CN114581890B - 确定车道线的方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了一种确定车道线的方法、装置、电子设备和存储介质，涉及人工智能领域，具体涉及计算机视觉、自动驾驶和智能交通技术领域。确定车道线的方法的具体实现方案为：将包括车道线的待检测图像输入车道线检测模型中，得到针对待检测图像的预测车道线及预测车道线的预测位置信息；根据预测位置信息，确定待检测图像中的待检测区域；以及采用线检测算法对待检测区域进行检测，获得待检测图像中包括的车道线的边缘线。

Description

确定车道线的方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能领域，具体涉及计算机视觉、自动驾驶和深度学习技术领域，尤其涉及一种确定车道线的方法、装置、电子设备和存储介质。

背景技术

随着计算机技术和网络技术的发展，计算机视觉技术在众多领域得到了广泛应用。例如，在自动驾驶领域中，需要依赖于计算机视觉技术来定位和建图等。在智能交通领域中，需要依赖于计算机视觉技术进行道路标定等。其中，车道线的提取精度会影响到道路标定、定位和建图等下游应用的稳定性。

发明内容

本公开旨在提供一种提高准确率和精度并降低复杂度的确定车道线的方法、装置、电子设备和存储介质。

根据本公开的一个方面，提供了一种确定车道线的方法，包括：将包括车道线的待检测图像输入车道线检测模型中，得到针对待检测图像的预测车道线及预测车道线的预测位置信息；根据预测位置信息，确定待检测图像中的待检测区域；以及采用线检测算法对待检测区域进行检测，获得待检测图像中包括的车道线的边缘线。

根据本公开的一个方面，提供了一种确定车道线的装置，包括：位置预测模块，用于将包括车道线的待检测图像输入车道线检测模型中，得到针对待检测图像的预测车道线及预测车道线的预测位置信息；区域确定模块，用于根据预测位置信息，确定待检测图像中的待检测区域；以及边缘线获得模块，用于采用线检测算法对待检测区域进行检测，获得待检测图像中包括的车道线的边缘线。

根据本公开的另一个方面，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本公开提供的确定车道线的方法。

根据本公开的另一个方面，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，其中，计算机指令用于使计算机执行本公开提供的确定车道线的方法。

根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现本公开提供的确定车道线的方法。

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是根据本公开实施例的确定车道线的方法和装置的应用场景示意图；

图2是根据本公开实施例的确定车道线的方法的流程示意图；

图3是根据本公开实施例的确定待检测区域的原理示意图；

图4是根据本公开另一实施例的确定待检测区域的原理示意图；

图5是根据本公开实施例的采用线检测算法获得车道线的边缘线的原理示意图；

图6是根据本公开实施例的确定车道线的装置的结构框图；以及

图7是用来实施本公开实施例的确定车道线的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。

本公开提供了一种确定车道线的方法，该方法包括位置预测阶段、区域确定阶段和车道线获得阶段。在位置预测阶段中，将包括车道线的待检测图像输入车道线检测模型中，得到针对待检测图像的预测车道线及预测车道线的预测位置信息。在区域确定阶段中，根据预测位置信息，确定待检测图像中的待检测区域。在车道线获得阶段中，采用线检测算法对待检测区域进行检测，获得待检测图像中包括的车道线的边缘线。

图1是根据本公开实施例的确定车道线的方法和装置的应用场景示意图。

如图1所示，该实施例的应用场景100可以包括车辆110，该车辆110例如可以为自动驾驶车辆。车辆110在道路上行驶时，可以根据检测到的图像信息来确定其所在车道的车道线，以根据该车道线定位和建图或者根据该车道线进行道路的标定。

在一实施例中，该车辆110上可以安装有图像采集设备。其中，图像采集设备用于采集车辆110所在环境的图像。图像采集设备例如可以包括摄像头等。该车辆110中还可以集成有电子设备，电子设备可以通过网络与图像采集设备通信连接，以获取图像采集设备采集的图像。该电子设备中可以运行有自动驾驶***，用于对车辆获取的图像进行分析，并确定车辆110所在车道的车道线。例如，图像采集设备的采集范围例如可以包括图1中的阴影部分120所覆盖的范围等。

