一种车道线检测方法和装置与流程

本发明涉及计算机视觉领域，特别涉及一种车道线检测方法和装置。

背景技术：

目前，高级辅助驾驶系统(advanceddriverassistancesystems，adas)的一个主要研究点在于提高车辆自身或者车辆行驶的安全性并减少道路事故。智能车辆和无人驾驶车辆有望解决道路安全、交通问题和乘客的舒适性问题。在针对智能车辆或无人车辆的研究任务中，车道线检测是一个复杂且具有挑战性的任务。车道线作为道路的一个主要部分，起到为无人驾驶车辆提供参考、指导安全驾驶的作用。车道线检测包括道路定位、车辆和道路之间的相对位置关系、以及车辆的行车方向。

在目前的技术方案中，车道线检测通常是根据摄像头获取的图像和gps装置提供的定位信号来实现的。但是，通过该方案确定的车道线以及车道线的位置信息、车道线与车辆之间的相对位置信息的准确度低，无法满足自动驾驶车辆的行驶需求。也即，在现有车道线检测的技术方案中存在定位准确率低的问题。

技术实现要素：

有鉴于此，本发明实施例提供了一种车道线检测方法和装置，用以解决现有车道线检测技术中存在的定位不准确的问题。

一方面，本申请实施例提供了一种车道线检测方法，包括：

车道线检测装置获取车辆的驾驶环境的当前感知数据；其中，当前感知数据包括当前帧图像数据和当前定位数据；

获取车道线模板数据；其中，车道线模板数据是上一次车道线检测处理得到的车道线检测结果数据；

根据感知数据提取得到当前的车道线图像数据；

根据车道线图像数据和车道线模板数据，确定得到当前的车道线检测结果数据；其中，当前的车道线检测结果数据中包括表达车辆和车道线的相对位置关系的数据。

另一方面，本申请实施例提供了一种车道线检测装置，包括：

获取单元，用于获取掺合料的驾驶环境的当前感知数据，其中，当前感知数据包括当前帧图像数据和定位数据；获取车道线模板数据，其中，车道线模板数据是上一次车道线检测处理得到的车道线检测结果数据；

提取单元，用于根据感知数据提取得到当前的车道线图像数据；

确定单元，用于根据车道线图像数据和车道线模板数据，确定得到当前的车道线检测结果数据；其中，当前的车道线检测结果数据中包括表达车辆和车道线的相对位置关系的数据。

另一方面，本申请实施例提供了一种车道线检测装置，包括一个处理器和至少一个存储器，至少一个存储器中存储至少一条机器可执行指令，处理器执行至少一条机器可执行指令以执行：

获取车辆的驾驶环境的当前感知数据；其中，当前感知数据包括当前帧图像数据和当前定位数据；

获取车道线模板数据；其中，车道线模板数据是上一次车道线检测处理得到的车道线检测结果数据；

根据感知数据提取得到当前的车道线图像数据；

根据车道线图像数据和车道线模板数据，确定得到当前的车道线检测结果数据；其中，当前的车道线检测结果数据中包括表达车辆和车道线的相对位置关系的数据。

根据本发明实施例提供的技术方案，车道线检测装置获取车道的驾驶环境的当前感知数据，从当前感知数据中提取出车道线图像数据，并接收上一次车道线检测处理得到的车道线检测结果数据(也即车道线模板数据)，根据当前的车道线图像数据和上一次的车道线检测结果数据，确定得到当前的车道线检测结果数据。由于上一次的车道线检测结果数据中包括较为准确的车道线定位信息，能够为当前的车道线检测处理提供定位参考信息。相比于现有技术中仅仅依靠当前获取的感知数据进行车道线检测，能够进行更为准确的车道线检测，确定得到更为准确的定位信息，从而解决现有技术的车道线检测方案存在的定位不准确的问题。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本申请实施例提供的车道线检测方法的处理流程图；

