一种车辆变道检测方法、装置、交通工具及存储介质与流程

1.本发明涉及自动驾驶技术领域，尤其涉及一种车辆变道检测方法、装置、交通工具及存储介质。


背景技术：

2.自动驾驶(也称：自动化的驾驶，或者驾驶自动化)是指车辆以自动的方式持续地执行部分或全部动态驾驶任务。在《汽车自动化驾驶分级》(gb/t 40429-2021)将自动驾驶的等级分为0～5级，其中0级为应急辅助驾驶，5级为完全自动驾驶。
3.在自动驾驶车辆行驶过程中，预测周围车辆行为是感知能力的重要体现，而周围车辆的变道行为是影响行车的重要因素。目前主要通过激光雷达获取车辆位置，结合语义地图的车道线区域，实现对车辆有无变道意图的预测。然而在没有语义地图，以及车辆拐弯时，目前的方法很难得到准确的预测结果。
4.在现有技术中，也存在基于图像分析技术来识别车辆有无变道意图的方案。例如，在一种现有方式中，对车载摄像头拍摄到的图像进行分析，利用车道线的颜色为白色的特点，从拍摄的图像中识别出车道线，以及基于车轮的图像特征识别出图像中的车轮，从而确定车轮与车道线的距离，当此距离的变化趋势是缩短且变化长度大于预设长度时，可以确定目标车辆存在变道趋势。
5.但是，上述的方式，轮胎落地点的检测方式是通过车轮框进行的，由于视角问题，落地点会存在偏差。因此，现有的方式的准确性有待提高。


技术实现要素：

6.本发明的主要目的在于提供一种车辆变道检测方法、装置及存储介质，能够提高车辆变道意图的识别准确性。
7.为了实现上述发明目的，本发明提供了一种车辆变道检测方法，所述方法包括以下步骤：
8.获取图像中目标车辆的二维结构，并对所述二维结构进行分割，以确定所述目标车辆的轮胎落地点；
9.根据车道线和所述轮胎落地点，获取所述轮胎落地点与所述车道线之间的距离；
10.计算所述目标车辆的变道权重；
11.根据所述轮胎落地点与所述车道线之间的距离和所述变道权重确定所述目标车辆的变道概率。
12.可选地，所述计算所述目标车辆的变道权重，包括以下步骤：
13.识别所述车道线的车道线类型，根据所述车道线类型获取第一变道权重；和/或，
14.获取所述目标车辆所在的道路类型，根据所述道路类型获取第二变道权重；和/或，
15.根据所述目标车辆是否行驶在隧道得到第三变道权重；和/或，
16.根据所述目标车辆指定范围内是否存在行驶车辆得到第四变道权重；
17.累加所述第一变道权重和/或所述第二变道权重和/或所述第三变道权重和/或所述第四变道权重，得到所述目标车辆的变道权重。
18.可选地，所述从所述获取的图像中提取目标车辆的二维结构，并对所述二维结构进行分割，以确定所述目标车辆的轮胎落地点，包括：
19.根据雷达检测的目标车辆的三维结构，从所述图像中得到所述目标车辆的二维结构；
20.将所述二维结构输入分割模型，得到所述目标车辆的轮胎与地面接触点的坐标；以及
21.将所述目标车辆的轮胎与地面接触点的坐标，转换为所述目标车辆的轮胎在图像中的坐标，此坐标即为所述目标车辆的轮胎落地点。
22.可选地，根据识别出的车道线和所述轮胎落地点，获取所述轮胎落地点与所述车道线之间的距离，包括：
23.将所述车道线和所述轮胎落地点映射到世界坐标系；
24.从世界坐标系中得到所述轮胎落地点与所述车道线的距离。
25.可选地，所述轮胎落地点包括前轮落地点和后轮落地点，所述轮胎落地点与所述车道线的距离包括：所述目标车辆的前轮与所述车道线的距离，以及所述目标车辆的后轮与所述车道线的距离。
26.可选地，所述根据所述轮胎落地点与所述车道线之间的距离和所述变道权重确定所述目标车辆的变道概率，包括以下步骤：
27.将所述轮胎落地点与所述车道线之间的距离输入网络模型，得到所述目标车辆的第一变道概率；
28.根据所述变道权重获取所述目标车辆的第二变道概率；
29.对所述第一变道概率和所述第二变道概率相乘，得到所述目标车辆的变道概率。
