The embodiment of the application provides a lane line tracking method and related products. A lane line tracking method includes: at time t, each of N first lane models at time t \u2011 1 is predicted according to the driving parameters of the vehicle, and N second lane models are obtained; the N second lane models are updated according to the lane line features in the target image, and N third vehicle is obtained Lane model, the target image is the image of the preset area in front of the vehicle at the time of T; the adaptation probability of each third lane model in the N third lane model is calculated according to the probability parameters; the third lane model with the largest adaptation probability in the N third lane model is determined, and the third lane model with the largest adaptation probability is used to track the road surface of the vehicle Lane line of. The embodiment of the application is conducive to improving the accuracy of lane line tracking.
【技术实现步骤摘要】
车道线跟踪方法及相关产品
本申请涉及自动驾驶
，具体涉及一种车道线跟踪方法及相关产品。
技术介绍
随着计算机视觉技术的发展，通过神经网络算法对输入图像进行特征提取，得到输入图像中车道线的车道线特征，采用车道模型对车道线特征进行处理，输出车辆前方的车道线，以实现无人驾驶。目前，有两种常用的车道模型，第一种为基于平行假设的车道模型，即假设所有的车道线相互平行，第二种为基于非平行假设的车道模型，即假设所有的车道线都不平行，基于平行假设或者不平行假设的车道模型由于自身条件的约束，当车辆行驶在复杂路口时，例如，同时存在平行车道线和不平行车道线时，则会漏检车道线或者输出的车道线不符合规则，导致使用车道模型无法准确的跟踪到复杂路口下的每条车道线。
技术实现思路
本申请实施例提车道线跟踪方法和相关产品，有利于使车辆适应各种复杂的行驶场景，进而提高跟踪车道线的准确度，进而提升交通安全。第一方面，本申请实施例提供一种车道线跟踪方法，包括：在t时刻，根据车辆的行驶参数对t-1时刻的N个第一车道模型中的每个进行预测，得到N个第二车道模型，所述第一车道模型用于跟踪多组车道，车道A和车道B不平行，所述车道A和所述车道B分别为所述多组车道中任意两组中的车道，所述多组车道中每组车道包含的车道相互平行，所述N为大于等于1的整数；根据目标图像中的车道线特征对所述N个第二车道模型进行更新，得到N个第三车道模型，所述目标图像为所述t时刻所述车辆前方预设区域的图像；根据概率参数计算所述N个第三车道模型...
【技术保护点】
1.一种车道线跟踪方法，其特征在于，包括：/n在t时刻，根据车辆的行驶参数对t-1时刻的N个第一车道模型中的每个进行预测，得到N个第二车道模型，所述第一车道模型用于跟踪多组车道，车道A和车道B不平行，所述车道A和所述车道B分别为所述多组车道中任意两组中的车道，所述多组车道中每组车道包含的车道相互平行，所述N为大于等于1的整数；/n根据目标图像中的车道线特征对所述N个第二车道模型进行更新，得到N个第三车道模型，所述目标图像为所述t时刻所述车辆前方预设区域的图像；/n根据概率参数计算所述N个第三车道模型中的每个第三车道模型的适配概率，所述适配概率用于表征所述第三车道模型与所述车辆行驶路面的车道线的适配程度；/n确定所述N个第三车道模型中适配概率最大的第三车道模型，所述适配概率最大的第三车道模型用于跟踪所述车辆行驶路面的车道线。/n
【技术特征摘要】
1.一种车道线跟踪方法，其特征在于，包括：
在t时刻，根据车辆的行驶参数对t-1时刻的N个第一车道模型中的每个进行预测，得到N个第二车道模型，所述第一车道模型用于跟踪多组车道，车道A和车道B不平行，所述车道A和所述车道B分别为所述多组车道中任意两组中的车道，所述多组车道中每组车道包含的车道相互平行，所述N为大于等于1的整数；
根据目标图像中的车道线特征对所述N个第二车道模型进行更新，得到N个第三车道模型，所述目标图像为所述t时刻所述车辆前方预设区域的图像；
根据概率参数计算所述N个第三车道模型中的每个第三车道模型的适配概率，所述适配概率用于表征所述第三车道模型与所述车辆行驶路面的车道线的适配程度；
确定所述N个第三车道模型中适配概率最大的第三车道模型，所述适配概率最大的第三车道模型用于跟踪所述车辆行驶路面的车道线。
