车辆定位方法、装置、电子设备及存储介质与流程

1.本技术属于设备定位技术领域，尤其涉及一种车辆定位方法、装置、电子设备及存储介质。


背景技术：

2.车辆的车道级定位，通常需要定位到车辆所处车道的位置，也即是，需要定位到车辆具体在哪个车道。实际应用中，通常是通过如下方式实现车道级定位：首先，采用gps定位设备定位到车辆当前的经纬度坐标，以及采用图像采集设备采集车辆当前的车辆周边图像。然后，基于定位到的经纬度坐标和车辆周边图像呈现的特征，从高精度地图中匹配得到车辆当前所处车道的编号信息，也即是，得到车辆当前所处车道的位置。
3.相关技术中，由于高精度地图的制作成本高，且更新迭代的周期较长，若没有及时对高精度地图进行更新，容易导致车辆定位不准确。


技术实现要素：

4.本技术实施例提供了车辆定位方法、装置、电子设备及存储介质，旨在解决相关技术中，对车辆定位不够准确的问题。
5.第一方面，本技术实施例提供了一种车辆定位方法，该方法包括：
6.在目标车辆行驶过程中，获取目标车辆在行驶方向上的路面图像序列，路面图像序列包括连续多个时刻的路面图像；
7.针对各个时刻的路面图像，基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征，其中，偏差图像为相应时刻的路面图像与上一时刻的路面图像之间的差图；
8.将路面图像序列中各路面图像分别对应的图像特征输入预先训练的车道定位模型，得到目标车辆当前所处车道的车道位置信息。
9.在一些实施例中，车道位置信息包括用于指示车道在对应道路上的位置的位置指示信息和用于指示目标车辆是否在变道行驶的变道指示信息。
10.在一些实施例中，在基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征之前，还包括：
11.将相应时刻的路面图像输入预先训练的特征提取模型，得到第一特征信息，以及将相应时刻的偏差图像输入特征提取模型，得到第二特征信息。
12.在一些实施例中，基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征，包括：
13.将第一特征信息对应的第一向量与第二特征信息对应的第二向量进行拼接，得到图像特征。
14.在一些实施例中，在获取目标车辆在行驶方向上的路面图像序列之后，方法还包括：
15.针对路面图像序列中的各路面图像，对相应路面图像执行图像预处理，得到预处理结果图像，以及将相应路面图像切换为预处理结果图像，其中，图像预处理用于缩减路面图像大小。
16.在一些实施例中，对相应路面图像执行图像预处理，得到预处理结果图像，包括：
17.对相应路面图像进行图像下采样，得到第一中间图像；
18.将第一中间图像裁剪至目标尺寸，得到第二中间图像，以及将第二中间图像的灰度图像确定为预处理结果图像。
19.在一些实施例中，方法还包括：
20.将路面图像序列对应的多个图像特征与车道位置信息进行关联，得到关联信息，以及对关联信息进行存储；
21.在预设触发条件被触发时，基于所存储的关联信息，对车道定位模型进行更新。
22.第二方面，本技术实施例提供了一种车辆定位装置，包括：
23.序列获取单元，用于在目标车辆行驶过程中，获取目标车辆在行驶方向上的路面图像序列，路面图像序列包括连续多个时刻的路面图像；
24.特征生成单元，用于针对各个时刻的路面图像，基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征，其中，偏差图像为相应时刻的路面图像与上一时刻的路面图像之间的差图；
25.定位执行单元，用于将路面图像序列中各路面图像分别对应的图像特征输入预先训练的车道定位模型，得到目标车辆当前所处车道的车道位置信息。
26.在一些实施例中，车道位置信息包括用于指示车道在对应道路上的位置的位置指示信息和用于指示目标车辆是否在变道行驶的变道指示信息。
27.在一些实施例中，特征生成单元中，在基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征之前，还包括：
28.将相应时刻的路面图像输入预先训练的特征提取模型，得到第一特征信息，以及将相应时刻的偏差图像输入特征提取模型，得到第二特征信息。
29.在一些实施例中，特征生成单元中，基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征，包括：
30.将第一特征信息对应的第一向量与第二特征信息对应的第二向量进行拼接，得到图像特征。
31.在一些实施例中，装置还包括预处理单元。预处理单元，用于针对路面图像序列中的各路面图像，对相应路面图像执行图像预处理，得到预处理结果图像，以及将相应路面图像切换为预处理结果图像，其中，图像预处理用于缩减路面图像大小。
32.在一些实施例中，预处理单元中，对相应路面图像执行图像预处理，得到预处理结果图像，包括：
33.对相应路面图像进行图像下采样，得到第一中间图像；