在一实施例中，如图1所示，该应用场景100中还可以包括云端设备130，车辆110中集成的电子设备例如可以通过网络与该云端设备130通信连接。车辆中集成的电子设备例如可以将确定的车道线通过网络发送给云端设备130，以供云端设备130维护高精地图。或者，车辆中集成的电子设备可以从云端设备130获取高精地图，以结合高精地图和确定的车道线，进行路径规划和控制车辆110自动驾驶。

在一实施例中，车辆110中集成的电子设备还可以将图像采集设备所采集的图像通过网络发送给云端设备，由云端设备对图像进行分析，并确定车辆110所在车道的车道线。此种情况下，车辆110还可以为集成有辅助驾驶功能的车辆或任意车辆，只要该车辆安装有图像采集设备，且集成的电子设备具有通信功能即可。

根据本公开的实施例，车辆110中集成的电子设备或云端设备130例如可以采用以下方式来确定车辆所在车道的车道线：先借助图像采集设备的内外参将图像采集设备所采集的图像转换为鸟瞰图，然后采用线检测算法来检测鸟瞰图中的直线，将检测得到的直线作为车道线。或者，车辆110中集成的电子设备或云端设备130可以采用基于深度学习的车道线检测方法来确定车道线，具体可以将图像采集设备所采集的图像输入车道线检测模型中，由车道线检测模型输出车道线的掩码图等。其中，线检测算法可以包括霍夫线(Hough-line)检测算法、线段检测器(Line Segment Detector。LSD)、边缘绘制算法(Edge Drawinglines，EDlines)等。车道线检测模型可以包括卷积神经网络模型、多任务网络模型等，具体地可以包括实时车道检测网络(Real-Time Lane Detection Networks，LaneNet)或注意力导引型线检测器(Attention-guided Lane Detection，LaneATT)等。

需要说明的是，本公开提供的确定车道线的方法可以由车辆110中集成的电子设备执行，也可以由云端设备130执行。相应地，本公开提供的确定车道线的装置可以设置在车辆110所集成的电子设备中，也可以设置在云端设备130中。

应该理解，图1中的车辆110和云端设备130的数目和类型仅仅是示意性的。根据实现需要，可以具有任意数目和类型的车辆110和云端设备130。

以下将结合图2～图5对本公开提供的确定车道线的方法进行详细描述。

图2是根据本公开实施例的确定车道线的方法的流程示意图。

如图2所示，该实施例的确定车道线的方法200可以包括操作S210～操作S230。

在操作S210，将包括车道线的待检测图像输入车道线检测模型中，得到针对待检测图像的预测车道线及预测车道线的预测位置信息。

根据本公开的实施例，待检测图像可以为车辆上设置的图像采集设备所采集的图像。车道线检测模型可以包括前文描述的LaneNet或者LaneATT。

以车道线检测模型采用LaneNet为例，该操作S210可以将待检测图像输入LaneNet中，该LaneNet包括语义分割分支和嵌入分支。待检测图像经由语义分割分支被语义分割，待检测图像经由嵌入分支被嵌入表示。最后，LaneNet可以对两个分支的输出结果利用Mean-Shift算法进行聚类，从而输出实例分割的结果。该实例分割的结果可以为预测车道线的掩码图。根据该掩码图可以得到每条预测车道线的像素集合，该实施例通过对该像素集合中的各个像素点进行回归处理，可以得到一条预测车道线。其中，该预测车道线在待检测图像中的像素位置可以作为预测车道线的预测位置信息。可以理解的是，根据实际需求，车道线检测模型得到的掩码图可以为车道线的中心线的掩码图，也可以为车道线的边缘线的掩码图，本公开对此不做限定。

在操作S220，根据预测位置信息，确定待检测图像中的待检测区域。

根据本公开的实施例，该实施例可以根据预测位置信息，根据预定车道线宽度对预测车道线所在的位置向预测车道线的两侧进行外扩，将外扩得到的区域作为待检测区域。例如，可以将预测位置信息指示的待检测图像中的像素点为起点，向预测车道线的两侧分别外扩预定车道线宽度(例如，预定车道线宽度可以为20个像素点)，将预测位置信息所指示的像素点、外扩得到的该像素点左侧的两个像素点和右侧的两个像素点所覆盖的区域作为待检测区域。或者，该实施例可以将预测位置信息指示的像素点的预定范围内的区域作为待检测区域。预定范围可以根据实际需求进行设定，本公开对此不做限定。

