车道线的修正方法、装置和存储介质与流程

本发明涉及自动驾驶技术领域，尤其涉及一种车道线的修正方法、装置和存储介质。

背景技术：

随着自动驾驶技术的不断发展，越来越多的自动驾驶服务开始进入人们的生活圈。无人车在行驶过程中能够采集周围环境的点云数据，根据点云数据确定当前无人车所在的位置；其中，该点云数据中包括车道线的点云数据，无人车根据获取的车道线的点云数据，在车道内进行正确的行驶。

现有技术中，车道线由于遮挡、磨损等问题，会导致车道线不清楚、断线，或者，在路口区域出现车道线的缺失的现象等问题；进而导致无人车无法获取正确、连续的车道线，进一步给无人车的准确行驶带来影响。

技术实现要素：

本发明提供一种车道线的修正方法、装置和存储介质，能够根据图像中的目标车道线对缺失的车道线进行修正，使得无人车获取正确、连续的车道线，提高了自动驾驶的安全性。

本发明的第一方面提供一种车道线的修正方法，包括：

获取当前行驶路面的图像；

根据所述图像，获取所述当前行驶路面上的第一车道线和目标车道线，所述第一车道线为所述图像中发生车道线缺失的车道线，所述目标车道线为：所述图像中与所述第一车道线的相似度大于相似度阈值的车道线；

采用所述目标车道线，对所述图像中的第一车道线进行修正。

可选的，所述获取无人车当前行驶路面的图像，包括：

获取所述当前行驶路面的点云数据；

将所述点云数据投影至二维平面中，获取所述点云数据对应的反射值底图；

将所述反射值底图作为所述图像。

可选的，所述第一车道线为车道线中部发生缺失的车道线，获取所述当前行驶路面上的目标车道线，包括：

获取所述第一车道线的第一断点和第二断点；

在所述第一断点的预设距离范围内获取多个候选车道线；

根据每个候选车道线与所述第一车道线的相似度，若存在最大相似度大于所述相似度阈值，则将最大相似度对应的候选车道线作为所述目标车道线。

可选的，所述根据每个候选车道线与所述第一车道线的相似度，并将最大相似度对应的候选车道线作为所述目标车道线之前，包括：

将每个所述候选车道线进行平移，直至所述第一断点与所述第一断点在所述每个所述候选车道线上的投影点重合；

获取所述第二断点至每个所述候选车道线的距离；

根据所述第二断点至每个所述候选车道线的距离，获取每个候选车道线与所述第一车道线的相似度。

可选的，所述采用所述目标车道线，对所述图像中的第一车道线进行修正，包括：

根据所述目标车道线，对所述第一断点和所述第二断点进行连接。

可选的，所述第一车道线为车道线一端发生缺失的车道线，所述第一车道线为多个，获取所述当前行驶路面上的目标车道线，包括：

根据每个所述第一车道线中缺失的车道线的长短的升序，对多个所述第一车道线进行排序；

对于排序后的每个所述第一车道线，将所述第一车道线的前一个第一车道线作为所述第一车道线的目标车道线。

可选的，所述采用所述目标车道线，对所述图像中的第一车道线进行修正，包括：

将所述目标车道线平移至与所述第一车道线重叠。

本发明的第二方面提供一种车道线的修正装置，包括：

图像获取模块，用于获取当前行驶路面的图像；

车道线获取模块，用于根据所述图像，获取所述当前行驶路面上的第一车道线和目标车道线，所述第一车道线为所述图像中发生车道线缺失的车道线，所述目标车道线为：所述图像中与所述第一车道线的相似度大于相似度阈值的车道线；

修正模块，用于采用所述目标车道线，对所述图像中的第一车道线进行修正。

可选的，所述图像获取模块，具体用于获取所述当前行驶路面的点云数据；将所述点云数据投影至二维平面中，获取所述点云数据对应的反射值底图；将所述反射值底图作为所述图像。

可选的，所述车道线获取模块，具体用于获取所述第一车道线的第一断点和第二断点；在所述第一断点的预设距离范围内获取多个候选车道线；根据每个候选车道线与所述第一车道线的相似度，若存在最大相似度大于所述相似度阈值，则将最大相似度对应的候选车道线作为所述目标车道线。