图2a为车道线图像数据的一个示例；

图2b为本申请实施例提供的车道线检测方法的另一处理流程图；

图3a为图1或图2中步骤104的处理流程图；

图3b为本申请实施例提供的车道线检测方法的另一处理流程图；

图4为本申请实施例提供的车道线检测方法的另一处理流程图；

图5为图4中步骤105的处理流程图；

图6a为图4中步骤106的处理流程图；

图6b为图4中步骤106的另一处理流程图；

图7为一个示例图像；

图8为执行图6a中步骤1061扩展车道线后的一个示例图；

图9为对图8中扩展后的车道线进行调整后的示意图；

图10为本申请实施例提供的车道线检测装置的结构框图；

图11为本申请实施例提供的车道线检测装置的另一个结构框图；

图12为本申请实施例提供的车道线检测装置的另一个结构框图；

图13为本申请实施例提供的车道线检测装置的另一个结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

针对现有技术中进行车道线检测的技术方案中存在的定位不准确的问题，本申请实施例提供了一种车道线检测方法和装置，用以解决该问题。

在本申请实施例提供的车道线检测方案中，车道线检测装置获取车道的驾驶环境的当前感知数据，从当前感知数据中提取出车道线图像数据，并接收上一次车道线检测处理得到的车道线检测结果数据(也即车道线模板数据)，根据当前的车道线图像数据和上一次的车道线检测结果数据，确定得到当前的车道线检测结果数据。由于上一次的车道线检测结果数据中包括较为准确的车道线定位信息，能够为当前的车道线检测处理提供定位参考信息。相比于现有技术中仅仅依靠当前获取的感知数据进行车道线检测，能够进行更为准确的车道线检测，确定得到更为准确的定位信息，从而解决现有技术的车道线检测方案存在的定位不准确的问题。

以上是本发明的核心思想，为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明实施例中技术方案作进一步详细的说明。

图1示出了本申请实施例提供的车道线检测方法的处理流程，该方法包括如下的处理过程：

步骤101、车道线检测装置获取车辆的驾驶环境的当前感知数据；其中，当前感知数据包括当前帧图像数据和当前定位数据；

步骤102、获取车道线模板数据；其中，车道线模板数据是上一次车道线检测处理得到的车道线检测结果数据；

步骤103、根据感知数据提取得到当前的车道线图像数据；

步骤104、根据车道线图像数据和车道线模板，确定得到当前的车道线检测结果数据；其中，当前的车道线检测结果数据中包括表达车辆和车道线的相对位置关系的数据。

其中，步骤102和步骤103的执行顺序不分先后。

下面对上述执行过程进行详细说明。

在上述步骤101中，车辆的驾驶环境的当前感知数据可以是通过车载的感知设备获取的。例如通过至少一个车载摄像头获取至少一帧当前帧图像数据，通过定位装置获取当前定位数据，定位装置包括全球定位系统(gps，globalpositionsystem)和/或惯性测量单元(imu，inertialmeasurementunit)。感知数据中还可以进一步包括当前驾驶环境的地图数据，激光雷达(lidar)数据。其中，地图数据可以是预先获取的真实地图数据，也可以是车辆的同时定位和建图单元(slam，simultaneouslocalizationandmapping)提供的地图数据。

在上述步骤102中，车道线模板数据是上一次车道线检测处理得到的车道线检测结果数据，该数据中包括车道线的位置信息、车辆和车道线的相对位置关系的数据。车道线模板数据(也即车道线检测结果数据)可以表现为俯视角度的3d空间数据，例如，将车辆的行驶方向作为坐标系中的y轴，则与车辆行驶方向垂直的方向为x轴。

在上一次车道线检测处理得到车道线模板数据后，可以将该车道线模板数据存储在一个存储设备中，该存储设备可以是车道线检测装置的本地存储器，也可以是车辆中其它的存储器，还可以是远程的存储器。