可以理解的是，确定的待检测区域实质上为感兴趣区域(region of interest，ROI)。

在操作S230，采用线检测算法对待检测区域进行检测，获得待检测图像中包括的车道线的边缘线。

根据本公开的实施例，线检测算法可以包括前述的EDlines算法。具体地，该实施例可以先采用边缘检测、边缘绘制算法对待检测区域的灰度图像进行处理，生成一套像素相邻的像素链。随后，采用最小二乘直线拟合法，从生成的像素链中提取线段。最后，采用亥姆霍兹原理(Helmholtz principle)来消除提取的线段中的虚假线段，将剩余的线段作为车道线的边缘线。可以理解的是，该实施例还可以结合Canny算子和霍夫线检测算法来检测边缘线，也可以采用LSD等检测边缘线，本公开对此不做限定。

本公开实施例由于采用以下方式得到边缘线：先采用深度学习模型(车道线检测模型)来检测得到预测车道线，随后根据该预测车道线来确定待检测区域，并采用线检测算法检测该待检测区域中的线，可以有效结合深度学习模型识别车道线的优势和线检测算法检测车道线的优势。因此，该实施例的确定车道线的方法可以在提高处理效率的同时，提高提取的车道线的精度和抗干扰能力，并在一定程度上提高确定车道线的方法的泛化能力。

图3是根据本公开实施例的确定待检测区域的原理示意图。

根据本公开的实施例，在根据预测位置信息确定待检测区域时，可以先根据预测车道线的曲率半径来对预测车道线进行筛选，仅根据曲率半径较大的预测车道线来确定待检测区域。这是由于待检测图像中通常除了包括车道线外，还会包括车道两旁的环境信息。在采用车道线检测模型预测车道线时，得到的预测结果可能会受环境信息的干扰。再者，在下游应用中(定位和建图的应用中或对道路进行标定的应用中)，通常需要直线车道线。则该实施例通过为预测车道线的曲率半径设置半径阈值的方式来筛选得到接近直线的预测车道线，可以在一定程度上提高确定的待检测区域的精度，减少不必要的计算资源的消耗，且可以为下游应用提供更为精准的车道线。

如图3所示，该实施例300中，可以将待检测图像310输入车道线检测模型301中，根据车道线检测模型301输出的掩码图像得到预测车道线320和预测车道线的预测位置信息330。随后，可以根据每个预测车道线的预测位置信息，确定该每个预测车道线的曲率半径340。例如，可以根据预测位置信息确定预测车道线320的两个端点的位置和预测车道线320的中点的位置。随后，根据该两个端点和位置和中点的位置，即可计算得到预测车道线的曲率半径340。

在得到曲率半径340后，可以根据该曲率半径340从预测车道线中筛选出半径大于等于预定半径的车道线，作为目标车道线321。其中，预定半径例如可以为1000m等较大的值，通过该预定半径的设置，可以使得筛选得到的目标车道线321近似为直线。最后，可以根据该目标车道线321的预测位置信息和预定车道线宽度，确定待检测区域350。例如，可以根据该目标车道线321的预测位置信息来向目标车道线321的两侧外扩目标车道线的位置，外扩尺寸可以与预定车道线宽度正相关。该实施例可以将外扩所得到的区域作为待检测区域350。例如，可以先确定目标车道线321的预测位置信息所指示的像素点，随后确定在垂直于目标车道线321的方向上与预测位置信息所指示的像素点之间的距离小于车道线宽度的像素点。最后，将确定的所有像素点构成的区域作为待检测区域。

图4是根据本公开另一实施例的确定待检测区域的原理示意图。

根据本公开的实施例，可以直接根据车道线检测模型得到的预测车道线来确定感兴趣区域。也可以在通过曲率半径筛选预测车道线后，根据筛选得到的目标车道线和预定车道线宽度来确定感兴趣区域。以此，可以进一步提高确定的待检测区域的精度，还可以在一定程度上减少非必要计算资源的消耗。

根据本公开的实施例，在根据预定车道线宽度和目标车道线的预测位置信息来确定待检测区域时，可以采用如图4所示的实施例400来实现。具体地，该实施例400在通过前文描述的方法得到目标车道线410后，可以先将目标车道线410的位置由图像坐标系转换至车辆坐标系中。根据该车辆坐标系中的位置来确定待检测区域。通过该方式，可以避免因车道线由于透视变换而变形，导致检测得到的车道线不准确的问题。并因此，可以在一定程度上提高确定的待检测区域的精度。