2.根据权利要求1所述的方法，其特征在于，所述根据车辆的行驶参数对t-1时刻的N个第一车道模型中的每个进行预测，得到N个第二车道模型，包括：
根据所述车辆的行驶参数得到预测矩阵；
根据所述预测矩阵对所述t-1时刻的N个第一车道模型中的每个进行预测，得到N个第二车道模型。
3.根据权利要求1或2所述的方法，其特征在于，所述根据目标图像中的车道线特征对所述N个第二车道模型进行更新，得到N个第三车道模型，包括：
将所述目标图像划分为T个子图像，其中，第i个子图像对应的区域与所述车辆之间的距离小于第i+1个子图像对应的区域与所述车辆之间的距离，所述i为整数，1≤i≤T，所述T为大于等于2的整数；
获取所述第i个子图像中的车道线特征；
从N个第一参考车道模型中，选取与所述第i个子图像的车道线特征匹配的U个目标车道模型，根据所述车道线特征对所述U个目标车道模型中的每个执行第i次更新操作，得到U个第一参考车道模型，第i次更新结果包括所述U个更新后的第一参考车道模型，当i＝1时，所述N个第一参考车道模型为所述N个第二车道模型，当i＞1时，所述N个第一参考车道模型为第i-1次的更新结果，0≤U≤N；
当i＝T时，执行第T次更新操作后得到的第T次更新结果为所述N个第三车道模型。
4.根据权利要求3所述的方法，其特征在于，所述从N个第一参考车道模型中，选取与所述第i个子图像的车道线特征匹配的U个目标车道模型，包括：
在图像坐标系下，根据所述车道线特征获取所述目标图像中的车道线的观测向量；
在车辆坐标系下，根据所述车道线特征获取所述目标图像中的车道线与车道模型A对应的M个预测观测向量，所述M为所述车道模型A跟踪的车道线的数量，所述车道模型A为所述N个第一参考车道模型的任意一个参考车道模型，所述M为大于等于1的整数；
确定所述观测向量与所述M个预测观测向量对应的M个马氏距离；
确定所述M个马氏距离中的最小马氏距离，在所述最小马氏距离小于距离阈值时，确定所述车道模型A为与所述第i个子图像的车道线特征匹配的目标车道模型。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
当i＝T时，如所述目标图像中的车道线C对应的f个最小马氏距离均大于或者等于所述距离阈值，根据所述N个第三车道模型创建N个第四车道模型，所述N个第四车道模型与所述N个第三车道模型的车道线参数一致，所述车道线C为所述目标图像中的任意一个车道线，所述f个最小马氏距离为所述车道线C在f个子图像中的车道线特征对应的最小马氏距离，所述f个子图像为所述T个子图像中包含所述车道线C的车道线特征的子图像，所述f为大于等于1的整数，f≤T；
对所述N个第四车道模型中的每个进行处理，得到N个新车道模型；
将所述N个第四车道模型和所述N个新车道模型作为所述t时刻的第一车道模型。
6.根据权利要求5所述的方法，其特征在于，所述对所述N个第四车道模型中的每个进行处理，得到N个新车道模型，包括：
获取所述车道线C与所述车辆的相对距离；
根据所述相对距离对每个第四车道模型中与所述车道线C对应的车道线参数初始赋值，得到N个第五车道模型；
拟合所述T个子图像中每个子图像中的车道线特征，得到至少一个拟合方程；
如在所述T个子图像中的第k个子图像中最先获取到目标拟合方程，采用所述车道线C在所述第k个子图像中的车道线特征对所述N个第四车道模型中的每个进行更新，得到当前最新的N个第四车道模型，所述目标拟合方程为所述至少一个拟合方程中截距与所述相对距离的差值小于距离阈值的拟合方程；
从所述T个子图像中的第k+1个子图像开始，依次采用每个子图像中的车道线特征，对所述N个第四车道模型进行更新，得到当前最新的N个第四车道模型，直至采用T个子图像中的车道线特征对当前最新的N个第四车道模型进行更新后，得到所述N个新车道模型。
7.根据权利要求4-6任一项所述的方法，其特征在于，所述概率参数包括目标匹配概率、先验概率以及第一车道模型B在所述t-1时刻的适配概率；第三车道模型B’的适配概率由所述目标匹配概率、所述先验概率以及所述第一车道模型B在所述t-1时刻的适配概率得到；所述第一车道模型B为所述N个第一车道模型中的任意一个；
所述目标匹配概率用于表征所述目标图像中的所有车道线与所述第三车道模型B’的匹配程度；
所述先验概率用于表征所述第三车道模型B’的来源，所述来源包括所述第三车道模型B’是通过对所述第一车道模型B执行更新操作得到的。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述方法还包括：
根据每个第三车道模型的适配概率得到目标第三车道模型，所述目标第三车道模型为所述N个第三车道模型中适配概率小于概率阈值的第三车道模型；
删除跟踪时长大于时长阈值的目标第三车道模型，所述跟踪时长为所述目标第三车道模型从创建时刻到所述t时刻的总时长。
9.一种车道线跟踪装置，其特征在于，包括：
预测单元，用于在t时刻，根据车辆的行驶参数对t-1时刻的N个第一车道模型中的每个进行预测，得到N个第二车道模型，所述第一车道模型用于跟踪多组车道，车道A和车道B不平行，所述车道A和所述车道B分别为所述多组车道中任意两组中的车道，所述多组车道中每组车道包含的车道相互平行，所述N为大于等于1的整数；
更新单元，用于根据目标图像中的车道线特征对所述N个第二车道模型进行更新，得到N个第三车道模型，所述目标图像为所述t时刻所述车辆前方预设区域的图像；
计算单元，用于根据概率参数计算所述N个第三车道模型中的每个第三车道模型的适配概率，所述适配概率用于表征所述第三车道模型与所述车辆行驶路面的车道线的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。