【技術實現步驟摘要】
本申請屬于汽車，尤其涉及一種車道線檢測方法、裝置、車載終端及介質。
技術介紹
1、在自動駕駛感知系統中，為了確保整車功能的正常運行，需要對道路環境進行識別理解，檢測車道線和道路邊沿。
2、在車輛行駛時，現有技術通常是基于深度學習的方式來實時檢測車道線，即將采集到的包含車道線的圖像輸入至深度學習模型進行處理，以得到車道線信息。然而，現有技術在一些特定的場景下效果不夠理想，攝像頭屬于被動傳感器，對光源和陰影的抗干擾能力弱，比如在黑夜光線不好的情況、進出隧道光線變化、早晨傍晚順光逆光等場景下，對車道線的檢測容易出現誤差，降低了對車道線的檢測準確率。
技術實現思路
1、本申請實施例提供了一種車道線檢測方法、裝置、車載終端及介質，提高了對車道線的檢測準確率。
2、第一方面，本申請實施例提供了一種車道線檢測方法，包括：
3、獲取目標道路的點云數據、道路信息以及車輛在所述目標道路行駛時采集到的包含車道線的圖像；
4、將所述圖像輸入至已訓練的車道線檢測模型進行處理，得到所述目標道路的第一車道線信息；
5、根據所述點云數據和所述道路信息，確定所述目標道路的第二車道線信息；
6、根據所述第一車道線信息和所述第二車道線信息，確定所述目標道路的車道線檢測結果。
7、可選的，所述點云數據包括每幀點云的高度信息；所述根據所述點云數據和所述道路信息，確定所述目標道路的第二車道線信息，包括：
8、根據所述每幀點云的高度
9、根據所述路面點云和所述道路信息，確定所述第二車道線信息。
10、可選的，所述道路信息包括所述目標道路的路沿特征、車道線點云反射率以及地面反射率；所述根據所述路面點云和所述道路信息，確定所述第二車道線信息，包括：
11、根據所述路沿特征確定所述目標道路的道路邊界；
12、根據所述路面點云、所述道路邊界，以及所述車道線點云反射率和所述地面反射率之間的差異信息，確定所述目標道路的車道線點云，以得到所述第二車道線信息。
13、可選的，所述第一車道線信息指所述目標道路中的車道線在車輛坐標系下的第一坐標信息；所述第二車道線信息指所述目標道路中的車道線在全局坐標系下的第二坐標信息；所述根據所述第一車道線信息和所述第二車道線信息，確定所述目標道路的車道線檢測結果，包括：
14、對所述第二坐標信息進行坐標轉換，得到所述第二坐標信息在所述車輛坐標系下對應的第三坐標信息；
15、對所述第一坐標信息和所述第三坐標信息進行匹配，并根據所述匹配的結果確定所述車道線檢測結果。
16、可選的，所述對所述第二坐標信息進行坐標轉換，得到所述第二坐標信息在所述車輛坐標系下對應的第三坐標信息，包括：
17、獲取在所述圖像對應的拍攝時間下，所述車輛的位姿信息；
18、根據所述位姿信息確定所述車輛的行駛方向；
19、根據所述第一坐標信息確定所述車道線的檢測長度；
20、根據所述行駛方向和所述檢測長度確定所述目標道路的車道線檢測范圍；
21、對所述第二坐標信息中處于所述車道線檢測范圍內的第四坐標信息進行坐標轉換，得到所述第三坐標信息。
22、可選的，所述第一車道線信息包括多條車道線的坐標信息，所述第二車道線信息包括多條車道線的坐標信息；所述根據所述第一車道線信息和所述第二車道線信息，確定所述目標道路的車道線檢測結果，包括：
23、若所述第一車道線信息包括的多條車道線的坐標信息中，存在至少一條車道線的坐標信息與所述第二車道線信息包括的多條車道線的坐標信息均匹配失敗，則確定所述車道線檢測結果為誤檢；
24、若所述第二車道線信息包括的多條車道線的坐標信息中，存在至少一條車道線的坐標信息與所述第一車道線信息包括的多條車道線的坐標信息均匹配失敗，則確定所述車道線檢測結果為漏檢；
25、若所述第一車道線信息包括的多條車道線的坐標信息與所述第二車道線信息包括的多條車道線的坐標信息一一匹配成功，則分別計算所述第一車道線信息和所述第二車道線信息中匹配成功的車道線的坐標信息之間的橫向誤差，并根據所述橫向誤差確定所述車道線檢測結果。
26、可選的，所述根據所述橫向誤差確定所述車道線檢測結果，包括：
27、若所述橫向誤差大于或等于設定閾值，則根據所述第二車道線信息包括的多條車道線的坐標信息對所述第一車道線信息包括的多條車道線的坐標信息進行調整，以得到所述車道線檢測結果；
28、若所述橫向誤差小于所述設定閾值，則將所述第一車道線信息包括的多條車道線的坐標信息確定為所述車道線檢測結果。
29、第二方面，本申請實施例提供了一種車道線檢測裝置，包括：
30、第一獲取單元，用于獲取目標道路的點云數據、道路信息以及車輛在所述目標道路行駛時采集到的包含車道線的圖像；
31、處理單元，用于將所述圖像輸入至已訓練的車道線檢測模型進行處理，得到所述目標道路的第一車道線信息；
