本发明涉及车辆技术领域，具体涉及一种车道线识别方法、装置、计算设备及计算机存储介质。
背景技术：
车道线作为智能车辆的导航路径，对其进行快速、准确地识别与跟踪是实现无人驾驶的重要保证。现有的车道线识别方式大多属于典型的机器视觉应用，通过视觉传感器获取每一帧图像，对图像进行预处理、边缘检测、采样点曲线拟合等处理，得到车道线的曲线参数。然而，在道路结构不均匀、光照条件变化或者路面障碍物较多的情况下，仅基于机器视觉的车道线识别方式容易出现误识别的问题，其稳定性和可靠性较低，无法为车辆提供准确的车道线位姿数据。
技术实现要素：
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的车道线识别方法、装置、计算设备及计算机存储介质。
根据本发明的一个方面，提供了一种车道线识别方法，该方法包括：
获取车辆在当前时刻t时刻的运动状态数据，根据t时刻的运动状态数据，对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据；
当到达t δt时刻时，依据基于道路图像确定的在t δt时刻下的车道线的参数方程，得到t δt时刻的车道线位姿观测数据；
对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到t δt时刻的目标车道线位姿数据；
对t δt时刻的目标车道线位姿数据进行拟合，得到在t δt时刻下的车道线的融合参数方程。
根据本发明的另一方面，提供了一种车道线识别装置，该装置包括：
第一数据处理模块，用于获取车辆在当前时刻t时刻的运动状态数据，根据t时刻的运动状态数据，对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据；
第二数据处理模块，用于当到达t δt时刻时，依据基于道路图像确定的在t δt时刻下的车道线的参数方程，得到t δt时刻的车道线位姿观测数据；
融合模块，用于对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到t δt时刻的目标车道线位姿数据；
方程拟合模块，用于对t δt时刻的目标车道线位姿数据进行拟合，得到在t δt时刻下的车道线的融合参数方程。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
存储器用于存放至少一可执行指令，可执行指令使处理器执行上述车道线识别方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述车道线识别方法对应的操作。
根据本发明提供的技术方案，充分融合了视觉检测和车辆自身的运动状态数据，所得到的车道线的融合参数方程能够更为精准地反映车道线实际的位姿情况，实现了高精度、高鲁棒性的车道线识别，有效地克服了现有的基于机器视觉的车道线识别方式因受光照条件、障碍物遮挡等环境干扰而导致的可靠性下降，无法为车辆提供准确的车道线位姿数据的问题；并且，车辆自身的运动状态数据可由车辆自身搭载的运动传感器提供，无需增加额外的硬件支持，实现方式简便，结果准确，成本低，优化了车道线识别方式。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的车道线识别方法的流程示意图；
图2示出了根据本发明一个实施例的车道线识别装置的结构框图；
图3示出了根据本发明实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的车道线识别方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤s101，获取车辆在当前时刻t时刻的运动状态数据，根据t时刻的运动状态数据，对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据。
通常车辆自身会搭载各种传感器，根据各种传感器所采集的数据对车辆运行进行管理，车辆中所搭载的传感器可包括运动传感器和视频传感器等，其中，视频传感器具体可为例如摄像头等的图像采集设备。在步骤s101中可获取车辆中的运动传感器采集到的在当前时刻t时刻的运动状态数据，运动状态数据可包括车辆的线速度、角速度等数据。
