本申请涉及智能驾驶技术领域，特别涉及一种车道线检测后处理的方法及装置，其中，方法包括：获取车辆前方的单帧图像数据；根据单帧图像数据提取车道线上带有标签属性的关键点位置信息；利用逆透视变换矩阵对关键点位置信息进行逆透视变换，投影到鸟瞰图视角，并基于相邻车道和相邻行之间的坐标关系去除杂点，得到多个车道线关键点；结合实际距离与关键点置信度做局部加权线性回归拟合车道线参数，得到最终的车道线曲线方程。由此，解决了相关技术中输出信息后要做相应的后处理来拟合车道线，拟合效果较差，降低了后处理的精确性，并且降低了车道线检测的准确性，车辆的自动化水平较低，无法满足用户的驾乘需求的技术问题。无法满足用户的驾乘需求的技术问题。无法满足用户的驾乘需求的技术问题。
【技术实现步骤摘要】
车道线检测后处理的方法及装置
[0001]本申请涉及智能驾驶
，特别涉及一种车道线检测后处理的方法及装置。
技术介绍
[0002]相关技术中，可以通过传统图像处理、深度学习语义分割或深度学习关键点检测等车道线检测的方法，在输出信息后可以做相应的后处理来拟合车道线，使得可以清晰的描述车道线信息。
[0003]然而，相关技术中输出信息后要做相应的后处理来拟合车道线，拟合效果较差，降低了后处理的精确性，并且降低了车道线检测的准确性，车辆的自动化水平较低，无法满足用户的驾乘需求，亟待解决。
技术实现思路
[0004]本申请提供一种车道线检测后处理的方法及装置，以解决相关技术中输出信息后要做相应的后处理来拟合车道线，拟合效果较差，降低了后处理的精确性，并且降低了车道线检测的准确性，车辆的自动化水平较低，无法满足用户的驾乘需求的技术问题。
[0005]本申请第一方面实施例提供一种车道线检测后处理的方法，包括以下步骤：获取车辆前方的单帧图像数据；根据所述单帧图像数据提取车道线上带有标签属性的关键点位置信息；利用逆透视变换矩阵对所述关键点位置信息进行逆透视变换，投影到鸟瞰图视角，并基于相邻车道和相邻行之间的坐标关系去除杂点，得到多个车道线关键点；结合实际距离与关键点置信度做局部加权线性回归拟合车道线参数，得到最终的车道线曲线方程。
[0006]可选地，在本申请的一个实施例中，所述关键点位置信息的描述公式为：
[0007][0008]其中，N代表共N条车道线，K代表每条车道线由K个关键点来描述，l
i
是第i条车道线的描述子，代表第i条车道线上第j个关键点，该关键点由图像上的像素点坐标来表示，score代表当前关键点的置信度分数。
[0009]可选地，在本申请的一个实施例中，所述基于相邻车道和相邻行之间的坐标关系去除杂点，包括：基于当前车道线相邻多个关键点一致性准则和相邻车道之间的关键点的距离约束关系进行异常点滤除。
[0010]可选地，在本申请的一个实施例中，所述结合实际距离与关键点置信度做局部加权线性回归拟合车道线参数，得到最终的车道线曲线方程，包括：根据像素关键点计算第一纵向距离，并由车道线上的最远处点计算第二纵向距离；根据所述第一纵向距离和所述第二纵向距离得到所述像素关键点的权重。
[0011]可选地，在本申请的一个实施例中，所述权重的计算公式为：
[0012][0013]其中，表示根据像素关键点(x
j
,y
j
)计算的纵向距离，表示对于车道线上的最远处点(x
K
,y
K
)计算的纵向距离。
[0014]本申请第二方面实施例提供一种车道线检测后处理的装置，包括：获取模块，用于获取车辆前方的单帧图像数据；提取模块，用于根据所述单帧图像数据提取车道线上带有标签属性的关键点位置信息；投影模块，用于利用逆透视变换矩阵对所述关键点位置信息进行逆透视变换，投影到鸟瞰图视角，并基于相邻车道和相邻行之间的坐标关系去除杂点，得到多个车道线关键点；拟合模块，用于结合实际距离与关键点置信度做局部加权线性回归拟合车道线参数，得到最终的车道线曲线方程。
[0015]可选地，在本申请的一个实施例中，所述关键点位置信息的描述公式为：
[0016][0017]其中，N代表共N条车道线，K代表每条车道线由K个关键点来描述，l
i
是第i条车道线的描述子，代表第i条车道线上第j个关键点，该关键点由图像上的像素点坐标来表示，score代表当前关键点的置信度分数。
[0018]可选地，在本申请的一个实施例中，所述投影模块包括：滤除单元，用于基于当前车道线相邻多个关键点一致性准则和相邻车道之间的关键点的距离约束关系进行异常点滤除。
[0019]可选地，在本申请的一个实施例中，所述拟合模块包括：计算单元，用于根据像素关键点计算第一纵向距离，并由车道线上的最远处点计算第二纵向距离；获取单元，用于根据所述第一纵向距离和所述第二纵向距离得到所述像素关键点的权重。
