车道及标志线识别方法、设备

摘要

本申请涉及一种车道及标志线识别方法、设备，方法包括：获取车辆行驶时的行为数据集和车辆行驶路段的栅格化路段数据集，对行为数据进行聚类得到车辆行驶轨迹，将车辆行驶轨迹的三维坐标导入的栅格化路段数据集，以得到车辆行驶轨迹的栅格网络点坐标，以车辆行驶轨迹的栅格网络点坐标为基准，确定车道范围及车道标志线。随着激光雷达的普及，基于激光雷达获取车辆行驶时的行为数据集并生成车辆行驶轨迹已经是较为成熟的技术，本申请中车道及标志线的识别方法更多样化，避免了仅依靠摄像机获取车道图像来识别车道及标志线的局限性。并且，本申请中得到的车道及标志线与激光雷达获取的车流数据具有更好的适配性。

说明书

技术领域

本申请涉及交通大数据应用技术领域，尤其涉及一种车道及标志线识别方法、设备。

背景技术

现有车道及标志线识别多利用计算机视觉技术，通过摄像机获取车道的视频图像，再进行二次开发识别，利用多种识别算法对车道和标志线进行检测。该类识别方法不仅实施时具有局限性(比如缺乏摄像机的路段无法进行识别)，识别准确性也较差(比如通过摄像机识别出车道及标志线，后续研究需要对车道、标志线以及激光雷达获取的车流数据进行拼接匹配，这样会降低摄像机识别出车道及标志线的准确性)。

发明内容

为至少在一定程度上克服相关技术中通过摄像机获取车道的视频图像进行车道及标志线识别不仅实施时具有局限性，而且识别准确性也较差的问题，本申请提供一种车道及标志线识别方法、设备。