可选的，所述装置还包括：相似度获取模块；

所述相似度获取模块，用于将每个所述候选车道线进行平移，直至所述第一断点与所述第一断点在所述每个所述候选车道线上的投影点重合；获取所述第二断点至每个所述候选车道线的距离；根据所述第二断点至每个所述候选车道线的距离，获取每个候选车道线与所述第一车道线的相似度。

可选的，所述修正模块，具体用于根据所述目标车道线，对所述第一断点和所述第二断点进行连接。

可选的，所述车道线获取模块，具体还用于根据每个所述第一车道线中缺失的车道线的长短的升序，对多个所述第一车道线进行排序；对于排序后的每个所述第一车道线，将所述第一车道线的前一个第一车道线作为所述第一车道线的目标车道线。

可选的，所述修正模块，具体还用于将所述目标车道线平移至与所述第一车道线重叠。

本发明的第三方面提供一种车道线的修正装置，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述车道线的修正装置执行上述车道线的修正方法。

本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现上述车道线的修正方法。

本发明提供一种车道线的修正方法、装置和存储介质，该方法包括：获取当前行驶路面的图像；根据图像，获取当前行驶路面上的第一车道线和目标车道线，第一车道线为图像中发生车道线缺失的车道线，目标车道线为：图像中与第一车道线的相似度大于相似度阈值的车道线；采用目标车道线，对图像中的第一车道线进行修正。本发明能够根据图像中的目标车道线对缺失的车道线进行修正，使得无人车获取正确、连续的车道线，提高了自动驾驶的安全性。

附图说明

图1为本发明提供的车道线的修正方法的流程示意图一；

图2为本发明获取的车道线的示意图一；

图3为本发明提供的车道线的修正方法的流程示意图二；

图4为对图2中的车道线a进行修正后的车道线示意图；

图5为本发明提供的车道线的修正方法的流程示意图三；

图6为本发明获取的车道线的示意图二；

图7为对图6中的车道线进行修正后的车道线示意图；

图8为本发明提供的车道线的修正装置的结构示意图一；

图9为本发明提供的车道线的修正装置的结构示意图二；

图10为本发明提供的车道线的修正装置的结构示意图三。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的实施例，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，都属于本发明保护的范围。

采集车预先采集无人驾驶区域的所有位置的点云数据，将位置与点云数据进行对应获取高精度地图；无人车在行驶过程中能够采集周围环境的点云数据，根据当前采集的点云数据与高精度地图中的点云数据进行匹配，获取无人车所在的位置。进一步的，在无人车采集的点云数据中，包含有车道线的点云数据，无人车根据获取的车道线的点云数据识别出车道线，根据识别的车道线进行行驶。

但车道线由于磨损、遮挡等原因会导致车道线不清楚、断线；或者，在路面入口处车道线发生缺失等问题，导致无人车无法获取正确、连续的车道线，进而无法正常行驶。

本发明专业术语释义：

点云数据：现有技术中多采用激光扫描的方式，获取环境的点云数据；当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成物体的激光点云数据。点云数据是在目标表面特性的海量点云的集合。

反射值底图：根据激光测量原理得到的点云，包括三维坐标(xyz)和激光反射信息；根据摄影测量原理得到的点云，包括三维坐标(xyz)；结合激光测量和摄影测量原理得到点云，包括三维坐标(xyz)和激光反射信息。按照点云中的反射信息表示点云数据，即可获取点云数据对应的反射值底图。

语义分割：对获取的图像中的每个像素都做分类，即获取图像中每个像素属于什么对象的像素。现有技术中多采用卷积神经网络的方式对像素进行分类。

图1为本发明提供的车道线的修正方法的流程示意图一，图1所示方法流程的执行主体可以为车道线的修正装置，其中，车道线的修正装置可以设置在无人车上，也可设置与服务器集成为一体设置，下述实施例中以车道线的修正装置可以设置在无人车进行示例说明，该车道线的修正装置可由任意的软件和/或硬件实现。如图1所示，本实施例提供的车道线的修正方法可以包括：

s101，获取当前行驶路面的图像。

本实施例中，无人车上设置的车道线的修正装置可以获取无人车当前行驶路面的图像。

其中，一种获取当前行驶路面的图像的方式为：无人车上设置有拍摄装置，该拍摄装置可以实时对无人车行驶的路面进行拍摄；其中，该拍摄装置可以与车道线的修正装置分开设置，当拍摄装置拍摄当前行驶路面的图像后，可以将图像发送给车道线的修正装置；拍摄装置也可以与车道线的修正装置集成为一体设置，由车道线的修正装置直接获取无人车当前行驶路面的图像。