车道线检测装置在当前的车道线检测处理中，可以从存储设备中读取该车道线模板数据，也可以按照预定的处理周期来接收该车道线模板数据。

在本申请实施例中，由于上一次车道线检测处理得到的车道线检测结果数据中包括了车道线的位置信息、车辆和车道线的相对位置关系，在获取的相邻两帧图像数据中，车道线的位置的变化较小、具有连续性和稳定性，车辆和车道线的相对位置关系相对稳定、变化具有连续性，结合上一次的车道线检测结果来进行当前的车道线检测，能够提供相对准确的定位参考信息。

在上述步骤103中，根据感知数据提取得到当前的车道线图像数据的处理，可以通过多种方式来实现。

方式一，可以针对至少一个摄像头分别获取的当前帧图像数据，采用语义分割的方法，使用预先训练得到的算法或者模型对当前帧图像数据的像素进行分类标记，并从中提取得到当前的车道线图像数据。

其中预先训练得到的算法或者模型，可以是根据驾驶环境的真实数据(groundtruth)和摄像头获取的图像数据，对神经网络进行迭代训练后得到的。

方式二，也可以根据当前帧图像数据和当前定位数据，通过物体识别的方式，提取得到当前的车道线图像数据。

图2a中示出了一个车道线图像数据的示例。

本申请中只列举了以上两种提取车道线图像数据的方法，还可以根据其它的处理方法得到当前的车道线图像数据，本申请不做严格规定。

在本申请的一些实施例中，由于上一次的车道线检测处理的结果不一定是完全符合先验知识或者常理的，需要在执行步骤104之前进一步地对车道线模板数据进行调整，如图2b所示，包括：

步骤104s、根据当前感知数据、先验知识和/或预定的约束条件对车道线模板数据中的车道线进行调整；其中，先验知识或者预定的约束条件包括关于道路结构的物理度量参数或数据表达。

例如，先验知识或者约束条件可以包括：(1)道路上的车道线之间是彼此平行的；(2)曲线形状的车道线为弧线；(3)曲线车道线的长度小于300米；(4)相邻车道线之间的距离为3至4米之间，例如，大约3.75米；(5)车道线的颜色与道路其它部分的颜色不相同。根据具体应用场景的需要，先验知识或者约束条件还可以包括其它的内容或者数据，本申请实施例不做严格的具体的限制。

通过这样的调整，可以将车道线模板数据调整得更加符合先验知识或者常理，为确定当前的车道线检测结果数据提供更为准确的定位参考信息。

上述步骤104的处理，具体可以将车道线模板数据映射到车道线图像数据中，根据映射结果拟合得到当前的车道线检测结果数据，该处理可以通过多种方式得到实现。

例如，对车道线模板数据和车道线图像数据进行坐标转换，将坐标转换后的车道线模板数据投影到坐标转换后的车道线图像数据中，并根据预定的公式或算法以及投影结果拟合得到当前的车道线检测结果数据。还可以通过其它的方式实现步骤104的处理。

在上述实现方式之外，本申请实施例提供了一种基于机器学习的实现方式，如图3a所示，具体包括：

步骤1041、将车道线图像数据和车道线模板数据输入到一个预定的损失函数(lossfunction)中，该损失函数输出一个代价值；其中，该损失函数是一个表达车道线模板数据与车道线图像数据之间的车道线的位置关系的函数，该代价值为车道线模板数据中的车道线与车道线图像数据中的车道线之间的距离；

步骤1042、在相邻两次代价值的差值大于一个预定阈值的情况下，迭代修改车道线模板数据中的车道线的位置；在相邻两次代价值的差值小于或等于该预定阈值的情况下，结束迭代处理，并得到当前的车道线检测结果数据。

其中，迭代修改车道线模板数据中的车道线的位置的操作，可以通过梯度下降算法来实现。

进一步地，在本申请的一些实施例中，还可以根据不断积累得到的车道线检测结果数据，对损失函数进行优化，以增强损失函数的准确性、稳定性和健壮性。

通过如图3a所示的处理，通过损失函数来不断衡量车道线模板数据中的车道线与车道线图像数据中的车道线之间的距离，并且通过梯度下降算法来不断地将车道线模板数据中的车道线拟合到车道线图像数据中的车道线上，能够得到较为准确的当前车道线检测结果，该结果可以是俯视角度的3d空间数据，并且包括表达车辆和车道线的相对位置关系的数据，还可以包括表达车道线的位置的数据。

