【技术实现步骤摘要】
本专利技术主要涉及智慧交通领域，具体涉及一种基于路侧端雷达目标检测的车道线自动生成方法及装置。
技术介绍
1、在车辆自动导航、路径规划等应用中往往需要实时获取、生成虚拟车道线，利用虚拟车道线辅助进行自动导航或者路径规划等。现有技术中通常是采用人工标定或者图像处理方式绘制生成虚拟车道线，例如依赖于高精度地图采用人工手动的方式标定出路侧车道线，而该类方式不仅实现复杂度以及成本高，而且效率以及精度均不高。
2、图像处理方式生成虚拟车道线则是通过提取路面图像，经过图像分割、识别等处理提取出图像中的车道线，再综合所有提取出的车道线生成最终的完整车道线。但是该类方式仅能适用于道路上本身存在实体车道线的场合，即车道上必须有清晰、完整的车道线，而实际中道路上的车道线可能不清晰，甚至并没有车道线，图像处理方式无法应用于该类场合自动生成车道线，另外图像处理方式必须依赖于进行大量的图像处理操作，实现复杂度仍然较高，影响生成效率，且还极易受外部环境影响，当车道线被干扰物大量遮挡时，会导致难以准确提取出相应的车道线。
技术实现思路
1、本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种实现方法简单、成本低、精准度与效率高且抗干扰性强的基于路侧端雷达目标检测的车道线自动生成方法及装置。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种基于路侧端雷达目标检测的车道线自动生成方法，步骤包括：
4、获取路侧端雷达检测的道路上
5、对所述目标点数据集使用混合高斯模型进行拟合，得到各个车道截面的数据分布模型，所述混合高斯模型包括k个单高斯分布，k为车道数；
6、求解所述各个车道截面的数据分布模型，由每个截面各个车道的高斯分布中心得到每个车道在对应截面处的中心位置；
7、对每个车道在各截面处的中心位置进行曲线拟合提取出车道中心线。
8、进一步的，所述混合高斯模型为：
9、
10、其中，θ代表全体高斯模型参数，μk和分别表示第k个高斯分布的均值和方差，αk是第k个高斯模型的先验概率，各个高斯模型的先验概率之和为1，即∑kαk＝1。
11、进一步的，所述混合高斯模型还包括对于μk和的参数约束：
12、μk＝μ1+d×(k-1)＝d×k+(μ1-d)＝d×k+μ0
13、
14、其中，μ1表示第1个高斯分布的均值，μ0＝μ1-d；d表示各高斯分布均值之间的间距值，表示第1个高斯分布的方差。
15、进一步的，所述求解所述各个车道截面的数据分布模型的步骤包括：
16、采用经典最大期望算法对混合高斯模型进行迭代求解，得到隐参数ωi,k在第t次的更新结果
17、根据更新结果采用拉格朗日乘子法计算求得第t+1的αk更新结果以及第t+1次μk和σk的更新结果
18、根据各个更新结果构建关系模型ut+1＝xt+1×at+1，其中，(·)t表示矩阵转置；求解出at+1＝((xt+1)-1xt+1)-1(xt+1)tut+1以及第t+1次更新的d和μ0值；
19、根据xt+1以及求解出的at+1更新各个高斯分布的均值在t+1迭代更新后的结果
20、根据更新后的结果以及方差的约束得到第t+1次方差的更新结果；
21、经n次迭代之后，得到为当前横截面的每个车道的中心位置，其中表示第n次迭代更新后第1，…k个高斯分布的均值，最终的当前截面的车道间距为dl＝dn,dn表示第n次迭代更新后均值之间的间距值。
22、进一步的，对每个车道在各截面处的中心位置采用多幂次的多项式曲线拟合，以提取出车道中心线。
23、进一步的，还包括根据提取出的车道中心线对应的曲线多项式的系数，计算各系数对应的直线度，根据所述直线度将车道中心线中各系数进行优化配置，其中如果目标系数的直线度小于预设阈值则将目标系数配置为小于目标系数的指定值，所述直线度用于表征车道的弯曲程度。
24、进一步的，按照下式定义所述直线度：
25、
26、其中，φl表示第k个系数pk的直线度，ymax和ymin分别表示雷达可检测到的目标最远距离和最近距离，n表示车道中心线对应的曲线多项式中系数总数；
27、根据所述直线度将对应的各系数进行优化配置后得到的中间车道的中心曲线为：
28、
29、各个车道的范围为：
30、
31、其中，dl表示第n次迭代更新后各高斯分布均值之间的间距值，k表示车道数。
32、进一步的，所述获取路侧端雷达检测的道路上运动车辆目标的位置信息及运行轨迹时，还包括将车道按照纵向方向等间距划定s个区间，每个区间间距为lr/s，lr为道路长度，围绕每个横截面上下指定范围lr作为各横截面的数据统计范围，统计范围lr内的所有数据作为对应横截面的目标点数据集。
