、南-北方向、东南-西北方向或东北-西南方向。类型例如可以为白色实线、单黄实线、双黄实线或黄色虚实线。轨迹距离是指待测车道线两个端点的距离。

待测车道线周围的路面元素包括：待测车道线两侧的箭头的类型，和/或待测车道线两侧的车道线的数量、类型、宽度、和方向中的至少一个。例如，可以包括待测车道线两侧的车道线的数量，可以包括待测车道线两侧的箭头的类型，可以包括待测车道线两侧的车道线的数量和待测车道线两侧的箭头的类型。箭头的类型例如可以为直行、左拐、右拐、掉头、直行+左拐、直行+右拐等。

车道线特征与待测车道线周围的路面元素的相对特征包括：用于表示待测车道线拓扑连接关系的邻接矩阵，和/或，待测车道线与最邻近路面标识的距离，和/或，待测车道线两侧且与待测车道线相邻的车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差中的至少一种。例如，可以包括用于表示待测车道线拓扑连接关系的邻接矩阵，也可以包括待测车道线与最邻近路面标识的距离和待测车道线两侧且与待测车道线相邻的车道线的相对位置关系、宽度比。

用于标识待测车道线拓扑连接关系的邻近矩阵，是指以待测车道线的端点为顶点，以待测车道线为边，通过每个顶点的度得到各条相连的边，建立边之间的连接关系。待测车道线最邻近路面标识例如可以待测车道线最邻近的路沿石、建筑物或指示牌。待测车道线两侧且与待测车道线相邻的车道线例如可以是待测车道线左侧最邻近的车道线和右侧最邻近的车道线，为了便于描述，将待测车道线左侧最邻近的车道线称为第一车道线，将待测车道线右侧最邻近的车道线称为第二车道线，相应地，待测车道线两侧且与待测车道线相邻的车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差为第一车道线和第二车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差。

S102、将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线。

由于机器学习模型在训练过程中利用车道分组线的相应特征，以及车道非分组线的相应特征。因而，将待测车道线的车道线特征、待测车道线周围的路面元素的特征以及待测车道线与待测车道线周围的路面元素的相对特征输入已训练的机器学习模型中时，机器学习模型能够输出待测车道线中的车道分组线和车道非分组线。

本申请提供的识别车道分组线的方法，通过将待测车道线的车道线特征、待测车道线周围的路面元素的特征，以及待测车道线与待测车道线周围的路面元素的相对特征输入已训练的机器学习模型中时，能够及时获取待测车道线中的车道分组线，从而能够高效、全面地对车道进行分组。

图2示出了本申请一实施例提供的一种识别车道分组线的方法的流程图。本实施例的方法可以包括如下步骤：

S201、采集训练数据集，所述训练数据集中的每条车道线数据具有对应的第一标签，所述第一标签包括分组线或非分组线。

采集训练数据集，训练数据集包括多条车道线数据，每一条车道线数据具有对应的第一标签，第一标签包括分组线或非分组线，即训练数据集中包括车道分组线数据和车道非分组线数据，且车道分组线数据具有对应的分组线标签，车道非分组线数据具有对应分非分组线标签。

S202、从所述训练数据集中的每条车道线数据中提取相应特征。

从训练数据集中的每条车道线数据中提取相应特征，即从每一条车道分组线中提取分组线的相应特征，从每一条非分组线中提取非分组线的相应特征。此处的相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征。此处的当前车道线可以理解为训练集中的任意一条车道线。

此处的车道线特征包括：当前车道线的标识、几何长度、方向、类型和轨迹距离中的至少一种；当前车道线周围的路面元素的特征包括：当前车道线两侧的箭头的类型，和/或当前车道线两侧的车道线的数量、类型、宽度、和方向中的至少一个；车道线特征与当前车道线周围的路面元素的相对特征包括：用于标识当前车道线拓扑连接关系的邻接矩阵，和/或当前车道线与最邻近路面标识的距离，和/或当前车道线两侧且与当前车道线相邻的车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差中的至少一种。

S203、将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练。

将分组线的车道线特征和非分组线的车道线特征输入建立的机器学习模型中进行训练，同时将第一标签输入机器学习模型中，可以理解的是，输入机器学习模型的相应特征具有对应的第一标签，机器学习模型能够得知其所述利用的相应特征为车道分组线的特征或是车道非分组线的特征。