具体地，该实施例可以先确定目标车道线410在车辆坐标系O-XYZ中的位置，作为第一位置信息420。随后，该实施例可以根据该第一位置信息420，确定目标车道线410的延长线与车辆坐标系中预定区域401的边界线之间的交点430。随后根据预定车道线宽度和交点430，确定待检测区域440。

例如，该实施例可以将表示目标车道线410的各个像素点的位置均转换为在车辆坐标系中的位置。其中，各个像素点的位置是指各个像素点在基于待检测图像建立的图像坐标系中的坐标值。该实施例可以对表示目标车道线410的多个像素点在车辆坐标系中的坐标值进行拟合，得到目标车道线在车辆坐标系中的表达式，该实施例可以将该表达式作为目标车道线在车辆坐标系中的第一位置信息。

例如，该实施例可以仅将目标车道线的两个端点的位置转换为车辆坐标系中的位置。根据两个端点在车辆坐标系中的位置来得到目标车道线在车辆坐标系中的表达式。以此，可以使得目标车道线在车辆坐标系中的表达式为直线表达式，有效弥补车道线因透视变换出现的变形缺陷，利于提高确定的车道线的精度。

具体地，该实施例可以先确定目标车道线的端点在图像坐标系中的第二位置信息。即，确定目标车道线的两个端点在图像坐标系中的坐标值，该坐标值通过前文描述的车道线检测模型可以预测得到。图像坐标系可以以待检测图像的左上角的顶点为原点，以平行于待检测图像的宽度方向并向右延伸的轴为横坐标轴U轴，以平行于待检测图像的高度方向并向下延伸的轴为纵坐标轴V轴。该实施例可以设定两个端点中的某个端点在图像坐标系中的坐标值为(u_c，v_c)。在得到第二位置信息后，该实施例可以根据采集待检测图像的图像采集设备的标定内参和标定外参，采用逆透视(Inverse Perspective Mapping，IPM)变换法将该第二位置信息转换为在车辆坐标系中的第三位置信息。例如，设定某个端点在车辆坐标系中的位置采用坐标值(x_b，y_b，0)来表示，则该坐标值(x_b，y_b，0)可以采用以下公式(1)计算得到：

其中，p_b为该某个端点在车辆坐标系中的坐标，R_bc为标定外参中图像采集设备相对于车辆坐标系的旋转参数，t_bc为图像采集设备相对于车辆坐标系的平移参数。K为相机内参。需要说明的是，该公式(1)中的1是为了方便计算而设置的。需要说明的是，某个端点在车辆坐标系中的位置(x_b，y_b，0)中Z轴坐标值之所以为0，是由于车辆坐标系的原点为地面上的点，且车辆坐标系的Z轴沿车辆的高度方向。

通过公式(1)，可以得到目标车道线的两个端点在车辆坐标系中的坐标值，总计得到两个坐标值，该两个坐标值可以作为第三位置信息。随后，该实施例可以根据该第三位置信息，确定第一位置信息。具体地，该实施例可以根据该两个坐标值拟合得到直线表达式，并将该直线表达式作为目标车道线在车辆坐标系中的第一位置信息。

例如，该实施例可以将采集得到待检测图像的图像采集设备所在车辆的中心点在地面上投影得到的点作为车辆坐标系O-XYZ的原点O，车辆坐标系的X轴、Y轴和Z轴分别平行于车辆的宽度方向、长度方向和高度方向。

根据本公开的实施例，车辆坐标系中的预定区域的中心点可以与车辆坐标系的原点O重合，该预定区域的宽度可以与车辆坐标系的X轴平行，预定区域的长度可以与车辆坐标系的Y轴平行。其中，宽度和长度可以根据实际需求进行设定，例如，该预定区域的宽度可以为6m，预定区域的高度可以为9m，本公开对此不做限定。在得到作为第一位置信息的后，即可确定目标车道线410的延长线与车辆坐标系中预定区域401的边界线之间的交点430，该交点430可以包括两个点。