34.将第一中间图像裁剪至目标尺寸，得到第二中间图像，以及将第二中间图像的灰度图像确定为预处理结果图像。
35.在一些实施例中，装置还包括信息存储单元和模型更新单元。
36.信息存储单元，用于将路面图像序列对应的多个图像特征与车道位置信息进行关联，得到关联信息，以及对关联信息进行存储；
37.模型更新单元，用于在预设触发条件被触发时，基于所存储的关联信息，对车道定位模型进行更新。
38.第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项车辆定位方法的步骤。
39.第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现上述任一项车辆定位方法的步骤。
40.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述任一项车辆定位方法。
41.本技术实施例与相关技术相比存在的有益效果是：通过对目标车辆对应的路面图像序列进行分析，定位得到目标车辆当前所处车道的车道位置信息，定位过程中无需借助高精度地图，可以避免由于高精度地图更新不及时导致的定位不准的情况，有助于提高车辆定位准确率。另外，结合路面图像本身及路面图像对应的偏差图像，来生成得到路面图像的图像特征，可以实现得到对路面图像进行更为准确有效描述的图像特征，基于准确的图像特征来进行车辆车道定位，有助于提高车辆定位的准确率。另外，基于连续多个时刻的路面图像对车辆进行车道定位，可以排除由于某一个或某几个时刻存在的短暂遮挡导致的定位错误，有助于进一步提高车辆定位的准确率。
42.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
43.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
44.图1是本技术实施例提供的一种车辆定位方法的流程示意图；
45.图2是本技术实施例提供的另一种车辆定位方法的流程示意图；
46.图3是本技术实施例提供的车辆定位装置的结构示意图；
47.图4是本技术实施例提供的电子设备的结构示意图。
具体实施方式
48.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
49.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描
述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
50.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
51.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0052]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0053]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其它一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其它方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其它方式另外特别强调。
[0054]
为了说明本技术的技术方案，下面通过以下实施例来进行说明。
[0055]
实施例一
[0056]
请参阅图1，本技术实施例提供一种车辆定位方法，包括如下步骤101至步骤103。
[0057]
步骤101，在目标车辆行驶过程中，获取目标车辆在行驶方向上的路面图像序列。
[0058]
其中，路面图像序列包括连续多个时刻的路面图像。
[0059]
其中，上述目标车辆可以是各种车辆，比如，可以是无人驾驶车辆。
[0060]
在本实施例中，上述车辆定位方法的执行主体通常为车辆，且具体可以为车辆中用于对车辆进行定位的电子设备，比如，可以为上述目标车辆中用于对车辆进行定位的控制器。
[0061]
在目标车辆行驶过程中，上述执行主体可以通过自身携带的图像采集装置采集目标车辆在行驶方向上的路面图像序列。实践中，图像采集装置可以是安装在上述目标车辆的前方，也可以是安装在上述目标车辆的后方。实践中，图像采集装置可以实现成60度广角的摄像头，也可以实现成150度广角的摄像头。
[0062]
在一些应用场景中，上述执行主体也可以从通信连接的其它设备，比如，路侧设备(road side unit，rsu)，获取得到上述路面图像序列。
[0063]
步骤102，针对各个时刻的路面图像，基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征。
[0064]
其中，上述偏差图像为相应时刻的路面图像与上一时刻的路面图像之间的差图。上述第一特征信息通常是用于描述路面图像的特征的信息。上述第二特征信息通常是用于描述偏差图像的特征的信息。