32、第一信息確定單元，用于根據所述點云數據和所述道路信息，確定所述目標道路的第二車道線信息；
33、第一結果確定單元，用于根據所述第一車道線信息和所述第二車道線信息，確定所述目標道路的車道線檢測結果。
34、第三方面，本申請實施例提供了一種車載終端，包括：存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，上述處理器執行所述計算機程序時實現如上述第一方面中任一項所述的車道線檢測方法。
35、第四方面，本申請實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現如上述第一方面中任一項所述的車道線檢測方法。
36、第五方面，本申請實施例提供了一種計算機程序產品，當計算機程序產品在車載終端上運行時，使得車載終端可執行上述第一方面中任一項所述的車道線檢測方法。
37、本申請實施例與現有技術相比存在的有益效果是：
38、本申請實施例提供的一種車道線檢測方法，通過獲取目標道路的點云數據、道路信息以及車輛在目標道路行駛時采集到的包含車道線的圖像；將圖像輸入至已訓練的車道線檢測模型進行處理，得到目標道路的第一車道線信息；根據點云數據和道路信息，確定目標道路的第二車道線信息；根據第一車道線信息和第二車道線信息，確定目標道路的車道線檢測結果。與現有技術僅通過深度學習方式檢測車道線相比，本申請的方法在得到經過車道線檢測模型檢測后的第一車道線信息后，還會結合點云數據和道路信息確定第二車道線信息，由于激光雷達相比攝像頭抗干擾能力強，因此可以在黑夜、進出隧道等場景下采集到準確的點云數據，使得最終根據第一車道線信息和第二車道線信息確定的車道線檢測結果更為準確，從而提高了對車道線的檢測準確率。
本文檔來自技高網...【技術保護點】
1.一種車道線檢測方法，其特征在于，包括：
2.如權利要求1所述的車道線檢測方法，其特征在于，所述點云數據包括每幀點云的高度信息；所述根據所述點云數據和所述道路信息，確定所述目標道路的第二車道線信息，包括：
3.如權利要求2所述的車道線檢測方法，其特征在于，所述道路信息包括所述目標道路的路沿特征、車道線點云反射率以及地面反射率；所述根據所述路面點云和所述道路信息，確定所述第二車道線信息，包括：
4.如權利要求1所述的車道線檢測方法，其特征在于，所述第一車道線信息指所述目標道路中的車道線在車輛坐標系下的第一坐標信息；所述第二車道線信息指所述目標道路中的車道線在全局坐標系下的第二坐標信息；所述根據所述第一車道線信息和所述第二車道線信息，確定所述目標道路的車道線檢測結果，包括：
5.如權利要求4所述的車道線檢測方法，其特征在于，所述對所述第二坐標信息進行坐標轉換，得到所述第二坐標信息在所述車輛坐標系下對應的第三坐標信息，包括：
6.如權利要求1-5任一項所述的車道線檢測方法，其特征在于，所述第一車道線信息包括多條車道線的坐標信
7.如權利要求6所述的車道線檢測方法，其特征在于，所述根據所述橫向誤差確定所述車道線檢測結果，包括：
8.一種車道線檢測裝置，其特征在于，包括：
9.一種車載終端，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1至7任一項所述的車道線檢測方法。
10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述的車道線檢測方法。
...【技術特征摘要】
1.一種車道線檢測方法，其特征在于，包括：
2.如權利要求1所述的車道線檢測方法，其特征在于，所述點云數據包括每幀點云的高度信息；所述根據所述點云數據和所述道路信息，確定所述目標道路的第二車道線信息，包括：
3.如權利要求2所述的車道線檢測方法，其特征在于，所述道路信息包括所述目標道路的路沿特征、車道線點云反射率以及地面反射率；所述根據所述路面點云和所述道路信息，確定所述第二車道線信息，包括：
4.如權利要求1所述的車道線檢測方法，其特征在于，所述第一車道線信息指所述目標道路中的車道線在車輛坐標系下的第一坐標信息；所述第二車道線信息指所述目標道路中的車道線在全局坐標系下的第二坐標信息；所述根據所述第一車道線信息和所述第二車道線信息，確定所述目標道路的車道線檢測結果，包括：
5.如權利要求4所述的車道線檢測方法，其特征在于，所述對所述第二坐標信息進行坐標轉換，得到所述第二坐標信息...
【專利技術屬性】
技術研發人員：李小川，劉宏偉，艾銳，顧維灝，
申請(專利權)人：毫末智行科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。