通过图1所示的车道线检测处理，采用上一次车道线检测的结果数据，可以获得较为准确的车道线和车辆的定位参考信息，并将上一次车道线检测的结果数据投影到当前的车道线图像数据中，拟合得到当前的车道线检测结果数据，能够得到较为准确的当前的车道线和车辆的定位信息，从而能够解决现有技术中无法进行较为准确的车道线检测的问题。

并且，在本申请实施例中，感知数据中还包括多种数据，例如地图数据，能够进一步地为车道线检测处理提供较为准确的定位信息，从而获得准确度更高的车道线检测结果数据。

进一步地，在一些实施例中，如图3b的步骤104t所示，将通过上述处理得到的当前的车道线检测结果数据确定为下一次车道线检测处理的车道线模板数据。

或者，在另一些实施例中，还可以进一步对步骤104中得到的车道线检测结果数据进行检验和优化调整，确保为下一次的车道线检测处理提供具有更为准确的定位信息的车道线模板数据。

图4中示出了在图1所示方法后的车道线检验和优化处理，包括：

步骤105、对当前的车道线检测结果数据进行检验；

步骤106、在检验通过的情况下，对当前的车道线检测结果数据进行优化调整，得到用于下一次车道线检测处理的车道线模板数据；在检验失败的情况下，抛弃当前的车道线检测结果数据。

其中，如图5所示，步骤105包括如下处理过程：

步骤1051、根据预先训练得到的置信度模型(confidencemodel)，确定得到当前的车道线检测结果数据的置信度(confidence)；

具体地，可以将当前的车道线检测结果数据作为输入提供给置信度模型，置信度模型输出与当前的车道线检测结果数据对应的置信度。

其中，置信度模型是预先根据历史的车道线检测结果数据和车道线的真实数据(groundtruth)训练深度神经网络得到的。置信度模型用于表示车道线检测结果数据与置信度之间的对应关系。

在根据历史的车道线检测结果数据和车道线的真实数据训练深度神经网络的过程中，先将历史的车道线检测结果数据与真实数据进行对比；根据对比结果对历史的车道线检测结果进行分类或标注，例如将检测结果数据a、c、d标注为成功的检测结果，将检测结果数据b、e标注为失败的检测结果。根据标注的历史车道线检测结果数据和真实数据训练神经网络得到置信度模型。训练得到的置信度模型能够反应出车道线检测结果数据的成功概率或者失败概率(也即置信度)。

步骤1052、在确定得到的置信度符合预定的检验条件的情况下，检验成功；在确定得到的置信度不符合预定的检验条件的情况下，检验失败。

例如，检验条件可以包括：在置信度大于或等于x％的成功概率的情况下，确定检验成功，否则检验失败。

进一步地，在本申请的一些实施例中，还可以根据不断积累得到的车道线检测结果数据，以及车道线的真实数据，对置信度模型进行优化训练，优化训练的处理过程与训练得到置信度模型的处理相类似，这里不再赘述。

如图6a所示，步骤106如下的处理过程：

步骤1061、在检验通过的情况下，对当前的车道线检测结果数据中的车道线进行扩展；

具体地，对车道线进行扩展的处理可以包括：

步骤s1、根据车道线检测结果数据中的车道线结构，对边缘的车道线进行复制平移；

步骤s2、在车道线检测结果数据中能够包括复制平移的车道线的情况下，保留复制平移的车道线，并保存新的车道线检测结果数据；

步骤s3、在车道线检测结果数据中无法包括复制平移的车道线的情况下，放弃复制平移的车道线。

例如，如图7所示的一个示例，当前的车道线检测结果数据中包括两条车道线，cl1和cl2，对车道线进行扩展后可以得到新的车道线el1和el2。图8为在车道线图像数据上显示的扩展后的车道线。