[0065]
这里，针对每个时刻的路面图像，上述执行主体可以采用该时刻的路面图像的第一特征信息，和该时刻的偏差图像的第二特征信息，共同生成得到该时刻的路面图像的图像特征。比如，可以将第一特征信息与第二特征信息组合生成上述图像特征。
[0066]
实践中，针对路面图像序列中的第一个时刻的路面图像，可以将该第一个时刻的路面图像与上一次获取的路面图像序列中的最后一个时刻的路面图像之间的差图，确定为该路面图像的偏差图像。在不存在上一次获取的路面图像序列的情况下，也即是，当前获取的路面图像序列即为首次获取的路面图像序列，此时，上述执行主体可以将该第一个时刻的路面图像与预先存储的初始路面图像之间的差图，确定为该第一个时刻的路面图像的偏差图像。
[0067]
实际应用中，第一特征信息可以实现为向量，为了便于描述，将第一特征信息对应的向量记作第一向量，以及第二特征信息也可以实现为向量，为了便于描述，将第二特征信息对应的向量记作第二向量。在一些应用场景中，上述执行主体可以将第一特征信息对应的第一向量与第二特征信息对应的第二向量进行组合，得到一矩阵，以及将该矩阵作为上述图像特征。
[0068]
在本实施例的一些可选的实现方式中，上述基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征，可以包括：将第一特征信息对应的第一向量与第二特征信息对应的第二向量进行拼接，得到图像特征。
[0069]
这里，上述执行主体可以将第一向量与第二向量拼接起来，得到一个维度更大的向量，该维度更大的向量即为上述图像特征。举例来说，若第一向量的维度为512，第二向量的维度为512，则将第一向量与第二向量拼接，所得到的图像特征的维度可以为1024。
[0070]
这里，将第一特征信息对应的第一向量与第二特征信息对应的第二向量直接拼接，得到上述图像特征，可以最大化地保留路面图像本身的特征和路面图像对应的偏差图像的特征，从而得到能够更准确描述路面图像的特征的上述图像特征，有助于进一步提高车辆定位的准确率。
[0071]
步骤103，将路面图像序列中各路面图像分别对应的图像特征输入预先训练的车道定位模型，得到目标车辆当前所处车道的车道位置信息。
[0072]
其中，上述车道位置信息通常用于指示当前所处车道在对应道路上的位置。
[0073]
可选的，车道位置信息可以包括用于指示车道在对应道路上的位置的位置指示信息和用于指示目标车辆是否在变道行驶的变道指示信息。
[0074]
其中，上述位置指示信息可以是指示车道在道路上的位置的信息。比如，可以为l2-r3，用于指示车道在道路上的位置为左起第2个车道，以及在道路上的右起第3个车道。此时，道路总共具有4个车道。上述变道指示信息可以是指示目标车辆是否在变道行驶的信息。比如，可以为1，用于指示在目标车辆在变道行驶，也可以为“no”用于指示目标车辆没有变道行驶。需要指出的是，车道位置信息可以仅包括上述位置指示信息，也可以同时包括上述位置指示信息和上述变道指示信息。在上述车道位置信息同时包括上述位置指示信息和上述变道指示信息时，有助于实现准确掌握上述目标车辆的位置信息及位置变化信息，从而有助于实现对目标车辆的位置进行更加准确定位。
[0075]
在本实施例中，上述执行主体可以将各个时刻的路面图像分别对应的图像特征全部输入上述车道定位模型，从而得到目标车辆当前所处车道的车道位置信息。
[0076]
其中，上述车道定位模型用于表征路面图像序列对应的多个图像特征与车道位置信息之间的对应关系。
[0077]
实际应用中，上述车道定位模型可以是基于训练样本，利用机器学习方法，对初始模型进行训练后得到的模型。实践中，上述车道定位模型的初始模型通常为时序模型，比如，可以为长短期记忆模型(long short-term memory，lstm)、循环神经网络模型(recurrent neural network，rnn)、transformer神经网络模型等。
[0078]
本实施例提供的方法，通过对目标车辆对应的路面图像序列进行分析，定位得到目标车辆当前所处车道的车道位置信息，定位过程中无需借助高精度地图，可以避免由于高精度地图更新不及时导致的定位不准的情况，有助于提高车辆定位准确率。另外，结合路面图像本身及路面图像对应的偏差图像，来生成得到路面图像的图像特征，可以实现得到对路面图像进行更为准确有效描述的图像特征，基于准确的图像特征来进行车辆车道定位，有助于提高车辆定位的准确率。另外，基于路面图像序列中各路面图像对车辆进行车道定位，可以排除由于某一个或某几个时刻存在的短暂遮挡导致的定位错误，有助于进一步提高车辆定位的准确率。
[0079]
在本实施例的一些可选的实现方式中，在基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征之前，还包括：将相应时刻的路面图像输入预先训练的特征提取模型，得到第一特征信息，以及将相应时刻的偏差图像输入特征提取模型，得到第二特征信息。