另一种获取当前行驶路面的图像的方式为：车道线的修正装置能够采集无人车当前行驶路面的点云数据，由于点云数据中包括有采集对象的反射强度信息，根据现有技术中的点云数据转换方法，将当前行驶路面的点云数据转换为反射值底图，将该反射值底图作为当前行驶路面的图像。

s102，根据图像，获取当前行驶路面上的第一车道线和目标车道线，第一车道线为图像中发生车道线缺失的车道线，目标车道线为：图像中与第一车道线的相似度大于相似度阈值的车道线。

具体的，车道线的修正装置获取的图像是由多个像素块组成的，每个像素块对应的对象可能不同。本实施例中的车道线的修正装置中预先存储有分类模型，该分类模型用于对图像中的像素块进行分类，即进行语义分割，获取图像中的车道线；该分类模型可以是采用现有技术中的卷积神经网络的方式预先训练获取的，本实施例中对分类模型的获取方式不做限制。

本实施例中，根据分类模型获取图像中的车道线后，获取当前行驶路面上的第一车道线和目标车道线。其中，车道线的修正装置获取的图像中包含有多个车道线，该多个车道线可以是相同、或者不同的车道线。图2为本发明获取的车道线的示意图一，如图2所示，车道线的修正装置获取的图像中包括有三个车道线，分别为车道线a、车道线b和车道线c。

具体的，第一车道线为图像中发生车道线缺失的车道线。车道线的修正装置根据上述语义分割的方式可以获取图像中的车道线，以及，车道线对应的像素块；根据像素块的连续性，获取图像中的第一车道线，即车道线对应的像素块发生不连续的情况，如图2中的车道线a所示。

本实施例中，在车道线的修正装置获取第一车道线后，在图像中的多个车道线中，除了第一车道线之外的车道线中获取目标车道线；具体的，该目标车道线为：图像中与第一车道线的相似度大于相似度阈值的车道线。

其中，可以根据车道线的弧度、朝向、类型等获取车道线与第一车道线的相似度；示例性的，若车道线的弧度与第一车道线的弧度的差值小于差值阈值，确定该车道线为第一车道线的目标车道线；进一步的，在获取车道线与第一车道线的相似度时，还需要使得获取的目标车道线与第一车道线的朝向和类型相同。车道线的朝向指的是车道线形成的圆弧对应的圆心的方向，车道线的类型可以为车道线为实线或者虚线等。根据上述获取相似度的方式获取多个车道线与第一车道线的相似度，将大于相似度阈值的车道线作为目标车道线。可以想到的是，大于相似度阈值的车道线为多个时，将最大相似度对应的车道线作为目标车道线。

可以想到的是，当第一车道线为直线段时，可以根据是否与第一车道线平行获取目标车道线。本实施例中，针对不同的车道线类型，可以采用对应的方式获取目标车道线，只要获取的目标车道线与第一车道线的相似度大于相似度阈值即可。

示例性的，如图2所示，通过车道线b和车道线c分别与车道线a的相似度的计算，确定车道线b为车道线a的目标车道线。

s103，采用目标车道线，对图像中的第一车道线进行修正。

本实施例中，由于获取的目标车道线与第一车道线的相似度大于相似度阈值。对图像中的第一车道线进行修正的一种方式可以是：将目标车道线对应的像素块进行复制、平移至第一车道线的位置，采用目标车道线对第一车道线缺失的部分进行弥补，修正，使得第一车道线形成完整的车道线。可以想到的是，采用目标车道线上部分车道线进行平移，对第一车道线缺失的部分进行修正。

另一种方式可以是：获取第一车道线的断点，将该断点在目标车道线上进行投影，获取目标车道线上与该断点对应的投影点；示例性的，如图2所示，车道线a上有两个断点，分别为断点a和断点b；根据现有技术中的投影方式，在车道线b上获取断点a和断点b分别对应的投影点a′和b′，采用公式一对车道线a和车道线b进行连接，使得车道线a形成完整的车道线。

