一种车道线检测方法、装置及车载设备与流程

本发明实施例涉及自动驾驶技术领域，具体涉及一种车道线检测方法、装置及车载设备。

背景技术：

车道线检测是自动驾驶车辆重要的感知功能之一。现有的车道线检测方法主要分为基于图像处理的车道线检测方法和基于深度学习的车道线检测方法。

基于图像处理的车道线检测方法，依赖于计算复杂度较高的逆透视变换或霍夫变换(houghtransform)等图像处理技术，且对遮挡、模糊、弯道等复杂工况的鲁棒性较低，易出现漏检。

基于深度学习的车道线检测方法，使用深度神经网络实现对车道线的检测，虽然鲁棒性提高，但是对计算平台的要求较高，需要特定芯片支持神经网络的部署，不易于大规模的车规级部署使用。

上述对问题的发现过程的描述，仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现要素：

为了解决现有技术存在的至少一个问题，本发明的至少一个实施例提供了一种车道线检测方法、装置及车载设备。

第一方面，本发明实施例提出一种车道线检测方法，包括：

获取图像传感器采集的图像；

提取所述图像中的车道线像素点；

确定属于同一车道线的车道线像素点；

筛选属于同一车道线的车道线像素点，得到待拟合像素点；

拟合所述待拟合像素点得到车道线。

基于第一方面，在第一方面第一实施例中，所述方法还包括：

基于拟合的车道线和车辆信息，更新已追踪的车道线。

基于第一方面第一实施例，在第一方面第二实施例中，所述基于拟合的车道线和车辆信息，更新已追踪的车道线，包括：

基于已追踪的车道线和所述车辆信息，预测所述图像的车道线；

将拟合的车道线与预测的车道线进行匹配；

若匹配，将拟合的车道线与所述已追踪的车道线进行拼接。

基于第一方面第二实施例，在第一方面第三实施例中，所述车辆信息包括：车速和角速度；

所述基于已追踪的车道线和所述车辆信息，预测所述图像的车道线，包括：

基于所述车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的参数，预测所述图像的车道线对应曲线的参数。

基于第一方面第三实施例，在第一方面第四实施例中，所述将拟合的车道线与预测的车道线进行匹配，包括：

将拟合的车道线对应曲线的参数与预测的车道线对应曲线的参数进行相似度匹配。

基于第一方面第三实施例，在第一方面第五实施例中，基于所述车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的参数，预测所述图像的车道线对应曲线的参数，包括：

基于所述车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的常数项和一次项，预测所述图像的车道线对应曲线的常数项和一次项。

