CN109117825B

CN109117825B - 车道线处理方法和装置

Info

Publication number: CN109117825B
Application number: CN201811025492.4A
Authority: CN
Inventors: 谢术富; 翟玉强; 夏添; 马彧
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Apollo Intelligent Technology Beijing Co Ltd
Priority date: 2018-09-04
Filing date: 2018-09-04
Publication date: 2020-01-17
Anticipated expiration: 2038-09-04
Also published as: US11113546B2; JP2020038624A; JP6802331B2; EP3620964B1; US20200074189A1; CN109117825A; EP3620964A1

Abstract

本发明实施例提出一种车道线处理方法和装置。该方法包括：获取第一图像中包括的各车道线点之间的距离；利用各所述车道线点两两之间的距离确定各所述车道线点的方向密度；利用各所述车道线点的方向密度确定各车道线对应的分组中包括的车道线点；利用各所述分组中包括的车道线点得到各所述分组对应的车道线的表示信息。本发明实施例利用各车道线点的方向密度，对图像中的车道线点进行分组，得到的分组更准确，因此拟合得到的车道线准确，不受图像质量的影响，具有较高的鲁棒性。

Description

车道线处理方法和装置

技术领域

本发明涉及交通技术领域，尤其涉及一种车道线处理方法和装置。

背景技术

车道线在自动驾驶中具有重要的作用，能够为定位、决策控制等模块提供重要的信息输出。在相机捕获的二维(2D，two dimensional)图像上，传统方案是利用图像处理方法来检测车道线的边缘，再利用聚类或其他点分组的方案来获取车道线。

利用传统图像处理、深度学习等方法进行车道线检测或分割的方案，需要繁琐的后处理方案，才能输出车道线，效果易受图像质量等条件的影响。例如，传统后处理方案可以利用霍夫(Hough)变换对车道线进行后处理，这种方式易受噪声点的影响，不鲁棒。

发明内容

本发明实施例提供一种车道线处理方法和装置，以解决现有技术中的一个或多个技术问题。

第一方面，本发明实施例提供了一种车道线处理方法，包括：

获取第一图像中包括的各车道线点之间的距离；

利用各所述车道线点之间的距离确定各所述车道线点的方向密度；

利用各所述车道线点的方向密度确定各车道线对应的分组中包括的车道线点；

利用各所述分组中包括的车道线点得到各所述分组对应的车道线的表示信息。

结合第一方面，本发明实施例在第一方面的第一种实现方式中，还包括：

将所述第一图像输入深度学习模型，得到第二图像，所述第一图像与所述第二图像具有一定的缩放比例，所述第二图像中包括根据所述第一图像识别得到的车道线点和非车道线点；

将所述第二图像中包括的各车道线点的坐标按照所述缩放比例映射回所述第一图像，得到所述第一图像中包括的各车道线点的坐标。

结合第一方面，本发明实施例在第一方面的第二种实现方式中，利用各所述各车道线点之间的距离确定各所述车道线点的方向密度，包括：

选取与目标车道线点的距离小于第一阈值的K个车道线点，K为大于或等于1的正整数；

利用所述目标车道线点与所述K个车道线点生成各直线，其中，一条直线经过所述目标车道线点与所述K个车道线点中的至少一个车道线点；

对于每条直线，获取与所述直线的距离小于第二阈值的车道线点的数量；

将各所述数量中的最大值确定为所述目标车道线点的方向密度。

结合第一方面，本发明实施例在第一方面的第三种实现方式中，利用各所述车道线点的方向密度确定各车道线对应的分组中包括的车道线点，包括：

确定所述分组的种子车道线点；

在所述第一图像中利用各车道线点的方向密度，查找是否存在与所述种子车道线点同组的车道线点；

如果存在与所述种子车道线点同组的车道线点，则将与所述种子车道线点同组的车道线点加入所述分组；

将加入所述分组的车道线点作为新的所述种子车道线点，继续执行查找是否存在与所述种子车道线点同组的车道线点的步骤，直至查找不到与所述种子车道线点同组的车道线点为止；

其中，在所述第一图像中利用各车道线点的方向密度，查找是否存在与所述种子车道线点同组的车道线点，包括：从所述第一图像中获取与所述种子车道线点的距离小于第三阈值的M个车道线点，M为大于或等于1的正整数；利用所述M个车道线点的方向密度确定出与所述种子车道线点同组的车道线点。