[0080]
其中，上述特征提取模型，用于表征输入图像与输入图像的特征信息之间的对应关系。
[0081]
在一些应用场景中，上述特征提取模型可以是基于对大量图像进行统计而生成的、存储有多个图像与图像的特征信息的对应关系的对应关系表。
[0082]
实际应用中，上述特征提取模型通常是基于训练样本，利用机器学习方法，对初始模型进行训练后得到的模型。实践中，上述特征提取模型的初始模型通常为卷积神经网络模型，比如，可以为残差网络模型(residual neural network，resnet)、视觉几何组网络模型(visual geometry group network，vggnet)等。
[0083]
需要指出的是，由于卷积神经网络模型可以提取图像的深度特征，在特征提取模型为卷积神经网络模型时，提取得到的特征信息通常能够对图像的特征进行准确描述，从而有助于进一步提高车辆定位的准确率。
[0084]
实施例二
[0085]
请参阅图2，本技术实施例提供一种车辆定位方法，包括如下步骤201至步骤204。
[0086]
步骤201，在目标车辆行驶过程中，获取目标车辆在行驶方向上的路面图像序列。
[0087]
其中，路面图像序列包括连续多个时刻的路面图像。
[0088]
步骤202，针对路面图像序列中的各路面图像，对相应路面图像执行图像预处理，得到预处理结果图像，以及将相应路面图像切换为预处理结果图像。
[0089]
实践中，上述图像预处理通常用于缩减路面图像大小。
[0090]
这里，针对路面图像序列中的每个路面图像，上述执行主体可以对该路面图像进行图像预处理，从而得到该路面图像的预处理结果图像。之后，可以直接将预处理结果图像替换该路面图像。这样，在后续对路面图像进行处理时，实质是对路面图像的预处理结果图像进行处理。由于预处理后的路面图像的大小更小，可以加快后续对路面图像的数据处理过程，从而有助于提高数据处理效率，也即是可以实现提高车辆定位的效率。
[0091]
实践中，上述执行主体采用多种方式对路面图像进行图像预处理。作为一个示例，可以对路面图像进行图像下采样。作为另一个示例，可以对路面图像进行裁剪。
[0092]
步骤203，针对各个时刻的路面图像，基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征。
[0093]
其中，偏差图像为相应时刻的路面图像与上一时刻的路面图像之间的差图。
[0094]
步骤204，将路面图像序列中各路面图像分别对应的图像特征输入预先训练的车道定位模型，得到目标车辆当前所处车道的车道位置信息。
[0095]
在本实施例中，步骤201的具体操作与图1所示的实施例中步骤101的操作基本相同，以及步骤203-步骤204的具体操作与图1所示的实施例中步骤102-步骤103的操作基本相同，在此不再赘述。
[0096]
本实施例中，在获取目标车辆在行驶方向上的路面图像序列之后，对路面图像序列中的各路面图像进行图像预处理，从而缩减各路面图像的大小，可以减少不必要的空间占用损耗，且可以加快后续对路面图像的数据处理过程，从而有助于提高数据处理效率，也即是可以实现提高车辆定位的效率。
[0097]
在一些可选的实现方式中，上述对相应路面图像执行图像预处理，得到预处理结果图像，可以包括如下步骤一和步骤二。
[0098]
步骤一，对相应路面图像进行图像下采样，得到第一中间图像。
[0099]
其中，上述第一中间图像为对路面图像进行图像下采样处理所得到的图像。
[0100]
这里，针对每个路面图像，上述执行主体可以采用下采样算法对该路面图像进行图像下采样处理，从而得到第一中间图像。实践中，下采样算法可以包括但不限于双线性差值法、最近邻差值法等。
[0101]
步骤二，将第一中间图像裁剪至目标尺寸，得到第二中间图像，以及将第二中间图像的灰度图像确定为预处理结果图像。
[0102]
其中，上述第二中间图像为对第一中间图像裁剪之后所得到的图像。
[0103]
其中，上述目标尺寸通常是预先设定的尺寸，比如，可以为40
×
50。
[0104]
这里，上述执行主体可以将路面图像的第一中间图像裁剪为目标尺寸，从而得到该路面图像的第二中间图像。之后，上述执行主体可以将第二中间图像的灰度图像，作为该路面图像的预处理结果图像。
[0105]
这里，针对任一路面图像，在对该路面图像进行图像预处理时，上述执行主体可以先对该路面图像进行图像下采样处理，然后，对下采样处理所得到的第一中间图像进行裁剪，最后，对裁剪得到的第二中间图像进行灰度处理，从而得到该路面图像的预处理结果图像。对每个路面图像进行多重处理，可以有效缩减路面图像的大小，有助于进一步提高后续数据处理效率，从而实现进一步提高车辆定位的效率。
[0106]
需要指出的是，对路面图像进行图像下采样之后再进行裁剪，可以在缩减路面图像的同时，尽可能多地保留路面图像中的道路相关信息，从而保障在提高车辆定位效率的同时，进一步提高车辆定位的准确率。
