车道线识别方法及装置制造方法及图纸

本申请实施例提供一种车道线识别方法及装置，该方法包括：获取多条待识别的车道线。将各待识别的车道线划分为多个线段。针对任一个线段，根据线段所属车道线的车道线属性，确定线段对应的初始特征向量，初始特征向量不反映车道线的方向。根据各线段对应的初始特征向量对多个线段进行聚类处理，得到至少一个聚类簇。针对任一个聚类簇，根据聚类簇中的各个线段所属车道线的方向属性，对各个线段进行分类处理，得到至少一个类别。根据至少一个类别对应的线段的数量，识别异常车道线。本申请的技术方案可以有效并准确的识别出异常车道线。术方案可以有效并准确的识别出异常车道线。术方案可以有效并准确的识别出异常车道线。

【技术实现步骤摘要】
车道线识别方法及装置


[0001]本申请实施例涉及地图
，尤其涉及一种车道线识别方法及装置。

技术介绍

[0002]在高精地图的数据生产过程中，可能会生成大量冗余及噪声类型的车道线，例如针对同一个采集对象输出了多条车道线，并且多条车道线方向不一致。
[0003]为了保证高精地图的数据准确性，需要针对冗余及噪声类型的车道线进行识别并进行去重处理，目前现有技术中在识别冗余及噪声类型的车道线时，通常是工作人员根据车道线噪声的特征人工定义识别策略，之后根据该识别策略分析各个车道线，以识别异常的车道线。
[0004]然而传统的技术方案依赖于人工定义规则识别噪声车道线，存在识别准确率不高的问题。