33、一种基于路侧端雷达目标检测的车道线自动生成装置，包括：
34、数据集获取模块，用于获取路侧端雷达检测的道路上运动车辆目标的位置信息及运行轨迹，构成目标点数据集；
35、分布模型拟合模块，用于对所述目标点数据集使用混合高斯模型进行拟合，得到各个车道截面的数据分布模型，所述混合高斯模型包括k个单高斯分布，k为车道数；
36、求解模块，用于求解所述各个车道截面的数据分布模型，由每个截面各个车道的高斯分布中心得到每个车道在对应截面处的中心位置；
37、中心线提取模块，用于对每个车道在各截面处的中心位置进行曲线拟合，提取出车道中心线。
38、一种电子设备，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序以执行如上述方法。
39、与现有技术相比，本专利技术的优点在于：
40、1、本专利技术通过获取路侧端雷达检测的运动车辆目标的位置、轨迹，进行混合高斯模型拟合，得到各个车道截面的数据分布模型，进而对模型进行求解得到每个车道在对应截面处的中心位置，利用各个车道在对应截面处的中心位置再次进行拟合提取出车道中心线，能够充分融合路侧端毫米波雷达检测数据，利用所有车道数据在某个横截面处的分布呈混合高斯分布的特性，实现车道线的高效自动生成，可以避免复杂的人工标定、图像处理等操作，从而降低实现成本以及实现复杂程度，同时能够有效提高生成效率以及精度。
41、2、本专利技术通过基于曲线拟合的方式串联所有截面的车道中心，提取得到车道形状，进一步结合对曲线多项式的各系数计算直线度，判定车道的弯曲程度，基于直线度简化曲线的多项式模型，能够实现车道过拟合优化，进一步提高车道线生成的效果。
本文档来自技高网...【技术保护点】
1.一种基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，所述混合高斯模型为：
3.根据权利要求2所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，所述混合高斯模型还包括对于μk和的参数约束：
4.根据权利要求3所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，所述求解所述各个车道截面的数据分布模型的步骤包括：
5.根据权利要求1所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，对每个车道在各截面处的中心位置采用多幂次的多项式曲线拟合，以提取出车道中心线。
6.根据权利要求1～5中任意一项所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，还包括根据提取出的车道中心线对应的曲线多项式的系数，计算各系数对应的直线度，根据所述直线度将车道中心线中各系数进行优化配置，其中如果目标系数的直线度小于预设阈值则将目标系数配置为小于目标系数的指定值，所述直线度用于表征车道的弯曲程度。
<...【技术特征摘要】
1.一种基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，所述混合高斯模型为：
3.根据权利要求2所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，所述混合高斯模型还包括对于μk和的参数约束：
4.根据权利要求3所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，所述求解所述各个车道截面的数据分布模型的步骤包括：
5.根据权利要求1所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，对每个车道在各截面处的中心位置采用多幂次的多项式曲线拟合，以提取出车道中心线。
6.根据权利要求1～5中任意一项所述的基于路侧端雷达目标检测的车道线自动生成方法，其特征在于，还包括根据提取出的车道中心线对应的曲线多项式的系数，计算各系数对应的直线度，根据所述直线度将车道中心线中各系数进行...
【专利技术属性】
技术研发人员：黄少冰，黄利雄，彭贵福，
申请(专利权)人：湖南众天云电子科技有限公司，
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。