[0107]
在各个实施例的可选的实现方式中，上述车辆定位方法，还可以包括如下步骤：
[0108]
首先，将路面图像序列对应的多个图像特征与车道位置信息进行关联，得到关联信息，以及对关联信息进行存储。
[0109]
这里，上述执行主体可以将路面图像序列对应的多个图像特征与车道位置信息进行关联，从而得到关联信息。之后，上述执行主体可以对该关联信息进行存储。
[0110]
然后，在预设触发条件被触发时，基于所存储的关联信息，对车道定位模型进行更新。
[0111]
其中，上述预设触发条件通常是预先设定的条件。作为示例，上述预设触发条件可以包括但不限于：达到预先设定的更新周期、接收到模型更新指令等。上述更新周期通常是用于指示周期的数值，比如，可以为1天。上述模型更新指令通常是用于指示更新模型的指令。
[0112]
这里，在上述预设触发条件被触发时，上述执行主体可以采用所存储的多条关联信息，对车道定位模型进行更新。
[0113]
在一些应用场景中，在对车道定位模型进行更新的过程中，上述执行主体可以直接将关联信息中的路面图像序列对应的多个图像特征作为输入，以及将与该多个图像特征关联的车道位置信息作为期望输出，对该车道定位模型进行训练，从而实现对车道定位模型进行更新。
[0114]
在一些应用场景中，上述执行主体可以接收用户针对各关联信息输入的真实车道位置信息。此时，在对车道定位模型进行更新的过程中，上述执行主体可以直接将关联信息中的路面图像序列对应的多个图像特征作为输入，以及将与该多个图像特征关联的真实车道位置信息作为期望输出，对该车道定位模型进行训练，从而实现对车道定位模型进行更新。
[0115]
本实施例中，及时对车道定位模型进行更新，有助于进一步提高对车辆定位的准确率。
[0116]
实施例三
[0117]
对应于上文实施例的车辆定位方法，图3示出了本技术实施例提供的车辆定位装置300的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。参照图3，该装置包括序列获取单元301、特征生成单元302、定位执行单元303。
[0118]
序列获取单元301，用于在目标车辆行驶过程中，获取目标车辆在行驶方向上的路面图像序列，路面图像序列包括连续多个时刻的路面图像；
[0119]
特征生成单元302，用于针对各个时刻的路面图像，基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征，其中，偏差图像为相应时刻的路面图像与上一时刻的路面图像之间的差图；
[0120]
定位执行单元303，用于将路面图像序列中各路面图像分别对应的图像特征输入预先训练的车道定位模型，得到目标车辆当前所处车道的车道位置信息。
[0121]
在一些实施例中，车道位置信息包括用于指示车道在对应道路上的位置的位置指示信息和用于指示目标车辆是否在变道行驶的变道指示信息。
[0122]
在一些实施例中，特征生成单元302中，在基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征之前，还包括：
[0123]
将相应时刻的路面图像输入预先训练的特征提取模型，得到第一特征信息，以及将相应时刻的偏差图像输入特征提取模型，得到第二特征信息。
[0124]
在一些实施例中，特征生成单元302中，基于相应时刻的路面图像的第一特征信息和相应时刻的偏差图像的第二特征信息，生成相应时刻的路面图像的图像特征，包括：
[0125]
将第一特征信息对应的第一向量与第二特征信息对应的第二向量进行拼接，得到图像特征。
[0126]
在一些实施例中，装置还包括预处理单元。预处理单元，用于针对路面图像序列中的各路面图像，对相应路面图像执行图像预处理，得到预处理结果图像，以及将相应路面图像切换为预处理结果图像，其中，图像预处理用于缩减路面图像大小。
[0127]
在一些实施例中，预处理单元中，对相应路面图像执行图像预处理，得到预处理结果图像，包括：
[0128]
对相应路面图像进行图像下采样，得到第一中间图像；
[0129]
将第一中间图像裁剪至目标尺寸，得到第二中间图像，以及将第二中间图像的灰度图像确定为预处理结果图像。
[0130]
在一些实施例中，装置还包括信息存储单元和模型更新单元。
[0131]
信息存储单元，用于将路面图像序列对应的多个图像特征与车道位置信息进行关联，得到关联信息，以及对关联信息进行存储；
[0132]
模型更新单元，用于在预设触发条件被触发时，基于所存储的关联信息，对车道定位模型进行更新。
[0133]
本实施例提供的装置，通过对目标车辆对应的路面图像序列进行分析，定位得到目标车辆当前所处车道的车道位置信息，定位过程中无需借助高精度地图，可以避免由于高精度地图更新不及时导致的定位不准的情况，有助于提高车辆定位准确率。另外，结合路面图像本身及路面图像对应的偏差图像，来生成得到路面图像的图像特征，可以实现得到对路面图像进行更为准确有效描述的图像特征，基于准确的图像特征来进行车辆车道定位，有助于提高车辆定位的准确率。另外，基于连续多个时刻的路面图像对车辆进行车道定位，可以排除由于某一个或某几个时刻存在的短暂遮挡导致的定位错误，有助于进一步提高车辆定位的准确率。