步骤1062、根据当前感知数据、先验知识和/或预定的约束条件对车道线模板数据中的车道线进行调整，得到用于下一次车道线检测处理的车道线模板数据。

调整的处理可以参考上述的步骤104s。

图9中示出了一个示例，针对图8所示的扩展后的车道线，对车道线el2进行了调整，得到调整后的车道线el2’，调整后的车道线el2’相比调整前的车道线el2更接近于直线。

在本申请的一些实施例中，可以同时设置步骤104s和步骤1062。在本申请的另一些实施例中，可以设置步骤104s和步骤1062中的其一。

步骤1063、在检验失败的情况下，抛弃当前的车道线检测结果数据。

进一步地，如图6b的步骤1064所示，在抛弃当前的车道线检测结果数据后，将一个预设的车道线模板数据确定为用于下一次车道线检测处理的车道线模板数据。该车道线模板数据可以是一个通用的车道线模板数据，也可以是与驾驶环境类别对应的车道线模板数据，还可以是具体的驾驶环境的车道线模板数据。例如，可以是一个适用于所有环境的车道线模板数据，也可以是一个高速公路环境的车道线模板数据、城市道路的车道线模板数据，或者是车辆所在的具体的道路的车道线模板数据。预设的车道线模板数据可以根据具体应用场景的需要而具体设定。

该预设的车道线模板数据可以是预存在车道线检测装置本地的，也可以是预存在车辆的自动驾驶处理装置中的，还可以是存储在远程服务器中的。当车道线检测装置需要获取该预设的车道线模板数据时，可以通过读取或者远程请求并接收的方式获取。

通过图4所示的优化调整处理，本申请实施例可以得到包含更为准确的定位信息的车道线模板数据；并且相比于图1所示方法得到的车道线模板数据，图4所示方法得到的车道线模板数据使得本申请实施例提供的车道线检测方法具有更高的稳定性和健壮性。

基于相同的发明构思，本申请实施例还提供了一种车道线检测装置。

图10示出了本申请实施例提供的车道线检测装置的结构框图，包括：

获取单元11，用于获取车辆的驾驶环境的当前感知数据，其中，当前感知数据包括当前帧图像数据和定位数据；获取车道线模板数据，其中，车道线模板数据是上一次车道线检测处理得到的车道线检测结果数据；

感知数据中还包括至少以下之一：当前驾驶环境的地图数据、激光雷达(lidar)数据；定位数据包括gps定位数据和/或惯性导航定位数据；

提取单元12，用于根据感知数据提取得到当前的车道线图像数据；

确定单元13，用于根据车道线图像数据和车道线模板数据，确定得到当前的车道线检测结果数据；其中，当前的车道线检测结果数据中包括表达车辆和车道线的相对位置关系的数据。

其中，车道线模板数据和车道线检测结果数据为俯视角度的3d空间数据。

在一些实施例中，提取单元12从当前帧图像数据中提取出车道线图像数据，包括：根据物体识别的方法或者语义分割从当前帧图像数据中提取出车道线图像数据。

确定单元13根据车道线图像数据和车道线模板数据，确定得到当前的车道线检测结果数据，包括：将车道线模板数据映射到车道线图像数据中，根据映射结果拟合得到当前的车道线检测结果数据。更进一步地，确定单元13将车道线图像数据和车道线模板数据输入到一个预定的损失函数中，该损失函数输出一个代价值；其中，该损失函数是一个表达车道线模板数据与车道线图像数据之间的车道线的位置关系的函数，该代价值为车道线模板数据中的车道线与车道线图像数据中的车道线之间的距离；在相邻两次代价值的差值大于一个预定阈值的情况下，迭代修改车道线模板数据中的车道线的位置；在相邻两次代价值的差值小于或等于该预定阈值的情况下，结束迭代处理，并得到当前的车道线检测结果数据。在一些应用场景中，确定单元13采用梯度下降算法迭代修改车道线模板数据中的车道线的位置。