S204、提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征。

S205、将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线。

本实施例中步骤S201与步骤S204，并不受所描述的动作顺序的限制，步骤S201与步骤S204可以采用其他顺序或者同时进行。

其中，步骤S204与S101实现方式类似，步骤S205与S102实现方式类似，本实施例此处不再赘述。

本申请提供的识别车道分组线的方法，通过将车道分组线的相应特征及对应的分组线标签，以及车道非分组线的相应特征及对应的非分组线标签输入机器学习模型中进行训练，使得机器学习模型根据待测车道线的车道线特征、待测车道线周围的路面元素的特征，以及待测车道线与待测车道线周围的路面元素的相对特征，便可以输出待测车道线中的车道分组线，从而能够高效、全面地对车道进行分组。

图3示出了本申请一实施例提供的一种识别车道分组线的方法的流程图。本实施例的方法可以包括如下步骤：

S301、采集训练数据集，所述训练数据集中的每条车道线数据具有对应的第一标签，所述第一标签包括分组线或非分组线。

S302、从所述训练数据集中的每条车道线数据中提取相应特征。

S303、将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练。

其中，步骤S301与S201实现方式类似，步骤S302与S202实现方式类似，步骤S303与S203实现方式类似，本实施例此处不再赘述。

S304、采集测试数据集，所述测试数据集中的每条车道线数据具有对应的第二标签，所述第二标签包括分组线或非分组线。

采集测试数据集，测试数据集包括多条车道线数据，每一条车道线数据具有对应的第二标签，第二标签包括分组线或非分组线，即测试数据集中包括车道分组线数据和车道非分组线数据。

S305、从所述测试数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征。

从测试数据集中的每条车道线数据中提取相应特征，此处的相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征。此处的当前车道线可以理解为测试数据集中的任意一条车道线。

此处的车道线特征包括：当前车道线的标识、几何长度、方向、类型和轨迹距离中的至少一种；当前车道线周围的路面元素的特征包括：当前车道线两侧的箭头的类型，和/或当前车道线两侧的车道线的数量、类型、宽度、和方向中的至少一个；车道线特征与当前车道线周围的路面元素的相对特征包括：用于标识当前车道线拓扑连接关系的邻接矩阵，和/或当前车道线与最邻近路面标识的距离，和/或当前车道线两侧且与当前车道线相邻的车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差中的至少一种。

S306、将所述第二标签以及测试数据集中提取的相应特征输入训练后的机器学习模型中进行验证。

将测试数据集中的分组线的相应特征、非分组线的相应特征以及对应的第二标签输入训练的机器学习模型中进行验证，机器学习模型输出预测结果，将预测结果与第二标签进行比对，得到机器学习模型在测试集上的效果。若比对结果大于等于预设精度，例如预测结果的正确率大于95％，则表明机器学习模型可以用于识别车道分组线，若比对结果小于预设精度，则表明还需要对机器学习模型进行调整。本实施例中，测试数据集的数据可以大于测试数据集的数据，例如测试数据集的数据是训练数据集的数据的三倍或四倍。

S307、提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征。

S308、将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线。

其中，步骤S307与S101实现方式类似，步骤S308与S102实现方式类似，本实施例此处不再赘述。

本实施例中步骤S301与步骤S307，并不受所描述的动作顺序的限制，步骤S301与步骤S307可以采用其他顺序或者同时进行。

本申请提供的识别车道分组线的方法，在利用训练数据集中的相应特征对机器学习模型进行训练后，再利用验证数据集中的相应特征对机器学习模型进行验证，以提高机器学习模型的预测结果。

图4示出了本申请一实施例提供的一种识别车道分组线的方法的流程图。本实施例的方法可以包括如下步骤：

S401、采集训练数据集，所述训练数据集中的每条车道线数据具有对应的第一标签，所述第一标签包括分组线或非分组线。

S402、从所述训练数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征。

S403、将训练数据集中的每条车道线数据的第一标签组合并用向量表示，获取所述训练数据集的标签向量。

将训练数据集中的每条车道线数据的第一标签组合并用向量表示，向量的维度为训练数据集中车道线数量，例如，训练数据集中包括五条车道线，记为第一车道线、第二车道线、第三车道线、第四车道线和第五车道线，第一车道线为车道分组线，第二车道线为车道分组线，第三车道线为车道非分组线，第四车道线为车道非分组线，第五车道线为车道分组线，将标签数值化，分组线标签记为1，非分组线标签记为0，则五条车道线组合起来并用向量表示后的形式为{1，1，0，0，1}，即训练数据集的标签向量为{1，1，0，0，1}。

本实施例中步骤S402与步骤S403，并不受所描述的动作顺序的限制，步骤S402与步骤S403可以采用其他顺序或者同时进行。

S404、获取训练数据集中的每个相应特征的第一特征向量，将每个相应特征的第一特征向量合并，获得第一特征矩阵。

在步骤S402中，从训练数据集中的每条车道线数据中提取相应特征，每条车道线数据可以提取多个相应特征，且训练数据集中包括多条车道线，因而可以从训练数据集中提取多个相应特征。