基于第一方面，在第一方面第六实施例中，提取所述图像中的车道线像素点，包括：

在所述图像中设置感兴趣区域；

对所述感兴趣区域进行边缘检测；

隔行提取边缘检测得到的像素点，得到车道线像素点。

基于第一方面，在第一方面第七实施例中，所述确定属于同一车道线的车道线像素点，包括：

确定所述车道线像素点的世界坐标；

对世界坐标进行聚类得到属于同一车道线的车道线像素点。

基于第一方面第七实施例，在第一方面第八实施例中，所述对世界坐标进行聚类得到属于同一车道线的车道线像素点，包括：

基于世界坐标构建kd树；

对所述kd树中的所有横坐标进行密度聚类，得到属于同一车道线的车道线像素点。

基于第一方面，在第一方面第九实施例中，所述筛选属于同一车道线的车道线像素点，得到待拟合像素点，包括：

剔除所述属于同一车道线的车道线像素点中的外侧像素点；

对剔除外侧像素点后剩余的车道线像素点进行拟合判断，得到待拟合像素点。

基于第一方面第九实施例，在第一方面第十实施例中，所述对剔除外侧像素点后剩余的车道线像素点进行拟合判断，得到待拟合像素点，包括：

若剩余的车道线像素点的最小纵坐标小于或等于预设距离，且最小纵坐标与最大纵坐标之差大于或等于第一预设间距，则确定剩余的车道线像素点均为待拟合像素点。

基于第一方面第十实施例，在第一方面第十一实施例中，拟合所述待拟合像素点得到车道线，包括：

若最小纵坐标与最大纵坐标之差大于第二预设间距，则采用三次曲线拟合所述待拟合像素点得到车道线；

若最小纵坐标与最大纵坐标之差小于或等于第二预设间距，则采用二次曲线拟合所述待拟合像素点得到车道线。

第二方面，本发明实施例还提出一种车道线检测装置，包括：

第一获取单元，用于获取图像传感器采集的图像；

提取单元，用于提取所述图像中的车道线像素点；

确定单元，用于确定属于同一车道线的车道线像素点；

筛选单元，用于筛选属于同一车道线的车道线像素点，得到待拟合像素点；

拟合单元，用于拟合所述待拟合像素点得到车道线。

基于第二方面，在第二方面第一实施例中，所述装置还包括：

更新单元，用于基于拟合的车道线和车辆信息，更新已追踪的车道线。

基于第二方面第一实施例，在第二方面第二实施例中，所述更新单元包括：

第一子单元，用于基于已追踪的车道线和所述车辆信息，预测所述图像的车道线；

第二子单元，用于将拟合的车道线与预测的车道线进行匹配；

第三子单元，用于若匹配，将拟合的车道线与所述已追踪的车道线进行拼接。

基于第二方面第二实施例，在第二方面第三实施例中，所述车辆信息包括：车速和角速度；

所述第一子单元，用于基于所述车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的参数，预测所述图像的车道线对应曲线的参数。

基于第二方面第三实施例，在第二方面第四实施例中，所述第二子单元，用于将拟合的车道线对应曲线的参数与预测的车道线对应曲线的参数进行相似度匹配。

基于第二方面第三实施例，在第二方面第五实施例中，所述第一子单元，用于基于所述车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的常数项和一次项，预测所述图像的车道线对应曲线的常数项和一次项。

基于第二方面，在第二方面第六实施例中，所述提取单元，用于：

在所述图像中设置感兴趣区域；

对所述感兴趣区域进行边缘检测；

隔行提取边缘检测得到的像素点，得到车道线像素点。

基于第二方面，在第二方面第七实施例中，所述确定单元，包括：

第一子单元，用于确定所述车道线像素点的世界坐标；

第二子单元，用于对世界坐标进行聚类得到属于同一车道线的车道线像素点。

基于第二方面第七实施例，在第二方面第八实施例中，所述第二子单元，用于：

基于世界坐标构建kd树；

对所述kd树中的所有横坐标进行密度聚类，得到属于同一车道线的车道线像素点。

基于第二方面，在第二方面第九实施例中，所述筛选单元，包括：

第一子单元，用于剔除所述属于同一车道线的车道线像素点中的外侧像素点；

第二子单元，用于对剔除外侧像素点后剩余的车道线像素点进行拟合判断，得到待拟合像素点。

基于第二方面第九实施例，在第二方面第十实施例中，所述第二子单元，用于若剩余的车道线像素点的最小纵坐标小于或等于预设距离，且最小纵坐标与最大纵坐标之差大于或等于第一预设间距，则确定剩余的车道线像素点均为待拟合像素点。

基于第二方面第十实施例，在第二方面第十一实施例中，所述拟合单元，用于：

若最小纵坐标与最大纵坐标之差大于第二预设间距，则采用三次曲线拟合所述待拟合像素点得到车道线；

若最小纵坐标与最大纵坐标之差小于或等于第二预设间距，则采用二次曲线拟合所述待拟合像素点得到车道线。

第三方面，本发明实施例还提出一种车载设备，包括：

处理器和存储器；

所述处理器和存储器通过总线系统耦合在一起；

所述处理器通过调用所述存储器存储的程序或指令，用于执行如第一方面所述方法的步骤。

可见，本发明实施例的至少一个实施例中，通过筛选排除误检的车道线像素点，提高了车道线检测的准确性。另外，由于无需采用深度神经网络，因此对计算平台的要求降低，易于大规模的车规级部署使用。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种车载设备的结构示意图；

图2为本发明实施例提供的一种车道线检测方法流程图；

图3为本发明实施例提供的一种车道线检测装置框图；

图4为本发明实施例提供的一张用于车道线检测的样本图像；

图5为图4所示的样本图像经过车道线检测后得到的车道线二值图像。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

图1是本发明实施例提供的一种车载设备的结构示意图。

图1所示的车载设备包括：至少一个处理器101和至少一个存储器102。车载设备中的各个组件通过总线系统103耦合在一起。可理解，总线系统103用于实现这些组件之间的连接通信。总线系统103除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见，在图1中将各种总线都标为总线系统103。