根据本公开的实施例，该实施例可以将待检测图像中目标车道线410所在位置的预定范围内的图像均转换至车辆坐标系，从而得到针对该目标车道线410的鸟瞰图。随后，该实施例可以将目标车道线410的延长线与车辆坐标系中预定区域401的边界线之间的交点430作为基准线，对该基准线在鸟瞰图中的位置向基准线的两侧外扩，外扩宽度可以与预定车道线宽度正相关，将鸟瞰图中外扩得到的区域作为待检测区域。其中，预定范围的半径应大于外扩宽度。

图5是根据本公开实施例的采用线检测算法获得车道线的边缘线的原理示意图。

根据本公开的实施例，在采用线检测算法检测获得车道线的边缘线时，该实施例可以根据检测得到的各线段的梯度信息，对检测的得到的线段进行筛选，以过滤掉因图像边缘锐化的影响而检测到的干扰线段。提高最终确定的车道线的边缘线的精度。

如图5所示，该实施例500在得到待检测区域510后，可以先采用线检测算法520来对该待检测区域510进行检测，将检测得到的多个线段作为备选线段530。随后，该实施例可以确定备选线段530中每个线段的梯度信息540。最后，根据该梯度信息540，确定备选线段中作为边缘线的线段。

例如，该实施例可以先从每个线段中选择一个采样点，随后计算该每个线段在该选择的采样点处的梯度值，即该每个线段在该采样点处的斜率值，将该梯度值作为梯度信息。

例如，该实施例还可以采用索贝尔(Sobel)算子来确定每个线段的梯度信息。以此提高确定的梯度信息的精度。具体地，该实施例可以先从每个线段中选择一个采样点。随后，确定待检测区域510中与该采样点相邻的相邻点。例如，采样点为待检测区域510上的一个像素点，与该采样点相邻的相邻点为包围该采样点、且与该采样点的距离为一个像素的八个像素点。该采样点与八个像素点即可构成一个尺寸为3×3的像素矩阵。该实施例可以将该采样点的像素值和相邻点的像素值赋值给像素矩阵中的相应元素，随后采用Sobel算子计算该采样点所在的备选线段在该采样点处的梯度方向，可以将该梯度方向作为该采样点所在的备选线段的梯度信息。例如，设定赋值后的像素矩阵为矩阵A，则Sobel算子可以采用以下公式(2)计算梯度方向值θ：

θ＝tan^-1(G_x，G_y)。 公式(2)

其中，tan^-1()表示计算直角坐标系中点(G_x，G_y)与坐标原点之间的连线与直角坐标系中横轴之间的夹角，该夹角的取值范围为[-π，+π]。G_x、G_y分别为横向梯度值和纵向梯度值。若θ的取值为正，则梯度方向为靠近车道中心线向右的方向(例如可以为图5中左侧箭头所指向的方向，图5中的虚线为车道线的中心线，虚线两侧的实线分别为车道线的左边缘线和右边缘线)，若θ的取值为负，则梯度方向为靠近车道中心线向左的方向(例如可以为图5中右侧箭头所指向的方向)。横向梯度值和纵向梯度值别采用以下公式(3)和公式(4)计算得到：

其中，*表示平面卷积运算。公式(3)和公式(4)中等号右边第一项的3×3矩阵为Sobel算子包含的两个矩阵。

示例性的，还可以针对备选线段中的每个线段，计算该每个线段在多个采样点处的梯度值，若在该多个采样点处的梯度值基本一致，则将该每个线段作为车道线的边缘线，这是由于车道线的边缘线通常为直线。

示例性的，在得到备选线段中每个线段的梯度信息540后，可以将梯度方向相反、且彼此之间的距离接近于预定车道线宽度的两个线段作为一个车道线的两个边缘线。或者，该实施例可以根据先验信息确定根据梯度信息筛选边缘线的条件，将备选线段中满足该条件的线段作为车道线的边缘线。其中，先验信息包括预定车道线宽度、车道线的左侧边缘线的梯度方向向右，车道线的右侧边缘线的梯度方向向左，而车道线周边的非边缘线的梯度方向与该车道线的最靠近该非边缘线的边缘线的梯度方向相反等。通过该方式，可以提高确定的边缘线的精度，有效剔除因图像边缘锐化而产生的干扰线段。