结合第一方面的第三种实现方式，本发明实施例在第一方面的第四种实现方式中，利用所述M个车道线点的方向密度确定出与所述种子车道线点同组的车道线点，包括：

将所述M个车道线点中方向密度最大的车道线点，确定为与所述种子车道线点同组的车道线点；或

从所述M个车道线点中，获取所述种子车道线点的方向密度对应的直线所包括的各相关点，各所述相关点与所述直线的距离小于第二阈值，从各所述相关点种选择出方向密度最大的点，作为与所述种子车道线点同组的车道线点。

结合第一方面或其任意一种实现方式，本发明实施例在第一方面的第五种实现方式中，利用各所述分组中包括的车道线点得到各所述分组对应的车道线的表示信息，包括：

对于每个分组，从所述分组中选取多个车道线点，利用所选取的多个车道线点在所述第一图像中的坐标进行多项式拟合，得到所述分组对应的车道线的多项式曲线。

结合第一方面的第五种实现方式，本发明实施例在第一方面的第六种实现方式中，利用各所述分组中包括的车道线点得到各所述分组对应的车道线的表示信息，还包括：

利用所述车道线的多项式曲线，确定所述车道线的起点坐标和/或终点坐标。

结合第一方面或其任意一种实现方式，本发明实施例在第一方面的第七种实现方式中，还包括：

对各所述分组中包括的车道线点进行合并。

结合第一方面或其任意一种实现方式，本发明实施例在第一方面的第八种实现方式中，获取第一图像中包括的各车道线点之间的距离，包括：

利用各所述车道线点在所述第一图像中的坐标，计算每两个车道线点之间的距离；

利用每两个车道线点之间的距离生成距离矩阵，所述距离矩阵中的一个元素表示所述第一图像中的两个车道线点之间的距离。

第二方面，本发明实施例提供了一种车道线处理装置，包括：

距离获取模块，用于获取第一图像中包括的各车道线点之间的距离；

方向密度模块，用于利用各所述车道线点之间的距离确定各所述车道线点的方向密度；

分组模块，用于利用各所述车道线点的方向密度确定各车道线对应的分组中包括的车道线点；

车道线表示模块，用于利用各所述分组中包括的车道线点得到各所述分组对应的车道线的表示信息。

结合第二方面，本发明实施例在第二方面的第一种实现方式中，还包括：

识别模块，用于将所述第一图像输入深度学习模型，识别得到第二图像，所述第一图像与所述第二图像具有一定的缩放比例，所述第二图像中包括根据所述第一图像识别得到的车道线点和非车道线点；

映射模块，用于将所述第二图像中包括的各车道线点的坐标按照所述缩放比例映射回所述第一图像，得到所述第一图像中包括的各车道线点的坐标。

结合第二方面，本发明实施例在第二方面的第二种实现方式中，所述方向密度模块还用于：

结合第二方面，本发明实施例在第二方面的第三种实现方式中，所述分组模块还用于：

确定所述分组的种子车道线点；

结合第二方面或其任意一种实现方式，本发明实施例在第二方面的第四种实现方式中，所述车道线表示模块包括：

拟合子模块，用于对于每个分组，从所述分组中选取多个车道线点，利用所选取的多个车道线点在所述第一图像中的坐标进行多项式拟合，得到所述分组对应的车道线的多项式曲线。

结合第二方面的第四种实现方式，本发明实施例在第二方面的第五种实现方式中，所述车道线表示模块还包括：

起止点子模块，用于利用所述车道线的多项式曲线，确定所述车道线的起点坐标和/或终点坐标。

结合第二方面或其任意一种实现方式，本发明实施例在第二方面的第六种实现方式中，所述距离获取模块包括：

距离计算子模块，用于利用各所述车道线点在所述第一图像中的坐标，计算每两个车道线点之间的距离；

距离矩阵生成子模块，用于利用每两个车道线点之间的距离生成距离矩阵，所述距离矩阵中的一个元素表示所述第一图像中的两个车道线点之间的距离。

第三方面，本发明实施例提供了一种车道线处理装置，所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，所述装置的结构中包括处理器和存储器，所述存储器用于存储支持所述装置执行上述车道线处理方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述装置还可以包括通信接口，用于与其他设备或通信网络通信。