而后，获取每一个相应特征的第一特征向量，第一特征向量的维度为数据集中的车道线条数。例如，相应特征为当前车道线周围的路面元素的特征中的当前车道线两侧的车道线的数量。具体的，首先计算训练数据集中的每条车道线的两侧的车道线数量，例如第一车道线两侧的车道线数量为5，第二车道线两侧的车道线数量为3，第三车道线两侧的车道线数量为4，第四车道线两侧的车道线数量为5，第五车道线两侧的车道线数量为4。而后，将每条车道线两侧的车道线数量的数值组合起来形成一个向量，即{5，3，4，5，4}，则获取当前车道线两侧的车道线的数量的特征向量为{5，3，4，5，4}。

而后，将每个相应特征的第一特征向量合并，获得第一特征矩阵。具体的，向所有的相应特征的第一特征向量在列方向上按照特征组合顺序进行叠加成第一特征矩阵，第一特征矩阵的列数代表测试数据集中的车道线条数，第一特征矩阵的行数代表相应特征的数量。

本实施例中，相应特征包括离散特征和连续特征，对离散特征采用独热编码处理，以将离散特征转换为二元特征，将二元特征组合成二进制向量，获得离散特征的第一特征向量。对连续特征进行标准化处理，以使连续特征的特征向量中的所有数值处于特定区间范围内，获得连续特征的第一特征向量。将离散特征的第一特征向量与连续特征的第一特征向量合并，获得第一特征矩阵。

离散特征例如是当前车道线两侧的箭头的类型当前车道线两侧的车道线的类型可以为直行、左拐、右拐、掉头、直行+左拐、直行+右拐等，假如当前车道线两侧的箭头的类型有m种取值，独热编码能够种取值转化为m个二元特征(用0或1表示)，然后将m个二元特征组合成一个二进制向量，从而使得当前车道线两侧的箭头的类型这一相应特征能够用对应的二进制向量表达。例如获得的当前车道线两侧的箭头的类型的特征向量为{1,0，0，1，1}。

连续特征例如是当前车道线两侧的车道线的数量，可以对该连续特征的特征向量进行标准化处理，将特征向量中的所有数值落入特定的区间范围内，获得连续特征的第一特征向量。例如，获得的当前车道线两侧的车道线的数量的特征向量为{5，3，4，5，4}，将该特征向量按比例缩放，使得该特征向量为{1，0.6，0.8，1，0.8}，以避免对机器学习模型参数造成影响。将当前车道线两侧的车道线的数量的特征向量与当前车道线两侧的箭头的类型的特征向量合并，获得的第一特征矩阵为

S405、将所述训练数据集的标签向量以及所述第一特征矩阵输入建立的机器学习模型中进行训练。

将训练数据集的标签向量以及第一特征矩阵同时输入建立的机器学习模型中进行训练。机器学习模型学习训练数据集中的相应特征的特征向量和相应特征的对应标签后，能够对不含标签的数据进行判定，以识别车道分组线。

S406、采集测试数据集，所述测试数据集中的每条车道线数据具有对应的第二标签，所述第二标签包括分组线或非分组线。

S407、从所述测试数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征。

其中，步骤S406与S304实现方式类似，步骤S407与S305实现方式类似，在此不再赘述。

S408、将测试数据集中的每条车道线数据的第二标签组合并用向量表示，获取所述测试数据集中的标签向量。

S409、获取测试数据集中的每个相应特征的第二特征向量，将所述第二特征向量合并，获得第二特征矩阵。

其中，步骤S408与S403实现方式类似，步骤S409与S404实现方式类似，在此不再赘述。

S410、将所述测试数据集的标签向量以及所述第二特征矩阵输入训练后的机器学习模型中进行验证。

机器学习模型可以选择支持向量机(SVM)模型，SVM模型作为经典的二分类模型，在小样本、高纬度特征、非线性问题的处理上有较强的优势。可以先通过sklearn库获取一个所有参数初始化的SVM模型。而后，将训练集的标签向量以及第一特征矩阵输入参数初始化的支持向量机模型中进行训练。而后，将测试数据集的标签向量以及第二特征矩阵输入训练后的支持向量机模型中，输出测试数据集的预测结果。随后，将测试数据集的预测结果与测试数据集的标签向量进行对比，如果对比结果大于等于预设精度，则说明训练后的SVM模型符合要求，如果对比结果小于预设精度，需要对模型的超参数进行调整，例如SVM算法中的C参数与gamma参数，C参数是一个限制过拟合的惩罚项，gamma参数控制RBF核的宽度，通过调整C参数核gamma参数，直至测试数据集的预测结果与测试数据集的标签向量对比后获得的对比结果达到预设精度。