其中，根据预先设置的连接公式对目标车道线与第一车道线进行连接，使得第一车道线形成完整的车道线，具体的，该连接公式可如下公式一所示：

其中，xa为第一车道线(车道线a)上的第一断点a的横坐标，ya为车道线a上的第一断点a的纵坐标，xb为车道线a上的第二断点b的横坐标，yb为车道线a上的第二断点b的纵坐标，ya′为第一断点a在目标车道线(车道线b)上的投影点a′的纵坐标，yb′为第二断点b在车道线b上的投影点b′的纵坐标，x′为车道线b上的投影线段a′b′上的任意一点的横坐标，y′为车道线b上的投影线段a′b′上的任意一点的纵坐标，y为车道线b上的投影线段a′b′上的任意一点连接至车道线a上的纵坐标。

具体的，将目标车道线与第一车道线进行连接指的是采用目标车道线上，与第一车道线缺失的车道线对应的车道线，对该缺失的车道线进行连接、弥补。该连接方式避免了对车道线进行复制、平移、连接等步骤，可以直接根据投影点对目标车道线和第一车道线进行连接。

本实施例提供的车道线的修正方法包括：获取当前行驶路面的图像；根据图像，获取当前行驶路面上的第一车道线和目标车道线，第一车道线为图像中发生车道线缺失的车道线，目标车道线为：图像中与第一车道线的相似度大于相似度阈值的车道线；采用目标车道线，对图像中的第一车道线进行修正。本实施例提供的车道线的修正方法能够根据图像中的目标车道线对缺失的车道线进行修正，使得无人车获取正确、连续的车道线，提高了自动驾驶的安全性。

车道线的缺失可以分为：车道线中部缺失，如图2中所示的车道线a；也可以是车道线一端缺失，这种情况适用于道路入口处有多个车道，每个车车道线具有相等的长度，但若车道线的一端缺失时，使得车道线该端与正常的车道线不齐，影像无人车的正常入道和行驶。

在上述实施例的基础上，下面结合图3对本发明提供的车道线的修正方法中的车道线中部缺失的情况进行详细说明，图3为本发明提供的车道线的修正方法的流程示意图二，如图3所示，本实施例提供的车道线的修正方法可以包括：

s301，获取当前行驶路面的点云数据。

其中，无人车上设置有点云数据获取装置，该点云数据获取装置可以实时对无人车行驶的路面进行扫描，获取当前行驶路面的点云数据；本实施例中的点云数据获取装置可以为现有技术中的激光雷达系统。

具体的，该点云数据获取装置可以与车道线的修正装置分开设置，当点云数据获取装置获取当前行驶路面的点云数据后，可以将获取当前行驶路面的点云数据发送给车道线的修正装置；点云数据获取装置也可以与车道线的修正装置集成为一体设置，由车道线的修正装置直接获取当前行驶路面的点云数据。

s302，将点云数据投影至二维平面中，获取点云数据对应的反射值底图；将反射值底图作为当前行驶路面的图像。

点云数据为三维状态，按照现有技术中的投影方式将该三维的点云数据投影至二维平面中，获取点云数据对应的反射值底图，具体的，反射值底图上包含有每个像素块的反射值强度信息。本实施例中，将反射值底图作为当前行驶路面的图像。

s303，根据图像，获取当前行驶路面上的第一车道线，第一车道线为车道线中部发生缺失的车道线。

其中，该图像为当前行驶路面的反射值底图；车道线的修正装置中预先存储有分类模型，具体的，该分类模型是根据反射值底图中的像素块的特征作为训练参数获取的，该分类模型可以将反射值底图中的每个像素块进行分类，获取每个像素块对应的对象。

具体的，根据该分类模型可以获取反射值底图中的多个车道线；其中，根据车道线对应的像素块是否连续，获取第一车道线，第一车道线为发生车道线缺失的车道线；本实施例中，根据车道线缺失的类型获取车道线中部缺失的第一车道线。

s304，获取第一车道线的第一断点和第二断点。

本实施例中的第一车道线为中部缺失的车道线，即第一车道线为两个断线车道线组成，中部具有两个相邻的断点，为第一断点和第二断点。本实施例中可以根据通过判断属于同一车道线的像素块是否连续获取第一车道线，在在该第一车道线发生缺失的像素块中获取第一断点和第二断点。