为了能够便捷、快速地预测得到t δt时刻的车道线位姿预测数据，可预先收集车辆在各个时刻的运动状态数据作为样本数据，构建训练样本集合，根据训练样本集合中的样本数据进行模型训练，得到经过训练的车道线预测模型，该车道线预测模型是建立在自车坐标系下的。具体地，可通过机器学习得到车道线预测模型，机器学习方法包括但不限于线性回归、逻辑回归、神经网络和梯度提升决策树等。其中，车道线预测模型的训练过程可通过多次迭代完成。在本实施例中，车道线预测模型是根据大量的样本数据进行训练得到的，利用车道线预测模型能够精准、快速地对t δt时刻的车道线的位姿情况进行预测处理，有效地提高了对车道线位姿预测的准确率以及处理效率。
在一种具体的实施方式中，车道线预测模型的训练步骤可包括：从训练样本集合中提取样本数据，样本数据包括车辆在t时刻的运动状态数据以及t δt时刻的车道线位姿标记数据，其中，t δt时刻的车道线位姿标记数据具体为在t δt时刻检测到的车道线实际的位姿数据；将提取的样本数据中的运动状态数据输入至初始车道线预测模型中进行训练，得到初始车道线位姿预测数据；根据初始车道线位姿预测数据和样本数据对应的车道线位姿标记数据，更新初始车道线预测模型的权重参数；循环迭代执行上述步骤，直至满足迭代结束条件，得到车道线预测模型。具体地，可计算初始车道线位姿预测数据和样本数据对应的车道线位姿标记数据之间的损失，得到损失函数，根据损失函数，进行反向传播(backpropagation)运算，通过运算结果更新初始车道线预测模型的权重参数。迭代结束条件可包括：迭代次数达到迭代次数阈值；和/或，损失函数的输出值小于损失阈值。那么可以通过判断迭代次数是否达到迭代次数阈值来判断是否满足迭代结束条件，也可以根据损失函数的输出值是否小于损失阈值来判断是否满足迭代结束条件。在满足迭代结束条件之后，停止迭代处理，从而得到经过训练的车道线预测模型。
在步骤s101中，可将t时刻的运动状态数据输入至经过训练的车道线预测模型中，利用车道线预测模型对t δt时刻的车道线的位姿情况进行预测，从而输出得到t δt时刻的车道线位姿预测数据。其中，本领域技术人员可根据实际需要对时间步长δt进行设置，例如，可将δt设置为1秒等。
步骤s102，当到达t δt时刻时，依据基于道路图像确定的在t δt时刻下的车道线的参数方程，得到t δt时刻的车道线位姿观测数据。
车辆中的视觉传感器会实时地对车辆周围的道路图像进行采集，获取车辆中的视觉传感器采集到的道路图像，对道路图像进行预处理、边缘检测、采样点曲线拟合等分析处理，得到当前时刻的车道线的参数方程。当时间到达t δt时刻时，通过对道路图像进行分析能够确定在t δt时刻下的车道线的参数方程，该车道线的参数方程是基于机器视觉所识别得到的。在步骤s102中依据在t δt时刻下的车道线的参数方程，在车辆的预设视距范围内进行车道线采样，得到车道线采样点数据，其中，车道线采样点具体可为离散点。在得到了车道线采样点数据之后，可根据车道线采样点数据，得到t δt时刻的车道线位姿观测数据。例如，可将车道线采样点数据直接作为t δt时刻的车道线位姿观测数据，或者，也可对车道线采样点数据进行筛选等处理，将处理后的结果作为t δt时刻的车道线位姿观测数据。其中，车道线位姿观测数据可包括：车道线采样点的位置坐标(x，y)以及航向角θ等。
步骤s103，对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到t δt时刻的目标车道线位姿数据。
在步骤s103中可利用预设算法对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到t δt时刻的目标车道线位姿数据。在本实施例中，通过融合同一时刻(即同一时间戳)的车道线位姿预测数据和车道线位姿观测数据，所得到的该时刻的目标车道线位姿数据能够更为精准地反映在此时刻的车道线实际的位姿情况。
其中，预设算法可包括：无损卡尔曼滤波(unscentedkalmanfilter，ukf)算法、扩展卡尔曼滤波(extendedkalmanfilter，ekf)算法等。其中，ukf算法是对非线性函数的概率密度分布进行近似，用一系列确定样本来逼近状态的后验概率密度，而不是对非线性函数进行近似，不需要求导计算jacobian矩阵。ukf没有线性化忽略高阶项，因此非线性分布统计量的计算精度较高。具体地，在步骤s103中可采用ukf算法对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到车道线采样点的最优估计数据，将最优估计数据作为t δt时刻的目标车道线位姿数据。本领域技术人员可根据实际需要对具体的融合处理方式进行设置，此处不做限定。