可以理解，本实施例中的存储器102可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，rom)、可编程只读存储器(programmablerom，prom)、可擦除可编程只读存储器(erasableprom，eprom)、电可擦除可编程只读存储器(electricallyeprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(staticram，sram)、动态随机存取存储器(dynamicram，dram)、同步动态随机存取存储器(synchronousdram，sdram)、双倍数据速率同步动态随机存取存储器(doubledataratesdram，ddrsdram)、增强型同步动态随机存取存储器(enhancedsdram，esdram)、同步连接动态随机存取存储器(synchlinkdram，sldram)和直接内存总线随机存取存储器(directrambusram，drram)。本文描述的存储器102旨在包括但不限于这些和任意其它适合类型的存储器。

在一些实施方式中，存储器102存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统1021和应用程序1022。

其中，操作系统1021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1022，包含各种应用程序，例如媒体播放器(mediaplayer)、浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1022中。

在本发明实施例中，处理器101通过调用存储器102存储的程序或指令，具体的，可以是应用程序1022中存储的程序或指令，处理器101用于执行车道线检测方法各实施例的步骤，例如可包括以下步骤一至步骤五：

步骤一、获取图像传感器采集的图像。

步骤二、提取所述图像中的车道线像素点。

步骤三、确定属于同一车道线的车道线像素点。

步骤四、筛选属于同一车道线的车道线像素点，得到待拟合像素点。

步骤五、拟合所述待拟合像素点得到车道线。

本发明实施例中，通过筛选排除误检的车道线像素点，提高了车道线检测的准确性。另外，由于无需采用深度神经网络，因此对计算平台的要求降低，易于大规模的车规级部署使用。

上述本发明实施例揭示的方法可以应用于处理器101中，或者由处理器101实现。处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(fieldprogrammablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成上述方法的步骤。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(pld)、现场可编程门阵列(fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

可以理解的是，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，方法实施例的步骤之间除非存在明确的先后顺序，否则执行顺序可任意调整。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。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

图2为本发明实施例提供的一种车道线检测方法流程图。该方法的执行主体为车载设备。

如图2所示，本实施例公开的车道线检测方法可包括以下步骤201至205：

201、获取图像传感器采集的图像。

202、图像中的车道线像素点。

203、确定属于同一车道线的车道线像素点。

204、筛选属于同一车道线的车道线像素点得到待拟合像素点。

205、拟合待拟合像素点得到车道线。

本实施例中，图像传感器例如为摄像头，摄像头安装在自动驾驶车辆上，采集自动驾驶车辆行驶方向的图像，也称为前向摄像头。

车载设备获取图像传感器采集的图像的方式为被动接收式，也即前向摄像头会将采集的图像传输给车载设备，车载设备接收图像。

本实施例中，为了减少漏检，本实施例对图像的处理不采用复杂度较高的透视变换或霍夫变换等复杂处理，而是基于边缘检测提取图像中的车道线像素点，也可采用其他的方式提取车道线像素点。

基于边缘检测提取图像中的车道线像素点，降低了图像处理复杂度，加快了图像处理速度，提高了复杂工况的鲁棒性，减少漏检。

对于自动驾驶车辆，若自动驾驶车辆在车道中行驶时，车道线包括：自动驾驶车辆左侧的车道线，简称左侧车道线，以及自动驾驶车辆右侧的车道线，简称右侧车道线。

本实施例中，确定属于同一车道线的车道线像素点，也即对车道线像素点进行归类，属于同一类的车道线像素点位于同一车道线，同一车道线为左侧车道线或者右侧车道线。

另外，由于基于边缘检测提取图像中的车道线像素点，降低了图像处理复杂度，加快了图像处理速度，因此，不可避免地增加了误检的车道线像素点。

为提高车道线检测的准确性，本实施例中，在确定属于同一车道线的车道线像素点后，通过筛选从属于同一车道线的车道线像素点中排除误检的车道线像素点，提高了车道线检测的准确性。

筛选属于同一车道线的车道线像素点后，可得到车道线的有效像素点，称为待拟合像素点。通过拟合待拟合像素点，可得到车道线。其中，拟合方法可沿用现有技术，在此不再赘述。

本实施例公开的车道线检测方法可应用于车道保持辅助(lka，lanekeepingassist)和车道偏离预警(ldw，lanedeparturewarning)等自动驾驶功能的开发。