30.此外，为实现上述目的，本发明还提出一种车辆变道检测装置，包括：
31.落地点识别模块，用于获取图像中目标车辆的二维结构，并对所述二维结构进行分割，以确定所述目标车辆的轮胎落地点；
32.距离计算模块，用于根据车道线和所述轮胎落地点，获取所述轮胎落地点与所述车道线之间的距离；
33.权重计算模块，用于计算所述目标车辆的变道权重；
34.变道概率计算模块，用于根据所述轮胎落地点与所述车道线之间的距离和所述变道权重确定所述目标车辆的变道概率。
35.此外，为实现上述目的，本发明还提出一种交通工具，所述交通工具包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆变道检测程序，所述车辆变道检测程序配置为实现如上文所述任一项车辆变道检测方法的步骤。
36.此外，为实现上述目的，本发明还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序能够被处理器执行以实现如上文所述任一项车辆变道检测方法的步骤。
37.本发明实施例的有益效果：
38.本发明实施例，基于对从图像中提取的目标车辆的二维结构进行分割来确定目标车辆的轮胎落地点，从而无需对车轮框进行处理而直接得到落地点的位置信息；同时根据目标车辆所在的环境得到变道权重，根据变道权重和轮胎落地点与车道线的距离得到目标车辆的变道意图。采用该方案得到的目标车辆变道意图具有更高的准确性。
附图说明
39.图1为本发明提供的车辆变道检测方法的一个流程示意图。
40.图2为本发明提供的获取目标车辆的变道权重的一个流程示意图。
41.图3为本发明提供的确定目标车辆的轮胎落地点的一个流程示意图。
42.图4为本发明提供的获取目标车辆的变道概率的一个流程示意图。
43.图5是本发明的车辆变道检测装置的实施例的结构示意图。
44.图6是本发明实施例方案涉及的硬件运行环境的交通工具结构示意图。
具体实施方式
45.为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅以解释本发明，并不用于限定本发明。
46.在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
47.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
48.以下结合附图，通过实施例来对本发明进行说明。
49.如图1所示，是本发明的车辆变道检测方法的实施例的流程示意图。其中，图1的方案用于识别目标车辆是否有变道意图，例如前方相邻车道内的车辆是否有向本车道变道的意图，例如前方右侧/左侧的车辆是否有向本车道变道的意图。具体地，图1的方案可以包括以下步骤：
50.步骤s1、获取图像中目标车辆的二维结构，并对所述二维结构进行分割，以确定所述目标车辆的轮胎落地点。
51.其中，本车是指被自动驾驶系统控制的车辆，本车上装载有支持自动驾驶功能的软件和硬件系统，例如自动驾驶操作系统、激光雷达、摄像头，等等。此处的自动驾驶包括完全的自动驾驶和辅助驾驶等，例如l0～l5级的自动驾驶。
52.在此步骤中，可以利用车载摄像头对车辆所处环境进行摄像，从而得到所处环境的图像。
53.其中，识别车道线的方式有多种，例如可以采用背景技术中所述的利用车道线颜色为白色的特点，从图像中识别出车道线。但是通过颜色信息获取车道线区域的方式，十分容易受到其他因素的影响，此种方式拟合出的车道线与实际容易相差较大。因此，本实施例优选采用lane att网络模型来识别图像中的车道线。其中，lane att网络模型是一种实时、高性能的车道线检测算法模型，其基于anchor实现，并且应用了注意力机制。当然，基于其
他网络模型的车道线检测方案同样适用于本实施例。