S411、提取待测车道线的车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征。

S412、将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线。

本实施例中，待测车道线中包括与车道分组线具有拓扑连接关系的车道线，因而在将待测车道输入机器学习模型获得车道分组线后，还可以将待测车道线输入图模型中，通过图模型获得与车道分组线具有拓扑连接关系的车道线，而后将机器学习模型输出的车道分组线与图模型输出的与车道分组线具有拓扑连接关系的车道线作为最终的车道分组线。

图模型就是图数据结构应用于车道线矢量数据的实现，在将待测车道线输入图模型之前，以已知车道线端点为顶点，该已知车道线为边建立图数据结构，通过每个顶点的度来得到各条相连的边，建立边之间的连接关系，以获得图模型。已知车道线为与车道分组线具有拓扑连接关系的车道线，由于图模型是通过与车道分组线具有拓扑连接关系的车道线进行训练的，因而图模型能够反映各车道线的拓扑连接关系，将待测车道线输入图模型之后，能够得到与车道分组线具有拓扑连接关系的车道线。

图5示出了本申请一实施例提供的一种识别车道分组线的装置的结构示意图，本实施例的识别车道分组线的装置10包括：

提取模块11，用于提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征；

控制模块12，用于将所述待测车道线的车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线。

本申请实施例提供的识别车道分组线的装置10，可执行上述方法实施例，其具体实现原理和技术效果，可参见上述方法实施例，本实施例此处不再赘述。

图6示出了本申请实施例提供的一种电子设备的硬件结构示意图。如图6所示，该电子设备20，用于实现上述任一方法实施例中对应于电子设备的操作，本实施例的电子设备20可以包括：存储器21，处理器22和通信接口23。

存储器21，用于存储计算机指令。

处理器22，用于执行存储器存储的计算机指令，以实现上述实施例中的识别车道分组线的方法。具体可以参见前述方法实施例中的相关描述。

可选地，存储器21既可以是独立的，也可以跟处理器22集成在一起。

通信接口23，可以与处理器21连接。

本实施例提供的电子设备可用于执行上述的识别车道分组线的方法，其实现方式和技术效果类似，本实施例此处不再赘述。

本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，计算机指令被处理器执行时用于实现上述的各种实施方式提供的方法。

本申请还提供一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中。设备的至少一个处理器可以从计算机可读存储介质中读取该计算机指令，至少一个处理器执行该计算机指令使得设备实施上述的各种实施方式提供的方法。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (13)

1.一种识别车道分组线的方法，其特征在于，所述方法包括：

提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征，所述车道线特征包括： 所述待测车道线的标识、几何长度、方向、类型和轨迹距离中的至少一种；所述待测车道线周围的路面元素的特征包括：所述待测车道线两侧的箭头的类型，和/或，所述待测车道线两侧的车道线的数量、类型、宽度、和方向中的至少一个；所述车道线特征与所述待测车道线周围的路面元素的相对特征包括：用于标识所述待测车道线拓扑连接关系的邻接矩阵，和/或，所述待测车道线与最邻近路面标识的距离，和/或，所述待测车道线两侧且与所述待测车道线相邻的车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差中的至少一种；

将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线，所述机器学习模型训练所用到的特征包括车道线特征、待测车道线周围的路面元素的特征以及待测车道线与待测车道线周围的路面元素的相对特征。