本申请的方案如下：

根据本申请实施例的第一方面，提供一种车道及标志线识别方法，包括：

获取车辆行驶时的行为数据集和车辆行驶路段的栅格化路段数据集；

对所述行为数据进行聚类得到车辆行驶轨迹；

将所述车辆行驶轨迹的三维坐标导入所述的栅格化路段数据集，以得到所述车辆行驶轨迹的栅格网络点坐标；

以所述车辆行驶轨迹的栅格网络点坐标为基准，确定车道范围及车道标志线。

优选地，所述车辆行驶时的行为数据集包括：

车辆编号、车辆经纬度、时间戳、车辆反射点个数、车辆反射点相对于采集基点的三维速度和三维坐标。

优选地，所述对所述行为数据进行聚类得到车辆行驶轨迹前，所述方法还包括：

根据车辆反射点相对于采集基点的三维速度和三维坐标，将车辆反射点整合得到车辆三维图像；

剔除车辆三维图像中的异常数据。

优选地，所述剔除车辆三维图像中的异常数据，包括：

将车辆三维图像中尺寸大于预设尺寸阈值时的车辆三维图像进行剔除；

确定各车辆三维图像的中心坐标，将各车辆三维图像的中心坐标与所述车辆经纬度和所述车辆编号进行匹配，将匹配失败的车辆三维图像进行剔除；

将时间戳前后相对于采集基点的三维速度大于预设速度阈值的车辆反射点进行剔除；

将时间戳前后相对于采集基点的三维坐标出现异常的车辆反射点进行剔除。

优选地，所述对所述行为数据进行聚类得到车辆行驶轨迹，包括：

选取道路起始位置的车辆反射点进行聚类，得到道路中各车道的起始坐标点；

选取车辆两侧的反射点进行聚类，计算车辆两侧反射点的中心点三维坐标；

以车辆反射点所在车道的起始坐标点为起点，按照时序将同一车辆编号对应的车辆两侧反射点的中心点进行连接，得到车辆行驶轨迹和车辆行驶轨迹的三维坐标。

优选地，所述对所述行为数据进行聚类得到车辆行驶轨迹，还包括：

将道路车道数量作为聚类规则，对各车辆行驶轨迹进行聚类。

优选地，所述将所述车辆行驶轨迹的三维坐标导入所述的栅格化路段数据集，以得到所述车辆行驶轨迹的栅格网络点坐标，包括：

将所述车辆行驶轨迹中各点的三维坐标替换为距离最近的栅格网络点坐标，得到所述车辆行驶轨迹的栅格网络点坐标。

优选地，所述以所述车辆行驶轨迹的栅格网络点坐标为基准，确定车道范围及车道标志线，包括：

将替换坐标后的车辆行驶轨迹进行平滑处理；

对平滑处理后的车辆行驶轨迹和车辆行驶轨迹的栅格网络点坐标进行统计分析，基于汽车行驶特性和道路设计规则，对车辆行驶轨迹进行修正；

将修正后的车辆行驶轨迹作为车道中心线，根据车道中心线的对称特性确定车道范围及车道标志线。

优选地，所述方法还包括：

获取车道图像数据集；

基于所述车道图像数据集确定车道范围及车道标志线验证集；

基于所述车道范围及车道标志线验证集，对以所述车辆行驶轨迹的栅格网络点坐标为基准确定的车道范围及车道标志线进行验证；

将所述车道范围及车道标志线验证集和以所述车辆行驶轨迹的栅格网络点坐标为基准确定的车道范围及车道标志线进行拟合，得到最终车道范围及车道标志线。

根据本申请实施例的第二方面，提供一种车道及标志线识别方法设备，包括：

获取模块，用于获取车辆行驶时的行为数据集和车辆行驶路段的栅格化路段数据集；

聚类模块，用于对所述行为数据进行聚类得到车辆行驶轨迹；

坐标模块，用于将所述车辆行驶轨迹的三维坐标导入所述的栅格化路段数据集，以得到所述车辆行驶轨迹的栅格网络点坐标；

确定模块，用于以所述车辆行驶轨迹的栅格网络点坐标为基准，确定车道范围及车道标志线。

本申请提供的技术方案可以包括以下有益效果：本申请中的车道及标志线识别方法，包括：获取车辆行驶时的行为数据集和车辆行驶路段的栅格化路段数据集，对行为数据进行聚类得到车辆行驶轨迹，将车辆行驶轨迹的三维坐标导入的栅格化路段数据集，以得到车辆行驶轨迹的栅格网络点坐标，以车辆行驶轨迹的栅格网络点坐标为基准，确定车道范围及车道标志线。随着激光雷达的普及，基于激光雷达获取车辆行驶时的行为数据集并生成车辆行驶轨迹已经是较为成熟的技术，本申请中可以不仅仅依靠摄像机获取车道图像来识别车道及标志线，还可以通过激光雷达获取车辆行驶时的行为数据集来识别车道及标志线，识别方法更多样化，避免了仅依靠摄像机获取车道图像来识别车道及标志线的局限性。并且，由于现有技术中的车流数据也是由激光雷达获取的，本申请中通过激光雷达获取车辆行驶时的行为数据集得到的车道及标志线与激光雷达获取的车流数据具有更好的适配性，使得识别出的车道及标志线更加准确。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请一个实施例提供的一种车道及标志线识别方法的流程示意图；

图2是本申请一个实施例提供的一种雷视一体装置的设置位置及感知范围示意图；

图3是本申请一个实施例提供的一种径向聚类后得到的车辆行驶轨迹示意图；

图4是本申请一个实施例提供的一种车道及标志线识别设备的结构示意图。

附图标记：获取模块-21；聚类模块-22；坐标模块-23；确定模块-24。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

实施例一

一种车道及标志线识别方法，参照图1，包括：

S11：获取车辆行驶时的行为数据集和车辆行驶路段的栅格化路段数据集；

激光雷达安装在一定高度的杆件上，可实现对一定距离范围内物体位置的探测和感知，本方案具体实施时，可选的，通过交通道路上设置的激光雷达或雷视一体装置(激光雷达和摄像机)对道路上行驶的车辆进行感知，获取车辆行驶时的行为数据集。优选的，本实施例选用雷视一体装置来进行车辆行驶时行为数据集的获取。

优选的，本实施例中，在路侧设置高度为6m的横杆，横杠长度可至道路中央，将雷视一体装置通过抱箍固定安装在道路中央的横杆位置，以对道路来往的车辆进行行为数据采集。本实施例中以单向三车道道路为例，具体的雷视一体装置感知范围如图2所示，其中编号0的车道为紧急停车道，车道宽度为3.5m，编号为1、2的两条车道为行车道，宽度均为3.75m。本实施例中，雷视一体装置可以感知到的径向距离可达到200米，远端宽度可以涵盖三条车道。