在本实施中，在当前时刻t时刻，不仅需要利用t时刻的运动状态数据预测t δt时刻的车道线位姿预测数据，而且还需要将基于道路图像所确定的t时刻的车道线位姿观测数据与之前在t-δt时刻时利用t-δt时刻的运动状态数据所预测到的t时刻的车道线位姿预测数据进行融合处理。
步骤s104，对t δt时刻的目标车道线位姿数据进行拟合，得到在t δt时刻下的车道线的融合参数方程。
其中，可利用b样条曲线拟合等拟合方式对t δt时刻的目标车道线位姿数据进行拟合，从而得到在t δt时刻下的车道线的融合参数方程，以便用于后续的车辆导航等应用中。本领域技术人员可根据实际需要对具体拟合方式进行设置，此处不做限定。
根据本实施例提供的车道线识别方法，充分融合了视觉检测和车辆自身的运动状态数据，所得到的车道线的融合参数方程能够更为精准地反映车道线实际的位姿情况，实现了高精度、高鲁棒性的车道线识别，有效地克服了现有的基于机器视觉的车道线识别方式因受光照条件、障碍物遮挡等环境干扰而导致的可靠性下降，无法为车辆提供准确的车道线位姿数据的问题；并且，车辆自身的运动状态数据可由车辆自身搭载的运动传感器提供，无需增加额外的硬件支持，实现方式简便，结果准确，成本低，优化了车道线识别方式。
图2示出了根据本发明一个实施例的车道线识别装置的结构框图，如图2所示，该装置包括：第一数据处理模块201、第二数据处理模块202、融合模块203和方程拟合模块204。
第一数据处理模块201用于：获取车辆在当前时刻t时刻的运动状态数据，根据t时刻的运动状态数据，对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据。
第二数据处理模块202用于：当到达t δt时刻时，依据基于道路图像确定的在t δt时刻下的车道线的参数方程，得到t δt时刻的车道线位姿观测数据。
融合模块203用于：对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到t δt时刻的目标车道线位姿数据。
方程拟合模块204用于：对t δt时刻的目标车道线位姿数据进行拟合，得到在t δt时刻下的车道线的融合参数方程。
可选地，第一数据处理模块201进一步用于：获取车辆中的运动传感器采集到的在当前时刻t时刻的运动状态数据；将t时刻的运动状态数据输入至经过训练的车道线预测模型中，利用车道线预测模型对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据。
可选地，第二数据处理模块202进一步用于：获取车辆中的视觉传感器采集到的道路图像，对道路图像进行分析，确定在t δt时刻下的车道线的参数方程；依据在t δt时刻下的车道线的参数方程，在车辆的预设视距范围内进行车道线采样，得到车道线采样点数据；根据车道线采样点数据，得到t δt时刻的车道线位姿观测数据。
可选地，融合模块203进一步用于：采用ukf算法对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到车道线采样点的最优估计数据作为t δt时刻的目标车道线位姿数据。
根据本实施例提供的车道线识别装置，充分融合了视觉检测和车辆自身的运动状态数据，所得到的车道线的融合参数方程能够更为精准地反映车道线实际的位姿情况，实现了高精度、高鲁棒性的车道线识别，有效地克服了现有的基于机器视觉的车道线识别方式因受光照条件、障碍物遮挡等环境干扰而导致的可靠性下降，无法为车辆提供准确的车道线位姿数据的问题；并且，车辆自身的运动状态数据可由车辆自身搭载的运动传感器提供，无需增加额外的硬件支持，实现方式简便，结果准确，成本低，优化了车道线识别方式。
本发明还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的车道线识别方法。
图3示出了根据本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示，该计算设备可以包括：处理器(processor)302、通信接口(communicationsinterface)304、存储器(memory)306、以及通信总线308。
其中：
处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302，用于执行程序310，具体可以执行上述车道线识别方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
存储器306，用于存放程序310。存储器306可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行上述任意方法实施例中的车道线识别方法。程序310中各步骤的具体实现可以参见上述车道线识别实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