例如，该实施例在将线段的梯度方向作为梯度信息540时，可以先根据梯度方向，划分备选线段530，得到两个线段组，该两个线段组可以分别为左线段组551和右线段组552。具体地，可以将备选线段530中计算得到的梯度方向值θ为正数的线段归类至左线段组551，将备选线段530中计算得到的梯度方向值θ为负数的线段归类至右线段组552。即，每个线段组中线段的梯度方向相同。

随后，该实施例可以根据针对车道线的预定关联关系和预定车道线宽度，从两个线段组中筛选得到至少一个线段对。至少一个线段对中的每个线段对包括一个属于左线段组551的线段和一个属于右线段组552的线段，以分别作为车道线的左边缘线和右边缘线。例如，针对车道线的预定关联关系可以包括：车道线的左边缘线的梯度方向相对于车道线的中心线向右，车道线的右边缘线的梯度方向相对于车道线的中心线向左，且车道线的右边缘线位于车道线的中心线的右侧，车道线的左边缘线位于车道线的中心线的左侧。

例如，针对左线段组551中的每个线段，可以查询右线段组552，确定右线段组552中是否包括与该每个线段之间的距离接近于预定车道线宽度、且位于该每个线段右侧的线段。若包括，则将该确定的线段与该每个线段构成一个线段对560。该线段对560中的线段即为车道线的一对边缘线570。

在一实施例中，在确定每个线段的梯度信息时，该实施例可以针对每个线段获取多个采样点。并采用前文描述的方法来确定该每个线段在多个采样点中每个采样点处的梯度信息，总计得到多个梯度信息。随后，根据该多个梯度信息，来确定每个线段的梯度信息。例如，可以将多个梯度信息包括的多个梯度值的平均值作为每个线段的梯度信息，或者将多个梯度信息包括的多个梯度方向值的平均值作为每个线段的梯度信息，本公开对此不做限定。通过考虑多个采样点处的梯度信息来确定每个线段的梯度信息，可以提高确定的梯度信息的精度。

基于本公开提供的确定车道线的方法，本公开还提供了一种确定车道线的装置，以下将结合图6对该装置进行详细描述。

图6是根据本公开实施例的确定车道线的装置的结构框图。

如图6所示，该实施例的确定车道线的装置600可以包括位置预测模块610、区域确定模块620和边缘线获得模块630。

位置预测模块610用于将包括车道线的待检测图像输入车道线检测模型中，得到针对待检测图像的预测车道线及预测车道线的预测位置信息。在一实施例中，位置预测模块610可以用于执行前文描述的操作S210，在此不再赘述。

区域确定模块620用于根据预测位置信息，确定待检测图像中的待检测区域。在一实施例中，区域确定模块620可以用于执行前文描述的操作S220，在此不再赘述。

边缘线获得模块630用于采用线检测算法对待检测区域进行检测，获得待检测图像中包括的车道线的边缘线。在一实施例中，边缘线获得模块630可以用于执行前文描述的操作S230，在此不再赘述。

根据本公开的实施例，边缘线获得模块630可以包括检测子模块、梯度确定子模块和线段确定子模块。检测子模块用于采用线检测算法对待检测区域进行检测，得到作为备选线段的多个线段。梯度确定子模块用于确定备选线段中每个线段的梯度信息。线段确定子模块用于根据梯度信息，确定备选线段中作为边缘线的线段。

根据本公开的实施例，梯度信息包括梯度方向；线段确定子模块可以包括线段划分单元和线段筛选单元。线段划分单元用于根据梯度方向，将备选线段划分至两个线段组，每个线段组中线段的梯度方向相同。线段筛选单元用于根据针对车道线的预定关联关系和预定车道线宽度，从两个线段组中筛选得到至少一个线段对，每个线段对包括分别属于两个线段组的两个线段，以作为待检测图像中包括的车道线的两个边缘线。

根据本公开的实施例，上述梯度确定子模块可以包括相邻点确定单元和第一梯度确定单元。相邻点确定单元用于针对备选线段中的每个线段，确定待检测区域中与每个线段中的采样点相邻的相邻点。第一梯度确定单元用于根据采样点和相邻点的像素值，确定每个线段在采样点处的梯度信息。