栅格化是将矢量图形格式表示的图像转换成位图以用于显示器或者打印机输出的过程，具体实施时，根据道路相关资料，将车辆行驶路段的道路及其周边进行栅格化，转化为车辆行驶路段的栅格化路段数据集。

需要说明的是，车辆行驶时的行为数据集包括：

车辆编号、车辆经纬度、时间戳、车辆反射点个数、车辆反射点相对于采集基点的三维速度和三维坐标。

车辆反射点相对于采集基点的三维速度即车辆反射点相对于采集基点(雷视一体装置)的径向速度、切向速度和平均速度。平均速度指的是同一车辆某一轨迹点当前时间戳与上一时间戳之间通过距离和检测频率的比值计算得到的均值。

车辆反射点相对于采集基点的三维坐标即车辆反射点相对雷达的径向坐标、切向坐标、纵向坐标(垂直于地面)。车辆反射点相对于采集基点的三维坐标可以通过车辆三维点云数据获得。

本实施例中，将车辆行驶时的行为数据集进行处理合并，该行为数据集同时包括历史数据和实时数据。根据车辆行驶时的行为数据集建立vehicle时序数据集存储到数据库中。

S12：对行为数据进行聚类得到车辆行驶轨迹；

需要说明的是，对行为数据进行聚类得到车辆行驶轨迹包括径向聚类和横向聚类。

其中，径向聚类包括：

选取道路起始位置的车辆反射点进行聚类，得到道路中各车道的起始坐标点；

选取车辆两侧的反射点进行聚类，计算车辆两侧反射点的中心点三维坐标；

以车辆反射点所在车道的起始坐标点为起点，按照时序将同一车辆编号对应的车辆两侧反射点的中心点进行连接，得到车辆行驶轨迹和车辆行驶轨迹的三维坐标。

因为聚类出的车辆行驶轨迹可能存在起始点较难确定从而影响聚类结果的情况，因此本实施例中首先在选取道路起始位置的车辆反射点进行聚类，得到道路中各车道的起始坐标点，如对于三车道道路，先聚类出三个横向起始点，以这三个横向起始点作为此三车道道路上车辆行驶轨迹的起始点。

进行径向聚类时需要将每辆车长度方向上两侧的反射点筛选出来，并分别聚类为车辆左侧反射点(XLi，YLi，ZLi)和车辆右侧反射点(XRi，YRi，ZRi)，两侧反射点的中心点三维坐标为(XTi，YTi，ZTi)。参见图3，以车辆反射点所在车道的起始坐标点为起点，按照时序将同一车辆编号对应的车辆左侧反射点和车辆右侧反射点分别进行连接，构成完整的轨迹线，两条轨迹线之间的区域就是车辆行驶所经过的路径。而将车辆两侧反射点的中心点进行连接，可以得到车辆行驶轨迹的中心线，本实施例中只需要车辆行驶轨迹的中心线及其三维坐标，所以本实施例中的车辆行驶轨迹在无特别说明的情况下即为车辆行驶轨迹的中心线，其由若干轨迹点(XTi，YTi，ZTi)组成。

横向聚类包括：

将道路车道数量作为聚类规则，对各车辆行驶轨迹进行聚类。

通过径向聚类结束可以获取到能反映道路线形的若干条径向车辆行驶轨迹，虽然车辆在行驶中会存在一定的左右偏移，但是总体是行驶在车道中心线周围，因此可以根据车辆行驶轨迹在道路上横向位置的聚类，来确定车道及其标志线。本实施例中，对每段径向车辆行驶轨迹分别进行横向聚类，根据道路车道数量确定横向聚类的规则，如径向车辆行驶轨迹所在道路车道数量为四车道，则对该径向车辆行驶轨迹横向聚类为四类轨迹，径向车辆行驶轨迹所在道路车道数量为三车道，则对该径向车辆行驶轨迹横向聚类为三类轨迹，三类轨迹分别由若干(X1i，Y1i，Z1i)、(X2i，Y2i，Z2i)、(X3i，Y3i，Z3i)等轨迹点组成。(X1i，Y1i，Z1i)表示道路第一条车道上的径向车辆行驶轨迹，依次类推。

S13：将车辆行驶轨迹的三维坐标导入的栅格化路段数据集，以得到车辆行驶轨迹的栅格网络点坐标；

需要说明的是，本实施例中，将车辆行驶轨迹中各点的三维坐标替换为距离最近的栅格网络点坐标，得到车辆行驶轨迹的栅格网络点坐标。

具体实施时，取栅格单元大小为0.1米×0.1米×0.1米构成道路栅格网络，将车辆行驶轨迹中各点的三维坐标以其距离最近的栅格网络点坐标替代，得到车辆行驶轨迹的栅格网络点坐标。