[0020]可选地，在本申请的一个实施例中，所述权重的计算公式为：
[0021][0022]其中，表示根据像素关键点(x
j
,y
j
)计算的纵向距离，表示对于车道线上的最远处点(x
K
,y
K
)计算的纵向距离。
[0023]本申请第三方面实施例提供一种车辆，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计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的车道线检测后处理的方法。
[0024]本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的车道线检测后处理的方法。
[0025]本申请实施例可以根据前方车辆获取的单帧图像数据提取车道线上带有标签属性的关键点位置信息，且利用逆透视变换矩阵对关键点位置信息进行逆透视变换，投影到鸟瞰图视角，并基于相邻车道和相邻行之间的坐标关系去除杂点，得到多个车道线关键点，从而结合实际距离与关键点置信度做局部加权线性回归拟合车道线参数，得到最终的车道线曲线方程，进而提升了车道线检测的准确性，提高了车辆的智能化水平，满足用户的驾乘
需求。由此，解决了相关技术中输出信息后要做相应的后处理来拟合车道线，拟合效果较差，降低了后处理的精确性，并且降低了车道线检测的准确性，车辆的自动化水平较低，无法满足用户的驾乘需求的技术问题。
[0026]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0027]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0028]图1为根据本申请实施例提供的一种车道线检测后处理的方法的流程图；
[0029]图2为本申请一个具体实施例的通过深度学习算法输出的各条车道线上的带ID的关键点数据的示意图；
[0030]图3为本申请一个具体实施例的逆透视变换后的示意图；
[0031]图4为本申请一个具体实施例的当前车道线相邻3个关键点一致性的示意图；
[0032]图5为本申请一个具体实施例的相邻车道之间的关键点的距离约束关系的示意图；
[0033]图6为本申请一个具体实施例的车道线检测后处理的方法的流程图；
[0034]图7为根据本申请实施例提供的车道线检测后处理的装置的结构示意图；
[0035]图8为根据本申请实施例提供的车辆的结构示意图。
具体实施方式
[0036]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车道线检测后处理的方法，其特征在于，包括以下步骤：获取车辆前方的单帧图像数据；根据所述单帧图像数据提取车道线上带有标签属性的关键点位置信息；利用逆透视变换矩阵对所述关键点位置信息进行逆透视变换，投影到鸟瞰图视角，并基于相邻车道和相邻行之间的坐标关系去除杂点，得到多个车道线关键点；以及结合实际距离与关键点置信度做局部加权线性回归拟合车道线参数，得到最终的车道线曲线方程。2.根据权利要求1所述的方法，其特征在于，所述关键点位置信息的描述公式为：其中，N代表共N条车道线，K代表每条车道线由K个关键点来描述，l
i
是第i条车道线的描述子，代表第i条车道线上第j个关键点，该关键点由图像上的像素点坐标来表示，score代表当前关键点的置信度分数。3.根据权利要求1所述的方法，其特征在于，所述基于相邻车道和相邻行之间的坐标关系去除杂点，包括：基于当前车道线相邻多个关键点一致性准则和相邻车道之间的关键点的距离约束关系进行异常点滤除。4.根据权利要求1所述的方法，其特征在于，所述结合实际距离与关键点置信度做局部加权线性回归拟合车道线参数，得到最终的车道线曲线方程，包括：根据像素关键点计算第一纵向距离，并由车道线上的最远处点计算第二纵向距离；根据所述第一纵向距离和所述第二纵向距离得到所述像素关键点的权重。5.根据权利要求4所述的方法，其特征在于，所述权重的计算公式为：其中，表示根据像素关键点(x
j
,y
j
)计算的纵向距离，表示对于车道线上的最远处点(x
K
【专利技术属性】
技术研发人员：王小刚，吴超，闫亚庆，徐铎，
申请(专利权)人：雄狮汽车科技南京有限公司奇瑞汽车股份有限公司，
类型：发明
国别省市：
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。