可见，本实施例中，通过筛选排除误检的车道线像素点，提高了车道线检测的准确性。由于无需采用深度神经网络，因此对计算平台的要求降低，易于大规模的车规级部署使用。

另外，本实施例中，通过基于边缘检测提取图像中的车道线像素点，无需对图像进行透视变换或霍夫变换等复杂处理，降低了图像处理复杂度，加快了图像处理速度，提高了复杂工况的鲁棒性，减少漏检。

在一些实施例中，提取图像中的车道线像素点，可包括以下步骤(1)至(3)：

(1)在图像中设置感兴趣区域；

(2)对感兴趣区域进行边缘检测；

(3)隔行提取边缘检测得到的像素点，得到车道线像素点。

本实施例中，在图像中设置感兴趣区域(roi，regionofinterest)，可为减少计算量，提高处理速度，提高复杂工况的鲁棒性。具体地，可基于上一帧图像检测的车道线在图像传感器采集范围中的位置，设置动态的roi。

动态的roi也即随着自动驾驶车辆的运动，roi的边界会动态调整。例如，初始的roi或者自动驾驶车辆行驶在车道中时的roi为预设尺寸的梯形区域，若自动驾驶车辆向左变道，车道线在图像传感器采集范围中的相对位置发生顺时针转动，因此，roi的边界也应当顺时针转动。

另外，roi的尺寸可基于上一帧图像检测的车道线所对应的拟合一次项的值进行调整。在一些应用中，拟合一次项与roi的尺寸正相关，也即拟合一次项越大，roi的尺寸越大。

本实施例中，为了提高复杂工况的鲁棒性，减少漏检，对感兴趣区域进行边缘检测时，可设置较低的检测阈值降低漏检的概率，但不可避免地出现误检的车道线像素点。

为了减少误检的车道线像素点，进一步提高处理速度，可以隔行提取边缘检测得到的像素点，得到车道线像素点。

在一些实施例中，确定属于同一车道线的车道线像素点，可包括以下步骤(1)和(2)：

(1)确定车道线像素点的世界坐标；

(2)对世界坐标进行聚类得到属于同一车道线的车道线像素点。

本实施例中，为了确定属于同一车道线的车道线像素点，需要确定车道线像素点的世界坐标。

由于图像传感器采集的图像是世界坐标系下的三维景物在二维像平面上的投影，其投影原理近似为小孔成像原理，在数学上则是一个透视映射过程，其逆过程称为逆透视映射(inverseperspectivemapping，ipm)。因此，采用ipm可确定车道线像素点的世界坐标，包括：纵向坐标和横向坐标。采用ipm将二维坐标转换为三维坐标属于本领域的成熟技术，在此不再赘述。

在确定车道线像素点的世界坐标后，可通过聚类将车道线像素点进行分类，得到属于同一车道线的车道线像素点。

对世界坐标进行聚类的方式有多种，例如可采用k-means聚类和基于密度聚类等方法。k-means聚类需要指定聚类的类别数量，对于异常点比较敏感。基于密度聚类对于异常点不敏感，但是时间复杂度高。

在一些实施例中，采用密度聚类对世界坐标进行聚类得到属于同一车道线的车道线像素点，具体包括以下步骤(1)和(2)：

(1)基于世界坐标构建kd树；

(2)对kd树中的所有横坐标进行密度聚类，得到属于同一车道线的车道线像素点。

本实施例中，通过对世界坐标构建kd树，可提高聚类处理速度。具体地，基于属于同一车道线的所有车道线像素点的世界坐标的横坐标构建kd树。

在一些实施例中，筛选属于同一车道线的车道线像素点得到待拟合像素点，可包括以下步骤(1)和(2)：

(1)剔除属于同一车道线的车道线像素点中的外侧像素点；

(2)对剔除外侧像素点后剩余的车道线像素点进行拟合判断，得到待拟合像素点。

无论对于左侧车道线，还是右侧车道线，车道线均有一定的宽度，在基于边缘检测提取图像中的车道线像素点后，车道线由外侧线和内侧线构成，外侧线由外侧像素点构成，内侧线由内侧像素点构成。外侧线可理解为远离车道内部的线，内侧线可理解为靠近车道内部的线。