54.其中，目标车辆主要是指位于本车前方相邻车道内(包括：左车道和/或右车道)的车辆，这些是自动驾驶中需要关注的车辆，在自动驾驶中，本车需要注意前方相邻车道内的车辆是否有变道意图。其中，目标车辆可能有几个，例如包括位于前方右侧车道内的车辆a、车辆b和位于前方左侧车道内的车辆c，等等。在本实施例和其他实施例中，以一个目标车辆为例进行举例说明，但是本领域技术人员知晓，本实施例和其他实施例同样适合于多个目标车辆的场景。
55.另外，可以利用雷达来锁定目标车辆。车辆上设置的雷达可以检测出一定范围内其他车辆位于本车的方位(前方、后方、侧方、旁边等)以及对应的距离，结合这些信息可以确定出哪些车辆是需要特别关注的，即可锁定目标车辆。
56.其中，在本步骤中，基于分割的方式来直接识别目标车辆的轮胎落地点，而不采用车轮框的方式，从而提高识别的准确性。
57.具体地，如图3所示，是步骤s1的一种实现方式的示意图。如图3所示，在步骤s301中，根据雷达检测的目标车辆的三维结构(即3d图)，从自动驾驶车辆获取的图像中，得到目标车辆的二维结构，即2d框结构，该2d框结构可以用(x,y)表示。
58.在步骤s302中，将所述二维结构输入分割模型，得到所述目标车辆的轮胎与地面接触点的坐标(x、y坐标)。最后，在步骤s303中，根据目标车辆的轮胎与地面接触点的坐标，得到目标车辆的轮胎在图像中的坐标u＝x+x’,v＝y+y’)，此坐标即为识别出的目标车辆的轮胎落地点。
59.其中，上述用到的分割模型，例如可以为u-net网络模型。另外，如上所示，目标车辆的轮胎在图像中的坐标包括：x坐标和y坐标。在现有中，通过车轮框来识别轮胎落地点的方式通常仅确定y坐标而不关注x坐标，而本实施例的方式确定的轮胎落地点包括x坐标和y坐标，因此将具有更高的准确性。
60.步骤s2、根据车道线和所述轮胎落地点，获取所述轮胎落地点与所述车道线之间的距离。
61.在一种实施方式中，通过如下方式确定目标车辆的轮胎与车道线的距离：
62.首先，将目标车辆的轮胎落地点映射至世界坐标系，同时将车道线上各点也映射至世界坐标系；然后从世界坐标系中得到目标车辆的轮胎与车道线的距离。另外，轮胎与车道线的距离包括：目标车辆前轮与车道线的距离d1，和后轮与车道线的距离d2。具体地，由于轮胎以及车道线都在地面，因此结合相机的内外参数，利用投映变换公式，可以将各个车辆的轮胎点以及车道线点映射到世界坐标系中。
63.步骤s3、计算所述目标车辆的变道权重。
64.车辆行驶在不同道路时，发生变道的概率是不同的。即在不同道路情况下，车辆轮胎落地点和车道线的距离一样，但变道的意图也会不一样。如在黄色实线和白色虚线时，车辆轮胎落地点和车道线距离相同时，目标车辆的变道意图也会不一样，在白色虚线车道线行驶时的变道意图会大于在黄色实线车道线行驶时的变道意图。因此需要根据车辆实际情况实时获取车辆的变道权重，获取车辆的变道权重，参见图2所述流程。
65.步骤s201、识别所述车道线的车道线类型，根据所述车道线类型获取第一变道权重。
66.对所述获取的图像中的车道线进行图像识别，得到所述车道线的车道线类型。根据自动驾驶车辆获取的图像中获取的车道线，然后对获取到的车道线进行类型识别。进行类型识别时，可以采用网络模型进行识别，具体使用那种网络模型本技术方案不进行限制。车道线类型包括：白色虚线、白色实线、黄色虚线、单黄实线、双黄实线、黄色虚实线、双白虚线、双白实线，具体的车道线类型可以根据实际需求进行设置。
67.也可以通过自动驾驶车辆的定位设备实时获取当前的位置信息，然后结合车辆雷达的测距方案获取目标车辆与当前自动驾驶车辆的距离、方向，通过当前自动驾驶车辆的位置信息结合目标车辆与当前自动驾驶车辆的距离、方向得到目标车辆的位置信息。使用目标车辆的位置信息实时查询高精地图，获得当前目标车辆所在位置的车道线类型。