示例性的，如图2所示，车道线a上有两个断点，分别为断点a和断点b。

s305，在第一断点的预设距离范围内获取多个候选车道线。

示例性的，如图2所示，第一断点可以为断点a或断点b；在第一断点的预设范围内，获取多个候选车道线。其中，该第一断点的预设范围可以是预设距离或者预设角度；对应的，候选车道线可以为在距离第一断点的预设距离的范围内的车道线；或者，候选车道线可以为在距离第一断点的预设角度的范围内的车道线。

s306，将每个候选车道线进行平移，直至第一断点与第一断点在每个候选车道线上的投影点重合，获取第二断点至每个候选车道线的距离。

本实施例中，将第一断点在每个候选车道线上进行投影，在每个候选车道线上获取第一断点对应的投影点；具体的，当候选车道线为直线车道线时，将第一断点在候选车道线上作垂线段，该垂线段与候选车道线的焦点即为第一断点在候选车道线上的投影点；或者，当候选车道线为弧线车道线，第一车道线为直线车道线时，将第一断点在第一车道线上作垂线段，该垂线段与候选车道线的焦点即为第一断点在候选车道线上的投影点；或者，当候选车道线为弧线车道线，第一车道线为弧线车道线时，可以根据第一车道线与候选车道线的弧度，确定第一断点在候选车道线上的投影点。

在获取第一断点在每个候选车道线上的投影点后，将每个候选车道线进行平移，直至第一断点与第一断点在每个候选车道线上的投影点重合，获取第二断点至每个候选车道线的距离。

本实施例中，可以采用与上述获取第一断点在候选车道线上的投影点的方式，获取第二断点在候选车道线上的投影点，第二断点至每个候选车道线的距离即为第二断点至对应的每个候选车道线上的投影点的距离。

示例性的，如图2所示，第一车道线为车道线a，候选车道线为车道线b和车道线c；分别在车道线b和车道线c上获取第一断点a的投影点a′和a″，以及，第二断点b的投影点b′和b″；分别平移车道线b和车道线c；直至车道线b上的投影点a′与第一断点a重合，以及，车道线c上的投影点a″与第一断点a重合；其中，图2中所示的(a′)、(b′)表示平移后的车道线b上的a′和b′，(a″)、(b″)表示平移后的车道线b上的a″和b″；图2中由于车道线b与车道线a完全相同，因此，将车道线b上的投影点a′与第一断点a重合时，车道线b与车道线a完全重合，此时获取第一断点b至平移后的车道线b上的(b′)的距离b(b′)为s1，其中，s1等于0；同理地，直至车道线c上的投影点a″与第一断点a重合，获取第二断点b至平移后的车道线c上的(b″)的距离b(b″)为s2，图2中示例性的画出了车道线c平移后其上的一段车道线。

s307，根据第二断点至每个候选车道线的距离，获取每个候选车道线与第一车道线的相似度。

本实施例中，第二断点至每个候选车道线的距离越小，则每个候选车道线与第一车道线的相似度越大。由上述可得，车道线a上的第二断点b分别至车道线b和的距离为s1和s2，其中，s2大于s1；即车道线b与车道线a之间的相似度大于，车道线c与车道线a之间的相似度。

具体的，车道线的修正装置中存储有第二断点至每个候选车道线的距离，与相似度的对应关系。车道线的修正装置在获取第二断点至每个候选车道线的距离后，根据该对应关系，获取每个候选车道线与第一车道线的相似度。

s308，根据每个候选车道线与第一车道线的相似度，若存在最大相似度大于相似度阈值，则将最大相似度对应的候选车道线作为目标车道线。

车道线的修正装置在获取每个候选车道线与第一车道线的相似度后，对相似度由大到小进行排序，若存在最大相似度大于相似度阈值，则将最大相似度对应的候选车道线作为目标车道线。

可以想到的是，若最大相似度仍小于相似度阈值，则确定该反射值底图中的车道线中不存在第一车道线的目标车道线，对应的，不对第一车道线进行修正处理。

s309，根据目标车道线，对第一断点和第二断点进行连接。

本实施例中的可以采用上述实施例中的公式一对目标车道线与第一车道线进行连接。具体的，是采用与目标车道线上，与第一车道线上缺失的车道线对应的车道线，对第一车道线进行修正。

图4为对图2中的车道线a进行修正后的车道线示意图，如图4所示，上述公式一中的连接方式具体是：采用目标车道线b上与第一车道线a上缺失的车道线ab对应的车道线a′b′，对第一车道线a进行连接。具体的，根据上述连接公式中的连接方法，使得第一车道线a形成完整的车道线。