1.一种车道线识别方法，其特征在于，所述方法包括：
获取车辆在当前时刻t时刻的运动状态数据，根据t时刻的运动状态数据，对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据；
当到达t δt时刻时，依据基于道路图像确定的在t δt时刻下的车道线的参数方程，得到t δt时刻的车道线位姿观测数据；
对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到t δt时刻的目标车道线位姿数据；
对t δt时刻的目标车道线位姿数据进行拟合，得到在t δt时刻下的车道线的融合参数方程。
2.根据权利要求1所述的方法，其特征在于，所述获取车辆在当前时刻t时刻的运动状态数据，根据t时刻的运动状态数据，对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据进一步包括：
获取车辆中的运动传感器采集到的在当前时刻t时刻的运动状态数据；
将t时刻的运动状态数据输入至经过训练的车道线预测模型中，利用所述车道线预测模型对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据。
3.根据权利要求1所述的方法，其特征在于，所述依据基于道路图像确定的在t δt时刻下的车道线的参数方程，得到t δt时刻的车道线位姿观测数据进一步包括：
获取车辆中的视觉传感器采集到的道路图像，对所述道路图像进行分析，确定在t δt时刻下的车道线的参数方程；
依据在t δt时刻下的车道线的参数方程，在所述车辆的预设视距范围内进行车道线采样，得到车道线采样点数据；
根据所述车道线采样点数据，得到t δt时刻的车道线位姿观测数据。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到t δt时刻的目标车道线位姿数据进一步包括：
采用ukf算法对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到车道线采样点的最优估计数据作为t δt时刻的目标车道线位姿数据。
5.一种车道线识别装置，其特征在于，所述装置包括：
第一数据处理模块，用于获取车辆在当前时刻t时刻的运动状态数据，根据t时刻的运动状态数据，对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据；
第二数据处理模块，用于当到达t δt时刻时，依据基于道路图像确定的在t δt时刻下的车道线的参数方程，得到t δt时刻的车道线位姿观测数据；
融合模块，用于对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到t δt时刻的目标车道线位姿数据；
方程拟合模块，用于对t δt时刻的目标车道线位姿数据进行拟合，得到在t δt时刻下的车道线的融合参数方程。
6.根据权利要求5所述的装置，其特征在于，所述第一数据处理模块进一步用于：
获取车辆中的运动传感器采集到的在当前时刻t时刻的运动状态数据；
将t时刻的运动状态数据输入至经过训练的车道线预测模型中，利用所述车道线预测模型对t δt时刻的车道线的位姿情况进行预测，得到t δt时刻的车道线位姿预测数据。
7.根据权利要求5所述的装置，其特征在于，所述第二数据处理模块进一步用于：
获取车辆中的视觉传感器采集到的道路图像，对所述道路图像进行分析，确定在t δt时刻下的车道线的参数方程；
依据在t δt时刻下的车道线的参数方程，在所述车辆的预设视距范围内进行车道线采样，得到车道线采样点数据；
根据所述车道线采样点数据，得到t δt时刻的车道线位姿观测数据。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述融合模块进一步用于：
采用ukf算法对t δt时刻的车道线位姿预测数据和t δt时刻的车道线位姿观测数据进行融合处理，得到车道线采样点的最优估计数据作为t δt时刻的目标车道线位姿数据。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的车道线识别方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-4中任一项所述的车道线识别方法对应的操作。
技术总结