根据本公开的实施例，上述梯度确定子模块还可以包括梯度统计单元和第二梯度确定单元。梯度统计单元用于统计每个线段在多个点中每个点处的梯度信息，得到与多个点分别对应的多个梯度信息。第二梯度确定单元用于根据多个梯度信息，确定每个线段的梯度信息。

根据本公开的实施例，上述区域确定模块620可以包括曲率确定子模块、目标确定子模块和区域确定子模块。曲率确定子模块用于根据预测位置信息，确定预测车道线的曲率半径。目标确定子模块用于确定预测车道线中曲率半径大于等于预定半径的目标车道线。区域确定子模块用于根据目标车道线的预测位置信息和预定车道线宽度，确定待检测区域。

根据本公开的实施例，区域确定子模块可以包括位置确定单元、交点确定单元和区域确定单元。位置确定单元用于确定目标车道线在车辆坐标系中的第一位置信息。交点确定单元用于根据第一位置信息，确定目标车道线的延长线与车辆坐标系中预定区域的边界线之间的交点。区域确定单元用于根据预定车道线宽度和交点，确定待检测区域。

根据本公开的实施例，位置确定单元可以包括第一确定子单元、位置转换子单元和第二确定子单元。第一确定子单元用于确定目标车道线的端点在图像坐标系中的第二位置信息。位置转换子单元根据采集待检测图像的图像采集设备的标定内参和标定外参，采用逆透视变换法将第二位置信息转换为在车辆坐标系中的第三位置信息。第二确定子单元用于根据第三位置信息，确定第一位置信息。

需要说明的是，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、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

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7示出了可以用来实施本公开实施例的确定车道线的方法的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如确定车道线的方法。例如，在一些实施例中，确定车道线的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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的确定车道线的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行确定车道线的方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(SOC)、复杂可编程逻辑设备(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***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***、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***、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***、装置或设备使用或与指令执行***、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***、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***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***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***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。

计算机***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。其中，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(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。

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 (14)

1.一种确定车道线的方法，包括：

将包括车道线的待检测图像输入车道线检测模型中，得到针对所述待检测图像的预测车道线及所述预测车道线的预测位置信息；

根据所述预测位置信息，确定所述待检测图像中的待检测区域；以及

采用线检测算法对所述待检测区域进行检测，获得所述待检测图像中包括的车道线的边缘线；

其中，所述采用线检测算法对所述待检测区域进行检测，获得所述待检测图像中包括的车道线的边缘线包括：

采用所述线检测算法对所述待检测区域进行检测，得到作为备选线段的多个线段；

确定所述备选线段中每个线段的梯度信息；以及

根据所述梯度信息，确定所述备选线段中作为所述边缘线的线段；

其中，所述梯度信息包括梯度方向；所述根据所述梯度信息，确定所述备选线段中作为所述边缘线的线段包括：

根据所述梯度方向，将所述备选线段划分至两个线段组，每个线段组中线段的梯度方向相同；以及

根据针对车道线的预定关联关系和预定车道线宽度，从所述两个线段组中筛选得到至少一个线段对，每个线段对包括分别属于所述两个线段组的两个线段，以作为所述待检测图像中包括的车道线的两个边缘线，