确定单元13在根据车道线图像数据和车道线模板数据，确定得到当前的车道线检测结果数据之前，确定单元13还对车道线模板数据进行调整，包括：根据当前感知数据、先验知识和/或预定的约束条件对车道线模板数据中的车道线进行调整；其中，先验知识或者预定的约束条件包括关于道路结构的物体度量参数或数据表达。

进一步地，确定单元13还用于将当前的车道线检测结果数据确定为用于下一次车道线检测处理的车道线模板数据。

在另一些实施例中，车道线检测装置还可以如图11所示，进一步包括：

检验单元14，用于对当前的车道线检测结果数据进行检验；

优化单元15，在检验单元14检验通过的情况下，对当前的车道线检测结果数据进行优化调整，得到用于下一次车道线检测处理的车道线模板数据；在检验失败的情况下，抛弃当前的车道线检测结果数据。

其中，检验单元14对当前的车道线检测结果数据进行检验，包括：根据预先训练得到的置信度模型，确定得到当前的车道线检测结果数据的置信度；在确定得到的置信度符合预定的检验条件的情况下，检验成功；在确定得到的置信度不符合预定的检验条件的情况下，检验失败。

进一步地，如图12所示，本申请实施例提供的车道线检测装置还可以包括：预训练单元16，用于预先根据历史的车道线检测结果数据和车道线的真实数据，训练深度神经网络得到置信度模型；置信度模型用于表示车道线检测结果数据与置信度之间的对应关系。

优化单元15对当前的车道线检测结果数据进行优化调整，包括：对当前的车道线检测结果数据中的车道线进行扩展；根据当前感知数据、先验知识和/或预定的约束条件对车道线模板数据中的车道线进行调整，得到用于下一次车道线检测处理的车道线模板数据；其中，先验知识或者预定的约束条件包括关于道路结构的物理度量参数或者数据表达。

其中，优化单元15对当前的车道线检测结果数据中的车道线进行扩展，包括：根据车道线检测结果数据中的车道线结构，对车道线检测结果数据中的边缘车道线进行复制平移；在车道线检测结果数据中能够包括复制平移的车道线的情况下，保留复制平移的车道线，并保存新的车道线检测结果数据；在车道线检测结果数据中无法包括复制平移的车道线的情况下，放弃复制平移的车道线。

进一步地，优化单元15在抛弃当前的车道线检测结果数据后，还用于将一个预设的车道线模板数据确定为用于下一次车道线检测处理的车道线模板数据。

通过本申请实施例提供的车道线检测装置，采用上一次车道线检测的结果数据，可以获得较为准确的车道线和车辆的定位参考信息，并将上一次车道线检测的结果数据投影到当前的车道线图像数据中，拟合得到当前的车道线检测结果数据，能够得到较为准确的当前的车道线和车辆的定位信息，从而能够解决现有技术中无法进行较为准确的车道线检测的问题。

基于相同的发明构思，本申请实施例还提供了一种车道线检测装置。

如图13所示，本申请实施例提供的车道线检测装置包括一个处理器131和至少一个存储器132，至少一个存储器中存储至少一条机器可执行指令，处理器执行至少一条机器可执行指令以执行：

获取车辆的驾驶环境的当前感知数据；其中，当前感知数据包括当前帧图像数据和当前定位数据；

获取车道线模板数据；其中，车道线模板数据是上一次车道线检测处理得到的车道线检测结果数据；

根据感知数据提取得到当前的车道线图像数据；

根据车道线图像数据和车道线模板数据，确定得到当前的车道线检测结果数据；其中，当前的车道线检测结果数据中包括表达车辆和车道线的相对位置关系的数据。

其中，车道线模板数据和车道线检测结果数据为俯视角度的3d空间数据。感知数据中还包括至少以下之一：当前驾驶环境的地图数据、激光雷达(lidar)数据；定位数据包括gps定位数据和/或惯性导航定位数据。

在一些实施例中，处理器131执行至少一条机器可执行指令执行从当前帧图像数据中提取出车道线图像数据，包括：根据物体识别的方法或者语义分割的方法从当前帧图像数据中提取出车道线图像数据。