为消除车道线宽对于后续拟合结果的影响，需要剔除属于同一车道线的车道线像素点中的外侧像素点，从而可排除部分误检的车道线像素点。

为消除基于边缘检测提取图像中的车道线像素点可能引起的误检，以及提高拟合的精度，对剔除外侧像素点后剩余的车道线像素点进行拟合判断，得到待拟合像素点。

在一些实施例中，对剔除外侧像素点后剩余的车道线像素点进行拟合判断，得到待拟合像素点，具体为：

若剩余的车道线像素点的最小纵坐标小于或等于预设距离，且最小纵坐标与最大纵坐标之差大于或等于第一预设间距，则确定剩余的车道线像素点均为待拟合像素点。

本实施例中，可采用ipm确定车道线像素点的世界坐标，包括：纵向坐标和横向坐标。

本实施例中，若剩余的车道线像素点的最小纵坐标大于预设距离，说明距离自动驾驶车辆最近的车道线像素点仍然比较远，对自动驾驶车辆的行驶不会产生影响，因此无需进行拟合。

预设距离例如为15米，本实施例仅为举例说明，不限定预设距离的具体取值。

本实施例中，若最小纵坐标与最大纵坐标之差小于第一预设间距，说明检测车道线像素点可能属于指示标识，例如转弯指示箭头等地标，不属于车道线的像素点，因此无需进行拟合。

第一预设间距例如为4米，本实施例仅为举例说明，不限定第一预设间距的具体取值。

在一些实施例中，拟合待拟合像素点得到车道线，可包括以下(1)和(2)：

(1)若最小纵坐标与最大纵坐标之差大于第二预设间距，则采用三次曲线拟合所述待拟合像素点得到车道线；

(2)若最小纵坐标与最大纵坐标之差小于或等于第二预设间距，则采用二次曲线拟合所述待拟合像素点得到车道线。

本实施例中，若最小纵坐标与最大纵坐标之差大于第二预设间距，说明车道线较远，车道线像素点较多，因此，采用三次曲线拟合更加准确。

第二预设间距例如为20米，本实施例仅为举例说明，不限定第二预设间距的具体取值。

在一些实施例中，车道线检测方法还可包括步骤：基于拟合的车道线和车辆信息，更新已追踪的车道线，具体地，可包括以下步骤(1)至(3)：

(1)基于已追踪的车道线和车辆信息，预测所述图像的车道线；

(2)将拟合的车道线与预测的车道线进行匹配；

(3)若匹配，将拟合的车道线与已追踪的车道线进行拼接。

本实施例中，当前正在被处理的图像可理解为本帧图像或当前帧图像。基于已追踪的车道线和车辆信息，可预测本帧图像的车道线。

本实施例中，车辆信息为自动驾驶车辆在行驶过程中的运动信息，例如包括但不限于车速和角速度。车辆信息由安装在自动驾驶车辆上的传感器组采集，传感器组包括但不限于速度传感器和角速度传感器。传感器组将采集的数据实时传输给车载设备。

由本帧图像拟合的车道线可与预测的车道线进行匹配，若匹配，说明两者属于同一类，例如均为左侧车道线或者右侧车道线，若不匹配，说明拟合的车道线属于新出现的线，该线既不属于左侧车道线，也不属于右侧车道线，应当为指示标识，例如转弯指示箭头等地标，不属于车道线。

已追踪的车道线可理解为从历史图像中已经检测出来的车道线。车载设备从图像传感器每获取一帧图像，均会检测车道线，并将检测到的车道线与已追踪的车道线进行拼接，完成对已追踪的车道线的更新。

在一些实施例中，基于已追踪的车道线和车辆信息，预测所述图像的车道线，可包括：基于车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的参数，预测所述图像的车道线对应曲线的参数。

本实施例中，当前正在被处理的图像可理解为本帧图像，前一帧图像可理解为本帧图像的前一帧图像。

由于车道线是由多个车道线像素点构成，具体地，车道线是由多个车道线像素点拟合得到的曲线，因此，车道线与曲线向对应。

相应地，将拟合的车道线与预测的车道线进行匹配，具体为：将拟合的车道线对应曲线的参数与预测的车道线对应曲线的参数进行相似度匹配。

在一些实施例中，可将拟合的车道线与预测的车道线依据拟合曲线的常数项和一次项进行相似度匹配。

相似度匹配例如采用欧式距离匹配，具体地，若欧式距离小于预设阈值，则归为一类。例如：若拟合的车道线与预测的左侧车道线满足欧式距离小于预设阈值，则说明拟合的车道线为左侧车道线。