技术实现思路

[0005]本申请实施例提供一种车道线识别方法及装置，以克服异常车道线识别准确率不高的问题。
[0006]第一方面，本申请实施例提供一种车道线识别方法，包括：
[0007]获取多条待识别的车道线；
[0008]将各待识别的车道线划分为多个线段；
[0009]针对任一个所述线段，根据所述线段所属车道线的车道线属性，确定所述线段对应的初始特征向量，所述初始特征向量不反映所述车道线的方向；
[0010]根据各所述线段对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇；
[0011]针对任一个所述聚类簇，根据所述聚类簇中的各个线段所属车道线的方向属性，对所述各个线段进行分类处理，得到至少一个类别；
[0012]根据所述至少一个类别对应的线段的数量，识别异常车道线。
[0013]第二方面，本申请实施例提供一种车道线识别装置，包括：
[0014]获取模块，用于获取多条待识别的车道线；
[0015]划分模块，用于将各待识别的车道线划分为多个线段；
[0016]确定模块，用于针对任一个所述线段，根据所述线段所属车道线的车道线属性，确定所述线段对应的初始特征向量，所述初始特征向量不反映所述车道线的方向；
[0017]处理模块，用于根据各所述线段各自对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇；
[0018]分类模块，用于针对任一个所述聚类簇，根据所述聚类簇中的各个线段所属车道线的方向属性，对所述各个线段进行分类处理，得到至少一个类别；
[0019]识别模块，用于根据所述至少一个类别对应的线段的数量，识别异常车道线。
[0020]第三方面，本申请实施例提供一种电子设备，包括：
[0021]存储器，用于存储程序；
[0022]处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
[0023]第四方面，本申请实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
[0024]第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计中任一所述的方法。
[0025]本申请实施例提供一种车道线识别方法及装置，该方法包括：获取多条待识别的车道线；将各待识别的车道线划分为多个线段；针对任一个线段，根据线段所属车道线的车道线属性，确定线段对应的初始特征向量，初始特征向量不反映车道线的方向；根据各线段对应的初始特征向量对多个线段进行聚类处理，得到至少一个聚类簇；针对任一个聚类簇，根据聚类簇中的各个线段所属车道线的方向属性，对各个线段进行分类处理，得到至少一个类别；根据至少一个类别对应的线段的数量，识别异常车道线。通过将多条车道线划分为多个线段，之后基于正常车道线和冗余车道线各方面属性都比较相似，只是方向不同的特性，根据每个线段的不反映车道线的方向属性的初始特征向量进行聚类处理，以实现将正常车道线和冗余车道线的线段聚类在同一个聚类簇中，之后再加上方向属性对分类簇中的线段进行分类，以实现将聚类簇中的线段划分为至少两个类别，其中不同类别对应的线段所属车道线的方向不同，以实现将聚类簇中的正常车道线和冗余车道线的线段区分开，然后再根据各个类别各自对应的线段的数量，就可以有效并准确的识别出异常车道线。
附图说明
[0026]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本申请实施例提供的冗余车道线的示意图；
[0028]图2为本申请实施例提供的车道线识别方法的流程图；
[0029]图3为本申请实施例提供的特征相似的车道线示意图；
[0030]图4为本申请实施例提供的车道线识别方法的流程图二；
[0031]图5为本申请实施例提供的将车道线划分为线段的实现示意图；
[0032]图6为本申请实施例提供的超平面示意图；
[0033]图7为本申请实施例提供的识别异常车道线的处理示意图；
[0034]图8为本申请实施例提供的车道线识别装置的结构示意图；
[0035]图9为本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
[0036]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例
中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0037]为了更好的理解本申请的技术方案，下面对本申请所涉及的相关技术进行进一步的详细介绍。
[0038]在高精地图的数据生产过程中，可能会生成大量冗余及噪声类型的车道线，例如针对同一个采集对象输出了多条车道线，并且多条车道线方向不一致，那么其中必然存在识别错误和冗余的车道线。此处介绍的采集对象可以理解为实际场景中的车道线。
[0039]例如可以结合图1对本申请的应用场景进行理解，图1为本申请实施例提供的冗余车道线的示意图。
[0040]如图1所示，假设当前根据某个路段的点云数据进行高精地图生产，输出了图1中示意的车道线a～车道线f这6条车道线，其中每条车道线都对应有各自的方向，在图1中用箭头进行了示意。
[0041]参照图1可以确定的是，车道线c和车道线d的距离非常相近，但是距离是相反的，这是因为在实际场景中在该位置只存在一条车道线，也就是说车道线c和车道线d中至少有一条车道线是冗余的车道线，并且这条冗余车道线的方向也是错误的。
[0042]之所以会出现上述情况，是因为在车道线的生成过程中，通常是根据沿一个行驶方向某趟采集资本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线识别方法，其特征在于，包括：获取多条待识别的车道线；将各待识别的车道线划分为多个线段；针对任一个所述线段，根据所述线段所属车道线的车道线属性，确定所述线段对应的初始特征向量，所述初始特征向量不反映所述车道线的方向；根据各所述线段对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇；针对任一个所述聚类簇，根据所述聚类簇中的各个线段所属车道线的方向属性，对所述各个线段进行分类处理，得到至少一个类别；根据所述至少一个类别对应的线段的数量，识别异常车道线。2.根据权利要求1所述的方法，其特征在于，所述根据各所述线段对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇，包括：将各所述线段对应的初始特征向量映射至高维特征空间，得到各所述初始特征向量对应的高维特征向量互相之间的向量距离；根据各所述初始特征向量对应的高维特征向量互相之间的向量距离，对所述多个线段进行聚类处理，得到至少一个聚类簇。3.根据权利要求2所述的方法，其特征在于，所述将各所述线段对应的初始特征向量映射至高维特征空间，得到各所述初始特征向量对应的高维特征向量互相之间的向量距离，包括：针对各所述线段对应的初始特征向量中的任意两个初始特征向量，将所述两个初始特征向量输入至核函数，得到所述核函数输出的所述两个初始特征向量对应的高维特征向量之间的内积；其中，所述内积用于反映两个高维特征向量互相之间的向量距离。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述根据所述至少一个类别对应的线段的数量，识别异常车道线，包括：若所述分类处理后得到的类别数量大于1，则确定存在异常车道线，所述至少一个类别中包括第一类别和第二类别；针对任一所述聚类簇，根据所述聚类簇内第一类别对应的线段的数量和所述聚类簇中的线段总数量，确定所述第一类别对应的线段的数量的第一占比；根据所述聚类簇内第二类别对应的线段的数量和所述聚类簇中的线段总数量，确定所述第二类别对应的线段的数量的第二占比；将所述第一占比和所述第二占比中的目标值和预设阈值进行比较，以识别异常车道线，所述目标值为较大值或较小值。5.根据权利要求4所述的方法，其特征在于，所述将所述第一占比和所述第二占比中的目标值和预设阈值进行比较，以识别异常车道线，包括：若所述目标值为较大值，则在所述较大值大于或等于第一预设阈值时，将所述第一占比和第二占比中的较小值所对应的类别确定为异常类别，并将所述聚类簇中异常类别对应的线段所属车道线，确定为所述异常车道线；若所述...

【专利技术属性】
技术研发人员：邹剑章，陈时远，张文太，
申请(专利权)人：高德软件有限公司，
类型：发明
国别省市：