处理器131执行至少一条机器可执行指令执行根据车道线图像数据和车道线模板数据，确定得到当前的车道线检测结果数据，包括：将车道线模板数据映射到车道线图像数据中，根据映射结果拟合得到当前的车道线检测结果数据。该处理可以具体包括：将车道线图像数据和车道线模板数据输入到一个预定的损失函数中，该损失函数输出一个代价值；其中，该损失函数是一个表达车道线模板数据与车道线图像数据之间的车道线的位置关系的函数，该代价值为车道线模板数据中的车道线与车道线图像数据中的车道线之间的距离；在相邻两次代价值的差值大于一个预定阈值的情况下，迭代修改车道线模板数据中的车道线的位置；在相邻两次代价值的差值小于或等于该预定阈值的情况下，结束迭代处理，并得到当前的车道线检测结果数据。在一些应用场景中，处理器131可以执行至少一条机器可执行指令执行：采用梯度下降算法迭代修改车道线模板数据中的车道线的位置。

处理器131执行至少一条机器可执行指令执行在根据车道线图像数据和车道线模板数据，确定得到当前的车道线检测结果数据之前，还执行：根据当前感知数据、先验知识和/或预定的约束条件对车道线模板数据中的车道线进行调整；其中，先验知识或者预定的约束条件包括关于道路结构的物理度量参数或者数据表达。

处理器执行至少一条机器可执行指令还执行：将当前的车道线检测结果数据确定为用于下一次车道线检测处理的车道线模板数据。

在另一些实施例中，处理器131执行至少一条机器可执行指令还执行：对当前的车道线检测结果数据进行检验；在检验通过的情况下，对当前的车道线检测结果数据进行优化调整，得到用于下一次车道线检测处理的车道线模板数据；在检验失败的情况下，抛弃当前的车道线检测结果数据。

处理器131执行至少一条机器可执行指令执行对当前的车道线检测结果数据进行检验，包括：根据预先训练得到的置信度模型，确定得到当前的车道线检测结果数据的置信度；在确定得到的置信度符合预定的检验条件的情况下，检验成功；在确定得到的置信度不符合预定的检验条件的情况下，检验失败。

处理器131执行至少一条机器可执行指令还执行预先训练得到置信度模型，包括：预先根据历史的车道线检测结果数据和车道线的真实数据，训练深度神经网络得到置信度模型；置信度模型用于表示车道线检测结果数据与置信度之间的对应关系。

处理器131执行至少一条机器可执行指令执行对当前的车道线检测结果数据进行优化调整，包括：对当前的车道线检测结果数据中的车道线进行扩展；根据当前感知数据、先验知识和/或预定的约束条件对车道线模板数据中的车道线进行调整，得到用于下一次车道线检测处理的车道线模板数据；其中，先验知识或者预定的约束条件包括关于道路结构的物理度量参数或数据表达。

处理器131执行至少一条机器可执行指令执行对当前的车道线检测结果数据中的车道线进行扩展，包括：根据车道线检测结果数据中的车道线结构，对车道线检测结果数据中的边缘车道线进行复制平移；在车道线检测结果数据中能够包括复制平移的车道线的情况下，保留复制平移的车道线，并保存新的车道线检测结果数据；在车道线检测结果数据中无法包括复制平移的车道线的情况下，放弃复制平移的车道线。

处理器131执行至少一条机器可执行指令执行在抛弃当前的车道线检测结果数据之后，还执行将一个预设的车道线模板数据确定为用于下一次车道线检测处理的车道线模板数据。

通过本申请实施例提供的车道线检测装置，采用上一次车道线检测的结果数据，可以获得较为准确的车道线和车辆的定位参考信息，并将上一次车道线检测的结果数据投影到当前的车道线图像数据中，拟合得到当前的车道线检测结果数据，能够得到较为准确的当前的车道线和车辆的定位信息，从而能够解决现有技术中无法进行较为准确的车道线检测的问题。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。