其中，所述预定关联关系指示：所述车道线的两个边缘线与所述车道线的中心线之间的关联关系。

2.根据权利要求1所述的方法，其中，所述确定所述备选线段中每个线段的梯度信息包括：

针对所述备选线段中的每个线段，确定所述待检测区域中与所述每个线段中的采样点相邻的相邻点；以及

根据所述采样点和所述相邻点的像素值，确定所述每个线段在所述采样点处的梯度信息。

3.根据权利要求2所述的方法，其中，所述每个线段中的采样点包括多个点；所述确定所述备选线段中每个线段的梯度信息还包括：

统计所述每个线段在所述多个点中每个点处的梯度信息，得到与所述多个点分别对应的多个梯度信息；以及

根据所述多个梯度信息，确定所述每个线段的梯度信息。

4.根据权利要求1所述的方法，其中，所述根据所述预测位置信息，确定所述待检测图像中的待检测区域包括：

根据所述预测位置信息，确定所述预测车道线的曲率半径；

确定所述预测车道线中曲率半径大于等于预定半径的目标车道线；以及

根据所述目标车道线的预测位置信息和预定车道线宽度，确定所述待检测区域。

5.根据权利要求4所述的方法，其中，所述根据所述目标车道线的预测位置信息和预定车道线宽度，确定所述待检测区域包括：

确定所述目标车道线在车辆坐标系中的第一位置信息；

根据所述第一位置信息，确定所述目标车道线的延长线与所述车辆坐标系中预定区域的边界线之间的交点；以及

根据所述预定车道线宽度和所述交点，确定所述待检测区域。

6.根据权利要求5所述的方法，其中，所述确定所述目标车道线在车辆坐标系中的第一位置信息包括：

确定所述目标车道线的端点在图像坐标系中的第二位置信息；

根据采集所述待检测图像的图像采集设备的标定内参和标定外参，采用逆透视变换法将所述第二位置信息转换为在所述车辆坐标系中的第三位置信息；以及

根据所述第三位置信息，确定所述第一位置信息。

7.一种确定车道线的装置，包括：

位置预测模块，用于将包括车道线的待检测图像输入车道线检测模型中，得到针对所述待检测图像的预测车道线及所述预测车道线的预测位置信息；

区域确定模块，用于根据所述预测位置信息，确定所述待检测图像中的待检测区域；以及

边缘线获得模块，用于采用线检测算法对所述待检测区域进行检测，获得所述待检测图像中包括的车道线的边缘线；

其中，所述边缘线获得模块包括：

检测子模块，用于采用所述线检测算法对所述待检测区域进行检测，得到作为备选线段的多个线段；

梯度确定子模块，用于确定所述备选线段中每个线段的梯度信息；以及

线段确定子模块，用于根据所述梯度信息，确定所述备选线段中作为所述边缘线的线段；

其中，所述梯度信息包括梯度方向；所述线段确定子模块包括：

线段划分单元，用于根据所述梯度方向，将所述备选线段划分至两个线段组，每个线段组中线段的梯度方向相同；以及

线段筛选单元，用于根据针对车道线的预定关联关系和预定车道线宽度，从所述两个线段组中筛选得到至少一个线段对，每个线段对包括分别属于所述两个线段组的两个线段，以作为所述待检测图像中包括的车道线的两个边缘线，

其中，所述预定关联关系指示：所述车道线的两个边缘线与所述车道线的中心线之间的关联关系。

8.根据权利要求7所述的装置，其中，所述梯度确定子模块包括：

相邻点确定单元，用于针对所述备选线段中的每个线段，确定所述待检测区域中与所述每个线段中的采样点相邻的相邻点；以及

第一梯度确定单元，用于根据所述采样点和所述相邻点的像素值，确定所述每个线段在所述采样点处的梯度信息。

9.根据权利要求8所述的装置，其中，所述每个线段中的采样点包括多个点；所述梯度确定子模块还包括：

梯度统计单元，用于统计所述每个线段在所述多个点中每个点处的梯度信息，得到与所述多个点分别对应的多个梯度信息；以及

第二梯度确定单元，用于根据所述多个梯度信息，确定所述每个线段的梯度信息。

10.根据权利要求7所述的装置，其中，所述区域确定模块包括：

曲率确定子模块，用于根据所述预测位置信息，确定所述预测车道线的曲率半径；

目标确定子模块，用于确定所述预测车道线中曲率半径大于等于预定半径的目标车道线；以及

区域确定子模块，用于根据所述目标车道线的预测位置信息和预定车道线宽度，确定所述待检测区域。

11.根据权利要求10所述的装置，其中，所述区域确定子模块包括：

位置确定单元，用于确定所述目标车道线在车辆坐标系中的第一位置信息；

交点确定单元，用于根据所述第一位置信息，确定所述目标车道线的延长线与所述车辆坐标系中预定区域的边界线之间的交点；以及

区域确定单元，用于根据所述预定车道线宽度和所述交点，确定所述待检测区域。

12.根据权利要求11所述的装置，其中，所述位置确定单元包括：

第一确定子单元，用于确定所述目标车道线的端点在图像坐标系中的第二位置信息；

位置转换子单元，用于根据采集所述待检测图像的图像采集设备的标定内参和标定外参，采用逆透视变换法将所述第二位置信息转换为在所述车辆坐标系中的第三位置信息；以及

第二确定子单元，用于根据所述第三位置信息，确定所述第一位置信息。

13.一种电子设备，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1～6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1～6中任一项所述的方法。

Images