68.每种车道线类型都对应一种变道权重，变道权重值越大表示车辆在这种车道线行驶时变道的概率越大。每种车道线类型对应的变道权重，如下表所示：
69.序号车道线类型第一变道权重1白色虚线502白色实线403黄色虚线354单黄实线205双黄实线106黄色虚实线287双白虚线308双白实线25
70.每种车道线类型对应的权重可以根据实际需求进行设置，本技术方案不进行限制。
71.步骤s202、获取所述目标车辆所在的道路类型，根据所述道路类型获取第二变道权重。
72.对自动驾驶车辆获取的图像进行图像处理，判断目标车辆所在的道路是直线道路还是转弯道路。采用网络模型进行图像识别得到目标车辆所在道路是直行道路还是转弯道路，具体使用那种网络模型本技术方案不进行限制。
73.也可以通过自动驾驶车辆的定位设备实时获取当前的位置信息，然后结合车辆雷达的测距方案获取目标车辆与当前自动驾驶车辆的距离、方向，通过当前自动驾驶车辆的位置信息结合目标车辆与当前自动驾驶车辆的距离、方向得到目标车辆的位置信息。使用目标车辆的位置信息实时查询高精地图，获得当前目标车辆所在道路是直行道路还是转弯道路。
74.每种道路类型都对应一种变道权重，变道权重值越大表示车辆在这种道路行驶时变道的概率越大。每种道路类型对应的变道权重，如下表所示：
75.序号道路类型第二变道权重1直行道路502转弯道路30
76.每种道路类型对应的权重可以根据实际需求进行设置，本技术方案不进行限制。
77.步骤s203、根据所述目标车辆是否行驶在隧道得到第三变道权重。
78.车辆在隧道内行驶时发生变道的概率较小，所以需要判断当前目标车辆是否行驶在隧道内。
79.对自动驾驶车辆获取的图像进行图像处理，判断目标车辆所在的道路是否为隧道。采用网络模型进行图像识别得到目标车辆所在道路是否为隧道，具体使用那种网络模型本技术方案不进行限制。
80.也可以通过自动驾驶车辆的定位设备实时获取当前的位置信息，然后结合车辆雷达的测距方案获取目标车辆与当前自动驾驶车辆的距离、方向，通过当前自动驾驶车辆的位置信息结合目标车辆与当前自动驾驶车辆的距离、方向得到目标车辆的位置信息。使用目标车辆的位置信息实时查询高精地图，获得当前目标车辆所在道路是否为隧道。
81.行驶道路是否为隧道，对应不同的变道权重，变道权重值越大表示车辆在这种道路行驶时变道的概率越大。行驶道路是否为隧道对应的变道权重，如下表所示：
82.序号隧道第三变道权重1否502是20
83.行驶道路是否为隧道对应的变道权重可以根据实际需求进行设置，本技术方案不进行限制。
84.步骤204、根据所述目标车辆指定范围内是否存在行驶车辆得到第四变道权重。
85.当车辆周围一定范围内有车辆行驶时，车辆变道权重也会降低。通过对自动驾驶车辆获取的图像进行图像处理，判断目标车辆周围一定范围内，如车辆左侧或车辆右侧30米范围内是否有车辆行驶。判断目标车辆一定范围内是否有车辆行驶，可以通过网络模型，如机器学习网络模型进行判断。具体使用那种网络模型进行判断，本技术方案不进行限制。
86.目标车辆一定范围内是否有行驶的车辆，对应不同的变道权重，变道权重值越大表示车辆在这种情况下行驶时变道的概率越大。目标车辆一定范围内是否有行驶的车辆对应的变道权重，如下表所示：
87.序号目标车辆一定范围内是否有行驶的车辆第四变道权重1否502是30
88.目标车辆一定范围内是否有行驶的车辆对应的变道权重可以根据实际需求进行设置，本技术方案不进行限制。
89.步骤s205、累加所述第一变道权重和/或所述第二变道权重和/或所述第三变道权重和/或所述第四变道权重，得到所述目标车辆的变道权重。
90.对目标车辆所在环境的各种变道权重进行累加，如下表所示：
91.[0092][0093]
则得到当前车辆的变道权重为140。
[0094]