[0134]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0135]
实施例四
[0136]
图4为本技术一实施例提供的电子设备400的结构示意图。如图4所示，该实施例的电子设备400包括：至少一个处理器401(图4中仅示出一个处理器)、存储器402以及存储在存储器402中并可在至少一个处理器401上运行的计算机程序403，例如车辆定位程序。处理器401执行计算机程序403时实现上述任意各个方法实施例中的步骤。处理器401执行计算机程序403时实现上述各个车辆定位方法的实施例中的步骤。处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能，例如图3所示序列获取单元301、特征生成单元302、定位执行单元303的功能。
[0137]
示例性的，计算机程序403可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本技术。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403
在电子设备400中的执行过程。例如，计算机程序403可以被分割成序列获取单元，特征生成单元，定位执行单元，各单元具体功能在上述实施例中已有描述，此处不再赘述。
[0138]
电子设备400可包括，但不仅限于，处理器401，存储器402。本领域技术人员可以理解，图4仅仅是电子设备400的示例，并不构成对电子设备400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，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0139]
所称处理器401可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、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。
[0140]
存储器402可以是电子设备400的内部存储单元，例如电子设备400的硬盘或内存。存储器402也可以是电子设备400的外部存储设备，例如电子设备400上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器402还可以既包括电子设备400的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
[0141]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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行驶实现，也可以采用软件功能单元的行驶实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、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，在此不再赘述。
[0142]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0143]
本领域普通技术人员可以意识到，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技术的范围。
[0144]
在本技术所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的行驶。
[0145]
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。
[0146]
另外，在本技术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行驶实现，也可以采用软件功能单元的行驶实现。
[0147]
集成的模块如果以软件功能单元的行驶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存储介质中。其中，计算机可读存储介质可以是非易失性的，也可以是易失性的。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码行驶、对象代码行驶、可执行文件或某些中间行驶等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0148]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。