本实施例中，第一车道线为车道线中部发生缺失的车道线，获取第一车道线的第一断点和第二断点；在第一断点的预设距离范围内获取多个候选车道线；根据每个候选车道线与第一车道线的相似度，具体的，获取相似度的方式为：将每个候选车道线进行平移，直至第一断点与第一断点在每个候选车道线上的投影点重合；获取第二断点至每个候选车道线的距离；根据第二断点至每个候选车道线的距离，获取每个候选车道线与第一车道线的相似度；进一步的，根据目标车道线，对第一断点和第二断点进行连接。使得能够根据反射值底图中的目标车道线对缺失的车道线进行修正，使得无人车获取正确、连续的车道线，提高了自动驾驶的安全性。

在上述实施例的基础上，下面结合图5对本发明提供的车道线的修正方法中的车道线中部缺失的情况进行详细说明，图5为本发明提供的车道线的修正方法的流程示意图三，如图5所示，本实施例提供的车道线的修正方法可以包括：

s501，获取当前行驶路面的点云数据。

s502，将点云数据投影至二维平面中，获取点云数据对应的反射值底图；将反射值底图作为当前行驶路面的图像。

s503，根据图像，获取当前行驶路面上的第一车道线，第一车道线为车道线一端发生缺失的车道线。

第一车道线为多个，第一车道线为车道线一端发生缺失的车道线，这种情况适用于道路入口处有多个车道，每个车道线具有相等的长度，但若车道线的一端缺失时，使得车道线该端与正常的车道线不齐，影像无人车的正常入道和行驶。

图6为本发明获取的车道线的示意图二，如图6所示，无人车获取的车道线包括车道线a′、车道线b′、车道线c′和车道线d′；正常情况下，车道线a′、车道线b′、车道线c′和车道线d′也具有相同的长度，但由于磨损或者像素显示灯原因，使得车道线a′、车道线b′、车道线c′的一旦发生车道线缺失。使得车道线a′、车道线b′、车道线c′与车道线d′的入口端不齐，影像无人车的正常入道和行驶。

s504，根据每个第一车道线中缺失的车道线的长短的升序，对多个第一车道线进行排序。

本实施例中，获取每个第一车道线中缺失的车道线的排序；如图6所示，车道线a′、车道线b′、车道线c′缺失的长度为：车道线a′大于车道线b′，车道线b′大于车道线c′；即第一车道线中缺失的车道线的长短的升序为：车道线c′、车道线b′、车道线a′。最终的第一车道线的排序为：车道线c′、车道线b′、车道线a′。

s505，对于排序后的每个第一车道线，将第一车道线的前一个第一车道线作为第一车道线的目标车道线。

本实施例中，在获取第一车道线后，需要获取每个第一车道线的目标车道线，采用目标车道线对第一车道线进行修正；具体的，对于排序后的每个第一车道线，将第一车道线的前一个第一车道线作为第一车道线的目标车道线。如图6所示，本实施例中的第一车道线的排序为：车道线c′、车道线b′、车道线a′，则车道线a′的目标车道线为车道线b′，车道线b′的目标车道线为车道线c′。

其中，由于车道线c′、车道线b′均为存在车道线缺失的车道线，因此采用车道线c′、车道线b′分别对车道线b′、车道线a′进行修正的方式，可以使得车道线b′、车道线a′与车道线c′完全相同。仍然属于不完成的车道线。

此时，对于车道线c′，其为缺失的长度最小的车道线，可采用上述实施例中获取车道线c′的目标车道线的方式，先对车道线c′进行修正，使得车道线c′形成完整的车道线，如图6中所示，获取车道线c′的目标车道线可以为车道线d′。进一步的，采用在修正后的车道线c′对车道线b′进行修正，使得车道线b′形成完整的车道线，相应的，采用在修正后的车道线b′对车道线a′进行修正，使得车道线a′形成完整的车道线。

s506，将目标车道线平移至与第一车道线重叠。

本实施例中，由于每个车道线是完全相同的，在获取每个第一车道线的目标车道线后，可以将目标车道线进行平移，直至目标车道线完全与第一车道线重叠，即可实现对第一车道线的修正。