步骤s4、根据所述轮胎落地点与所述车道线之间的距离和所述变道权重确定所述目标车辆的变道概率。
[0095]
根据变道权重和轮胎落地点与车道线之间的距离获取目标车辆的变道概率，参见图4所示流程。
[0096]
步骤s401、将所述轮胎落地点与所述车道线之间的距离输入网络模型，得到所述目标车辆的第一变道概率。
[0097]
获取目标车辆轮胎落地点与车道线之间的距离后，根据确定的距离，来判断目标车辆的变道概率，可以是：根据目标车辆同侧的前轮到车道线的距离d1和后轮到车道线的距离d2，通过时序模型对目标车辆是否有变道进行预测；例如，当d1，d2值比较小时，目标车辆贴近车道线；如果d1接近d2，表示目标车辆平行于车道线，变道可能较低；如果d1《《d2，此时车身倾斜，有较大的变道可能；时序上，d1和d2在不断变小的过程，表明车辆不断接近车道线，有变道倾向。因此，可以根据d1《《d2且时序上d1和d2在不断变小的情况获取车辆变道概率。以上判断过程，可以供助于长短时记忆网络(lstm，long short-term memory，lstm)模型来实现，例如将目标车辆的轮胎与车道线的距离输入lstm模型，然后从lstm模型的输出得到目标车辆变道概率的判断结果。如得到的第二变道概率为80％。
[0098]
步骤s402、根据所述变道权重获取所述目标车辆的第二变道概率。
[0099]
根据目标车辆的行驶状态，获取到目标车辆的变道权重，如变道权重为140。然后把该变道权重和第一变道权重最大值、第二变道权重最大值、第三变道权重最大值、第四变道权重最大值的和进行比较，得到第三变道概率。如140/(50+50+50+50)＝70％.
[0100]
步骤s403、对所述第一变道概率和所述第二变道概率相乘，得到所述目标车辆的变道概率。
[0101]
把根据目标车辆的轮胎与车道线的距离得到的第二变道概率和根据变道权重得到的第三变道概率相乘，得到目标车辆的第一变道概率。如第二变道概率为80％、第三变道概率为70％，则第一变道概率＝80％*70％＝56％。
[0102]
在得到上述变道概率后，上述变道概率可以用于在执行自动驾驶操作时使用，例如，若识别到目标车辆有变到本车道的意图，则控制本车减速以保持与目标车辆在合理的车距内。
[0103]
通过本发明实施例，基于对从图像中提取的目标车辆的二维结构进行分割来确定目标车辆的轮胎落地点，从而无需对车轮框进行处理而直接得到落地点的位置信息；同时根据目标车辆所在的环境得到变道权重，根据变道权重和轮胎落地点与车道线的距离得到目标车辆的变道意图。采用该方案得到的目标车辆变道意图具有更高的准确性。
[0104]
另外，本发明实施例还提供了一种车辆变道检测装置，其对应于图1所示的实施例。如图5所示，该车辆变道检测装置包括：
[0105]
落地点识别模块10，用于获取图像中目标车辆的二维结构，并对所述二维结构进行分割，以确定所述目标车辆的轮胎落地点；
[0106]
距离计算模块20，用于根据车道线和所述轮胎落地点，获取所述轮胎落地点与所述车道线之间的距离；
[0107]
权重计算模块30，用于计算所述目标车辆的变道权重；
[0108]
变道概率计算模块40，用于根据所述轮胎落地点与所述车道线之间的距离和所述变道权重确定所述目标车辆的变道概率。
[0109]
通过本发明实施例，基于对从图像中提取的目标车辆的二维结构进行分割来确定目标车辆的轮胎落地点，从而无需对车轮框进行处理而直接得到落地点的位置信息；同时根据目标车辆所在的环境得到变道权重，根据变道权重和轮胎落地点与车道线的距离得到目标车辆的变道意图。采用该方案得到的目标车辆变道意图具有更高的准确性。
[0110]
参照图6，图6为本发明实施例方案涉及的硬件运行环境的交通工具的结构示意图。
[0111]