若拟合的车道线与预测的的左侧车道线和右侧车道线均满足：欧式距离大于预设阈值，则说明拟合的车道线是新出现的线，该线既不属于左侧车道线，也不属于右侧车道线，应当为指示标识，例如转弯指示箭头等地标，不属于车道线。

可见，匹配拟合的车道线与预测的车道线，可进一步降低误检的概率。

在一些实施例中，基于所述车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的参数，预测所述图像的车道线对应曲线的参数，包括：

基于所述车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的常数项和一次项，预测所述图像的车道线对应曲线的常数项和一次项。

本实施例中，当前正在被处理的图像可理解为本帧图像，前一帧图像可理解为本帧图像的前一帧图像。

本实施例中，通过下式预测下一帧图像的车道线：

其中，为两帧图像的时间间隔，vk为前一帧图像对应的车速，wk为前一帧图像对应的角速度，a0,k为前一帧图像中车道线对应曲线的常数项，a1,k为前一帧图像中车道线对应曲线的一次项，a0,k+1为本帧图像中车道线对应曲线的常数项，a1,k+1为本帧图像中车道线对应曲线的一次项。

基于以上各实施例公开的车道线检测方法，对图4所示的用于车道线检测的样本图像进行检测后，可得到图5所示的车道线二值图像。

如图3所示，本实施例公开一种车道线检测装置，可包括以下单元：第一获取单元31、提取单元32、确定单元33、筛选单元34和拟合单元35，具体说明如下：

第一获取单元31，用于获取图像传感器采集的图像；

提取单元32，用于提取所述图像中的车道线像素点；

确定单元33，用于确定属于同一车道线的车道线像素点；

筛选单元34，用于筛选属于同一车道线的车道线像素点，得到待拟合像素点；

拟合单元35，用于拟合所述待拟合像素点得到车道线。

在一些实施例中，车道线检测装置还包括：

更新单元，用于基于拟合的车道线和车辆信息，更新已追踪的车道线。

在一些实施例中，所述更新单元包括：

第一子单元，用于基于已追踪的车道线和所述车辆信息，预测所述图像的车道线；

第二子单元，用于将拟合的车道线与预测的车道线进行匹配；

第三子单元，用于若匹配，将拟合的车道线与所述已追踪的车道线进行拼接。

在一些实施例中，所述车辆信息包括：车速和角速度；

所述第一子单元，用于基于所述车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的参数，预测所述图像的车道线对应曲线的参数。

在一些实施例中，所述第二子单元，用于将拟合的车道线对应曲线的参数与预测的车道线对应曲线的参数进行相似度匹配。

在一些实施例中，所述第一子单元，用于基于所述车速、角速度、两帧图像的时间间隔和前一帧图像的车道线对应曲线的常数项和一次项，预测所述图像的车道线对应曲线的常数项和一次项。

在一些实施例中，所述提取单元32，用于：

在所述图像中设置感兴趣区域；

对所述感兴趣区域进行边缘检测；

隔行提取边缘检测得到的像素点，得到车道线像素点。

在一些实施例中，所述确定单元33，包括：

第一子单元，用于确定所述车道线像素点的世界坐标；

第二子单元，用于对世界坐标进行聚类得到属于同一车道线的车道线像素点。

在一些实施例中，所述第二子单元，用于：

基于世界坐标构建kd树；

对所述kd树中的所有横坐标进行密度聚类，得到属于同一车道线的车道线像素点。

在一些实施例中，所述筛选单元34，包括：

第一子单元，用于剔除所述属于同一车道线的车道线像素点中的外侧像素点；

第二子单元，用于对剔除外侧像素点后剩余的车道线像素点进行拟合判断，得到待拟合像素点。

在一些实施例中，所述第二子单元，用于若剩余的车道线像素点的最小纵坐标小于或等于预设距离，且最小纵坐标与最大纵坐标之差大于或等于第一预设间距，则确定剩余的车道线像素点均为待拟合像素点。

在一些实施例中，所述拟合单元35，用于：

若最小纵坐标与最大纵坐标之差大于第二预设间距，则采用三次曲线拟合所述待拟合像素点得到车道线；

若最小纵坐标与最大纵坐标之差小于或等于第二预设间距，则采用二次曲线拟合所述待拟合像素点得到车道线。

以上实施例公开的车道线检测装置能够实现以上各方法实施例公开的车道线检测方法的流程，为避免重复，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

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。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。