S14：以车辆行驶轨迹的栅格网络点坐标为基准，确定车道范围及车道标志线。

需要说明的是，本实施例中，将替换坐标后的车辆行驶轨迹进行平滑处理；对平滑处理后的车辆行驶轨迹和车辆行驶轨迹的栅格网络点坐标进行统计分析，基于汽车行驶特性和道路设计规则，对车辆行驶轨迹进行修正；将修正后的车辆行驶轨迹作为车道中心线，根据车道中心线的对称特性确定车道范围及车道标志线。

车辆行驶轨迹的修正主要表现在利用车道一般宽度、车辆行驶偏转角度等特性，对车辆行驶轨迹进行修正。

需要说明的是，本实施例中的技术方案应用于交通大数据处理领域，具体应用在车道及标志线识别过程中。随着激光雷达硬件层的逐渐成熟和成本逐渐降低，越来越多的交通研究者利用激光雷达作为车辆行驶轨迹收集的传感器，并将获取到的车辆行驶轨迹数据用于后续研究分析。在当前大数据时代，车辆行驶轨迹数据经过合理的分析处理往往可以反映出道路设施的自有属性，这就使得通过车辆行驶轨迹数据去识别车道、勾勒出标志线成为可行的方案。

基于此，本实施例中，获取车辆行驶时的行为数据集和车辆行驶路段的栅格化路段数据集，对行为数据进行聚类得到车辆行驶轨迹，将车辆行驶轨迹的三维坐标导入的栅格化路段数据集，以得到车辆行驶轨迹的栅格网络点坐标，以车辆行驶轨迹的栅格网络点坐标为基准，确定车道范围及车道标志线。随着激光雷达的普及，基于激光雷达获取车辆行驶时的行为数据集并生成车辆行驶轨迹已经是较为成熟的技术，本申请中可以不仅仅依靠摄像机获取车道图像来识别车道及标志线，还可以通过激光雷达获取车辆行驶时的行为数据集来识别车道及标志线，识别方法更多样化，避免了仅依靠摄像机获取车道图像来识别车道及标志线的局限性。并且，由于现有技术中的车流数据也是由激光雷达获取的，本申请中通过激光雷达获取车辆行驶时的行为数据集得到的车道及标志线与激光雷达获取的车流数据具有更好的适配性，使得识别出的车道及标志线更加准确。

实施例二

本实施例中的车道及标志线识别方法，对行为数据进行聚类得到车辆行驶轨迹前，方法还包括：

根据车辆反射点相对于采集基点的三维速度和三维坐标，将车辆反射点整合得到车辆三维图像；

剔除车辆三维图像中的异常数据。

本实施例中，利用三维点云特征，即车辆反射点相对采集基点的径向坐标、切向坐标、纵向坐标(垂直于地面)，根据不同车辆反射点之间的位置和速度特征将不同车辆的反射点进行划分，将各车辆对应的反射点整合成该车辆的三维图像。

具体的，剔除车辆三维图像中的异常数据，包括：

将车辆三维图像中尺寸大于预设尺寸阈值时的车辆三维图像进行剔除；

确定各车辆三维图像的中心坐标，将各车辆三维图像的中心坐标与车辆经纬度和车辆编号进行匹配，将匹配失败的车辆三维图像进行剔除；

将时间戳前后相对于采集基点的三维速度大于预设速度阈值的车辆反射点进行剔除；

将时间戳前后相对于采集基点的三维坐标出现异常的车辆反射点进行剔除。

具体实施时，由于大多数车辆的宽度不会超过4米、长度不会超过20米，所以本实施例中可以将预设尺寸阈值设定为宽度4米，长度20米，超过预设尺寸阈值的三维图像可能是根据大面积绿植或高速公路周边广告牌等物体生成的，将超过预设尺寸阈值的三维图像进行剔除。