如图6所示，该交通工具可以包括：处理器1001，例如cpu，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi、4g、5g接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0112]
本领域技术人员可以理解，图6中示出的结构并不构成对交通工具的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0113]
如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆变道检测程序。
[0114]
在图6所示的交通工具中，网络接口1004主要用于与外部网络进行数据通信；用户接口1003主要用于接收用户的输入指令；交通工具通过处理器1001调用存储器1005中存储的车辆变道检测程序，并执行以下操作：
[0115]
获取图像中目标车辆的二维结构，并对所述二维结构进行分割，以确定所述目标车辆的轮胎落地点；
[0116]
根据车道线和所述轮胎落地点，获取所述轮胎落地点与所述车道线之间的距离；
[0117]
计算所述目标车辆的变道权重；
[0118]
根据所述轮胎落地点与所述车道线之间的距离和所述变道权重确定所述目标车辆的变道概率。
[0119]
可选地，所述计算所述目标车辆的变道权重，包括以下步骤：
[0120]
识别所述车道线的车道线类型，根据所述车道线类型获取第一变道权重；和/或，
[0121]
获取所述目标车辆所在的道路类型，根据所述道路类型获取第二变道权重；和/或，
[0122]
根据所述目标车辆是否行驶在隧道得到第三变道权重；和/或，
[0123]
根据所述目标车辆指定范围内是否存在行驶车辆得到第四变道权重；
[0124]
累加所述第一变道权重和/或所述第二变道权重和/或所述第三变道权重和/或所述第四变道权重，得到所述目标车辆的变道权重。
[0125]
可选地，所述从所述获取的图像中提取目标车辆的二维结构，并对所述二维结构进行分割，以确定所述目标车辆的轮胎落地点，包括：
[0126]
根据雷达检测的目标车辆的三维结构，从所述图像中得到所述目标车辆的二维结构；
[0127]
将所述二维结构输入分割模型，得到所述目标车辆的轮胎与地面接触点的坐标；以及
[0128]
将所述目标车辆的轮胎与地面接触点的坐标，转换为所述目标车辆的轮胎在图像中的坐标，此坐标即为所述目标车辆的轮胎落地点。
[0129]
可选地，根据识别出的车道线和所述轮胎落地点，获取所述轮胎落地点与所述车道线之间的距离，包括：
[0130]
将所述车道线和所述轮胎落地点映射到世界坐标系；
[0131]
从世界坐标系中得到所述轮胎落地点与所述车道线的距离。
[0132]
可选地，所述轮胎落地点包括前轮落地点和后轮落地点，所述轮胎落地点与所述车道线的距离包括：所述目标车辆的前轮与所述车道线的距离，以及所述目标车辆的后轮与所述车道线的距离。
[0133]
可选地，所述根据所述轮胎落地点与所述车道线之间的距离和所述变道权重确定所述目标车辆的变道概率，包括以下步骤：
[0134]
将所述轮胎落地点与所述车道线之间的距离输入网络模型，得到所述目标车辆的第一变道概率；
[0135]
根据所述变道权重获取所述目标车辆的第二变道概率；
[0136]
对所述第一变道概率和所述第二变道概率相乘，得到所述目标车辆的变道概率。
[0137]
通过本发明实施例，基于对从图像中提取的目标车辆的二维结构进行分割来确定目标车辆的轮胎落地点，从而无需对车轮框进行处理而直接得到落地点的位置信息；同时根据目标车辆所在的环境得到变道权重，根据变道权重和轮胎落地点与车道线的距离得到目标车辆的变道意图。采用该方案得到的目标车辆变道意图具有更高的准确性。
[0138]