2.根据权利要求1所述的方法，其特征在于，将所述待测车道线的相应特征输入所述机器学习模型之前，所述方法还包括：

采集训练数据集，所述训练数据集中的每条车道线数据具有对应的第一标签，所述第一标签包括分组线或非分组线；

从所述训练数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征；

将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练。

3.根据权利要求2所述的方法，其特征在于，将所述待测车道线的相应特征输入所述机器学习模型之前，所述方法还包括：

采集测试数据集，所述测试数据集中的每条车道线数据具有对应的第二标签，所述第二标签包括分组线或非分组线；

从所述测试数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征；

将所述第二标签以及从所述测试数据集中提取的相应特征输入训练后的机器学习模型中进行验证。

4.根据权利要求3所述的方法，其特征在于，所述采集训练数据集之后，所述方法还包括：

将训练数据集中的每条车道线数据的第一标签组合并用向量表示，获取所述训练数据集的标签向量；

获取训练数据集中的每个相应特征的第一特征向量，将每个车道线的相应特征的第一特征向量合并，获得第一特征矩阵；

相应地，所述将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练，具体包括：

将所述训练数据集的标签向量以及所述第一特征矩阵输入建立的机器学习模型中进行训练。

5.根据权利要求4所述的方法，其特征在于，所述相应特征包括离散特征和连续特征；

所述获取训练数据集中的每个相应特征的第一特征向量，将每个车道线的相应特征的第一特征向量合并，获得第一特征矩阵，具体包括：

对所述离散特征采用独热编码处理，以将所述离散特征转换为二元特征，将所述二元特征组合成二进制向量，以获得所述离散特征的第一特征向量；

对所述连续特征进行标准化处理，以使所述连续特征的特征向量中的所有数值处于特定区间范围内，以获得所述连续特征的第一特征向量；

将所述离散特征的第一特征向量和所述连续特征的第一特征向量合并，获得第一特征矩阵。

6.根据权利要求4所述的方法，其特征在于，所述采集测试数据集之后，所述方法还包括：

将测试数据集中的每条车道线数据的第二标签组合并用向量表示，获取所述测试数据集中的标签向量；

获取测试数据集中的每个相应特征的第二特征向量，将每个车道线的相应特征的第二特征向量合并，获得第二特征矩阵；

相应地，所述将所述第二标签以及从测试数据集中提取的相应特征输入训练后的机器学习模型中进行验证，具体包括：

将所述测试数据集的标签向量以及所述第二特征矩阵输入训练后的机器学习模型中进行验证。

7.根据权利要求6所述的方法，其特征在于，所述机器学习模型包括支持向量机模型；

所述将所述训练数据集的标签向量以及所述第一特征矩阵输入建立的机器学习模型中进行训练，具体包括：

将所述训练数据集的标签向量以及所述第一特征矩阵输入参数初始化的支持向量机模型中进行训练；

将所述测试数据集的标签向量以及所述第二特征矩阵输入训练后的机器学习模型中进行验证，具体包括：

将所述测试数据集的标签向量以及所述第二特征矩阵输入所述训练后的支持向量机模型中，输出所述测试数据集的预测结果；

将所述测试数据集的预测结果与所述测试数据集的标签向量进行对比。

8.根据权利要求7所述的方法，其特征在于，若所述测试数据集的预测结果与所述测试数据集的标签向量的对比结果大于等于预设值，则保存所述支持向量机模型；

若所述测试数据集的预测结果与所述测试数据集的标签向量的对比结果小于预设值，则对所述参数初始化的支持向量机模型的超参数进行调整，直至所述对比结果大于等于预设值。

9.根据权利要求3所述的方法，其特征在于，所述训练数据集的数据大于所述测试数据集的数据。

10.根据权利要求1所述的方法，其特征在于，所述待测车道线包括与车道线分组线具有拓扑关系的车道线；

在获取所述车道分组线之后，所述方法还包括：

将所述待测车道线输入图模型中，输出与所述车道分组线具有拓扑关系的分组线；

将所述车道分组线以及所述与所述车道分组线具有拓扑关系的分组线作为最终的车道分组线。

11.根据权利要求10所述的方法，其特征在于，在将所述待测车道线输入图模型之前，所述方法还包括：

以已知车道线的端点为顶点，所述已知车道线为边建立图模型数据，通过每个所述顶点的度得到各条相连的边，建立边之间的连接关系，以获得所述图模型，所述已知车道线是与车道分组线具有拓扑连接的车道线。

12.一种识别车道分组线的装置，其特征在于，所述装置包括：

提取模块，用于提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征，所述车道线特征包括： 所述待测车道线的标识、几何长度、方向、类型和轨迹距离中的至少一种；所述待测车道线周围的路面元素的特征包括：所述待测车道线两侧的箭头的类型，和/或，所述待测车道线两侧的车道线的数量、类型、宽度、和方向中的至少一个；所述车道线特征与所述待测车道线周围的路面元素的相对特征包括：用于标识所述待测车道线拓扑连接关系的邻接矩阵，和/或，所述待测车道线与最邻近路面标识的距离，和/或，所述待测车道线两侧且与所述待测车道线相邻的车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差中的至少一种；

控制模块，用于将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线，所述机器学习模型训练所用到的特征包括车道线特征、待测车道线周围的路面元素的特征以及待测车道线与待测车道线周围的路面元素的相对特征。

13.一种电子设备，其特征在于，所述设备，包括：存储器，处理器；

所述存储器用于存储计算机指令；所述处理器用于根据所述存储器存储的计算机指令，实现如权利要求1至11中任意一项所述的识别车道分组线的方法。