本实施例中还将各车辆三维图像的中心坐标与车辆经纬度和车辆编号进行匹配，将匹配失败的车辆三维图像视为数据中存在的噪声进行剔除。

在匹配成功的数据中，以单个车辆三维图像为基准，分析该车辆三维图像中车辆反射点相对于采集基点的三维速度，将时间戳前后相对于采集基点的三维速度大于预设速度阈值的车辆反射点认为是错误轨迹点，进行剔除，预设速度阈值可以为5m/s。还分析该车辆三维图像中车辆反射点相对于采集基点的三维坐标，若出现位置后退、位置偏移不符合运动学规律等现象，则认为是错误轨迹点，将其剔除。

实施例三

本实施例中的车道及标志线识别方法，还包括：

获取车道图像数据集；

基于车道图像数据集确定车道范围及车道标志线验证集；

基于车道范围及车道标志线验证集，对以车辆行驶轨迹的栅格网络点坐标为基准确定的车道范围及车道标志线进行验证；

将车道范围及车道标志线验证集和以车辆行驶轨迹的栅格网络点坐标为基准确定的车道范围及车道标志线进行拟合，得到最终车道范围及车道标志线。

需要说明的是，本实施例中利用雷视一体装置中的摄像头获取车道图像数据集，采取传统检测方法基于车道图像数据集得到确定车道范围及车道标志线验证集。将通过传统检测方法得到的车道范围及车道标志线验证集，与通过激光雷达获取的车辆行驶时行为数据集得到的车道范围及车道标志线进行对比验证。

最后将上述两种车道范围及车道标志线进行拟合后得到准确度更高的最终车道范围及车道标志线。

实施例四

本实施例中的车道及标志线识别方法，在后续生成新的车道范围及车道标志线时，还基于新的车道范围及车道标志线对历史车道范围及车道标志线进行校正。

实施例五

一种车道及标志线识别方法设备，参照图4，包括：

获取模块21，用于获取车辆行驶时的行为数据集和车辆行驶路段的栅格化路段数据集；

聚类模块22，用于对行为数据进行聚类得到车辆行驶轨迹；具体用于选取道路起始位置的车辆反射点进行聚类，得到道路中各车道的起始坐标点；选取车辆两侧的反射点进行聚类，计算车辆两侧反射点的中心点三维坐标；以车辆反射点所在车道的起始坐标点为起点，按照时序将同一车辆编号对应的车辆两侧反射点的中心点进行连接，得到车辆行驶轨迹和车辆行驶轨迹的三维坐标；将道路车道数量作为聚类规则，对各车辆行驶轨迹进行聚类。

坐标模块23，用于将车辆行驶轨迹的三维坐标导入的栅格化路段数据集，以得到车辆行驶轨迹的栅格网络点坐标；具体用于将车辆行驶轨迹中各点的三维坐标替换为距离最近的栅格网络点坐标，得到车辆行驶轨迹的栅格网络点坐标；

确定模块24，用于以车辆行驶轨迹的栅格网络点坐标为基准，确定车道范围及车道标志线；具体用于将替换坐标后的车辆行驶轨迹进行平滑处理；对平滑处理后的车辆行驶轨迹和车辆行驶轨迹的栅格网络点坐标进行统计分析，基于汽车行驶特性和道路设计规则，对车辆行驶轨迹进行修正；将修正后的车辆行驶轨迹作为车道中心线，根据车道中心线的对称特性确定车道范围及车道标志线；

预处理模块，用于根据车辆反射点相对于采集基点的三维速度和三维坐标，将车辆反射点整合得到车辆三维图像；剔除车辆三维图像中的异常数据。具体的，剔除车辆三维图像中的异常数据，包括：将车辆三维图像中尺寸大于预设尺寸阈值时的车辆三维图像进行剔除；确定各车辆三维图像的中心坐标，将各车辆三维图像的中心坐标与车辆经纬度和车辆编号进行匹配，将匹配失败的车辆三维图像进行剔除；将时间戳前后相对于采集基点的三维速度大于预设速度阈值的车辆反射点进行剔除；将时间戳前后相对于采集基点的三维坐标出现异常的车辆反射点进行剔除。

验证模块，用于获取车道图像数据集；基于车道图像数据集确定车道范围及车道标志线验证集；基于车道范围及车道标志线验证集，对以车辆行驶轨迹的栅格网络点坐标为基准确定的车道范围及车道标志线进行验证；

拟合模块，用于将车道范围及车道标志线验证集和以车辆行驶轨迹的栅格网络点坐标为基准确定的车道范围及车道标志线进行拟合，得到最终车道范围及车道标志线。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。