此外，本发明实施例还提出一种计算机可读存储介质，计算机可读存储介质上存储有车辆变道检测程序，车辆变道检测程序被处理器执行时实现如下操作：
[0139]
获取图像中目标车辆的二维结构，并对所述二维结构进行分割，以确定所述目标车辆的轮胎落地点；
[0140]
根据车道线和所述轮胎落地点，获取所述轮胎落地点与所述车道线之间的距离；
[0141]
计算所述目标车辆的变道权重；
[0142]
根据所述轮胎落地点与所述车道线之间的距离和所述变道权重确定所述目标车辆的变道概率。
[0143]
可选地，所述计算所述目标车辆的变道权重，包括以下步骤：
[0144]
识别所述车道线的车道线类型，根据所述车道线类型获取第一变道权重；和/或，
[0145]
获取所述目标车辆所在的道路类型，根据所述道路类型获取第二变道权重；和/或，
[0146]
根据所述目标车辆是否行驶在隧道得到第三变道权重；和/或，
[0147]
根据所述目标车辆指定范围内是否存在行驶车辆得到第四变道权重；
[0148]
累加所述第一变道权重和/或所述第二变道权重和/或所述第三变道权重和/或所述第四变道权重，得到所述目标车辆的变道权重。
[0149]
可选地，所述从所述获取的图像中提取目标车辆的二维结构，并对所述二维结构进行分割，以确定所述目标车辆的轮胎落地点，包括：
[0150]
根据雷达检测的目标车辆的三维结构，从所述图像中得到所述目标车辆的二维结构；
[0151]
将所述二维结构输入分割模型，得到所述目标车辆的轮胎与地面接触点的坐标；以及
[0152]
将所述目标车辆的轮胎与地面接触点的坐标，转换为所述目标车辆的轮胎在图像中的坐标，此坐标即为所述目标车辆的轮胎落地点。
[0153]
可选地，根据识别出的车道线和所述轮胎落地点，获取所述轮胎落地点与所述车道线之间的距离，包括：
[0154]
将所述车道线和所述轮胎落地点映射到世界坐标系；
[0155]
从世界坐标系中得到所述轮胎落地点与所述车道线的距离。
[0156]
可选地，所述轮胎落地点包括前轮落地点和后轮落地点，所述轮胎落地点与所述车道线的距离包括：所述目标车辆的前轮与所述车道线的距离，以及所述目标车辆的后轮与所述车道线的距离。
[0157]
可选地，所述根据所述轮胎落地点与所述车道线之间的距离和所述变道权重确定所述目标车辆的变道概率，包括以下步骤：
[0158]
将所述轮胎落地点与所述车道线之间的距离输入网络模型，得到所述目标车辆的第一变道概率；
[0159]
根据所述变道权重获取所述目标车辆的第二变道概率；
[0160]
对所述第一变道概率和所述第二变道概率相乘，得到所述目标车辆的变道概率。
[0161]
通过本发明实施例，基于对从图像中提取的目标车辆的二维结构进行分割来确定目标车辆的轮胎落地点，从而无需对车轮框进行处理而直接得到落地点的位置信息；同时根据目标车辆所在的环境得到变道权重，根据变道权重和轮胎落地点与车道线的距离得到目标车辆的变道意图。采用该方案得到的目标车辆变道意图具有更高的准确性。
[0162]
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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
[0163]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0164]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个
存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，控制器，或者网络设备等)执行本发明各个实施例所述的方法。
[0165]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。