值得注意的是，本实施例中，可先对第一车道线中缺失的车道线最短的第一车道线进行修正，再按照一车道线中缺失的车道线长度的升序，依次对第一车道线进行修正，使得获取完整的车道线。图7为对图6中的车道线进行修正后的车道线示意图，如图7所示，修正后的车道线c′、车道线b′、车道线a′均形成完整的车道线，其中，图7中的虚线部分为车道线中进行补齐的车道线。

本实施例中，s501-s503中的具体实施方式可以参照上述实施例中的s301-s303中的相关描述，在此不做赘述。

本实施例中，第一车道线为车道线一端发生缺失的车道线，第一车道线为多个，具体的，根据每个第一车道线中缺失的车道线的长短的升序，对多个第一车道线进行排序；对于排序后的每个第一车道线，将第一车道线的前一个第一车道线作为第一车道线的目标车道线，进行修正时，将目标车道线平移至与第一车道线重叠。本实施例能够根据图像中的目标车道线对缺失的车道线进行修正，使得无人车获取正确、连续的车道线，提高了自动驾驶的安全性。

图8为本发明提供的车道线的修正装置的结构示意图一，如图8所示，该车道线的修正装置800包括：图像获取模块801、车道线获取模块802、修正模块803。

图像获取模块801，用于获取当前行驶路面的图像。

车道线获取模块802，用于根据图像，获取当前行驶路面上的第一车道线和目标车道线，第一车道线为图像中发生车道线缺失的车道线，目标车道线为：图像中与第一车道线的相似度大于相似度阈值的车道线。

修正模块803，用于采用目标车道线，对图像中的第一车道线进行修正。

本实施例提供的车道线的修正装置与上述车道线的修正方法实现的原理和技术效果类似，在此不作赘述。

可选的，图9为本发明提供的车道线的修正装置的结构示意图二，如图9所示，该车道线的修正装置800还包括：相似度获取模块804。

可选的，图像获取模块801，具体用于获取当前行驶路面的点云数据；将点云数据投影至二维平面中，获取点云数据对应的反射值底图；将反射值底图作为图像。

可选的，车道线获取模块802，具体用于获取第一车道线的第一断点和第二断点；在第一断点的预设距离范围内获取多个候选车道线；根据每个候选车道线与第一车道线的相似度，若存在最大相似度大于相似度阈值，则将最大相似度对应的候选车道线作为目标车道线。

相似度获取模块804，用于将每个候选车道线进行平移，直至第一断点与第一断点在每个候选车道线上的投影点重合；获取第二断点至每个候选车道线的距离；根据第二断点至每个候选车道线的距离，获取每个候选车道线与第一车道线的相似度。

可选的，修正模块803，具体用于根据目标车道线，对第一断点和第二断点进行连接。

可选的，车道线获取模块802，具体还用于根据每个第一车道线中缺失的车道线的长短的升序，对多个第一车道线进行排序；对于排序后的每个第一车道线，将第一车道线的前一个第一车道线作为第一车道线的目标车道线。

可选的，修正模块803，具体还用于将目标车道线平移至与第一车道线重叠。

图10为本发明提供的车道线的修正装置的结构示意图三，该车道线的修正装置例如可以是终端设备，比如智能手机、平板电脑、计算机等。如图10所示，该车道线的修正装置1000包括：存储器1001和至少一个处理器1002。

存储器1001，用于存储程序指令。

处理器1002，用于在程序指令被执行时实现本实施例中的车道线的修正方法，具体实现原理可参见上述实施例，本实施例此处不再赘述。

该车道线的修正装置1000还可以包括及输入/输出接口1003。

输入/输出接口1003可以包括独立的输出接口和输入接口，也可以为集成输入和输出的集成接口。其中，输出接口用于输出数据，输入接口用于获取输入的数据，上述输出的数据为上述方法实施例中输出的统称，输入的数据为上述方法实施例中输入的统称。

本发明还提供一种可读存储介质，可读存储介质中存储有执行指令，当车道线的修正装置的至少一个处理器执行该执行指令时，当计算机执行指令被处理器执行时，实现上述实施例中的车道线的修正方法。

本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。车道线的修正装置的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得车道线的修正装置实施上述的各种实施方式提供的车道线的修正方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-onlymemory，简称：rom)、随机存取存储器(英文：randomaccessmemory，简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。

在上述网络设备或者终端设备的实施例中，应理解，处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。