第四方面，本发明实施例提供了一种计算机可读存储介质，用于存储车道线处理装置所用的计算机软件指令，其包括用于执行上述车道线处理方法所涉及的程序。

上述技术方案中的一个技术方案具有如下优点或有益效果：利用各车道线点的方向密度，对图像中的车道线点进行分组，得到的分组更准确，因此拟合得到的车道线准确，不受图像质量的影响，具有较高的鲁棒性。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1示出根据本发明实施例的车道线处理方法的流程图。

图2示出根据本发明实施例的车道线处理方法的流程图。

图3示出根据本发明实施例的车道线处理方法的流程图。

图4示出根据本发明实施例的车道线处理方法中确定方向密度的示例图。

图5示出根据本发明实施例的车道线处理方法的流程图。

图6示出根据本发明实施例的车道线处理方法中分组的示例图。

图7示出根据本发明实施例的车道线处理方法中合并分组的示例图。

图8a和图8b示出根据本发明实施例的车道线处理方法中利用曲线确定起点终点的示意图。

图9示出根据本发明实施例的车道线处理装置的结构框图。

图10示出根据本发明实施例的车道线处理装置的结构框图。

图11示出根据本发明实施例的车道线处理装置的结构框图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

图1示出根据本发明实施例的车道线处理方法的流程图。如图1所示，该方法可以包括：

步骤S11、获取第一图像中包括的各车道线点之间的距离。

步骤S12、利用各所述车道线点之间的距离确定各所述车道线点的方向密度。

步骤S13、利用各所述车道线点的方向密度确定各车道线对应的分组中包括的车道线点。

步骤S14、利用各所述分组中包括的车道线点得到各所述分组对应的车道线的表示信息。

在本实施例中，可以对第一图像中包括的像素点进行分类，被分类为车道线的像素点，可以称为车道线点。第一图像中除了车道线点之外的像素点，可以称为非车道线点。

在一种实现方式中，步骤S11包括：利用各所述车道线点在所述第一图像中的坐标，计算每两个车道线点之间的距离。利用每两个车道线点之间的距离生成距离矩阵，所述距离矩阵中的一个元素表示所述第一图像中的两个车道线点之间的距离。先计算出距离矩阵，在计算方向密度时，可以直接利用距离矩阵中的元素，使得计算过程更加简单、快捷。

在一种示例中，可以计算原图像中所有车道线点两两之间的距离，构成距离矩阵。假定原图像中有N个车道线点，则距离矩阵的大小为N*N。

例如，假设距离矩阵如下：

该距离矩阵中的元素e_ij可以表示两个车道线点i和j之间的欧氏距离。当然，也可以采用其他方式例如街区距离等计算距离矩阵中的元素。

在一种实现方式中，如图2所示，该方法还包括：

步骤S21、将第一图像输入深度学习模型，识别得到第二图像，所述第一图像与所述第二图像具有一定的缩放比例，所述第二图像中包括根据所述第一图像识别得到的车道线点和非车道线点。

步骤S22、将第二图像中包括的各车道线点的坐标按照所述缩放比例映射回第一图像，得到第一图像中包括的各车道线点的坐标。

本实施例可以用于对深度学习模型的预测输出结果进行后处理。可以采用神经网络构建深度学习模型，并采用一定样本图像进行训练，使得深度学习模型能够得到网络输出图中的各像素点属于车道线的置信度。并利用置信度阈值进行分类。例如置信度大于阈值的像素点是车道线点，小于或等于阈值的像素点是非车道线点等。后续还可以利用识别结果不断自学习，从而优化模型。

例如，可以将给定一副2D图像(原图像、即第一图像)例如拍摄的路面图像等。利用深度学习模型将原图像等比例缩小，并对缩小后的图像上像素点进行分类(0:非车道线点1:车道线点)。每个分类为车道线的像素点(简称车道线点)，模型还可以给出其预测目标点在网络输出图(即第二图像)中的位置。然后，再将网络输出图包括的各车道线点的坐标映射回原图像。

在一种实现方式中，如图3所示，步骤S12包括：

步骤S121、选取与目标车道线点的距离小于第一阈值的K个车道线点，K为大于或等于1的正整数。

步骤S122、利用所述目标车道线点与所述K个车道线点生成各直线，其中，一条直线经过所述目标车道线点与所述K个车道线点中的至少一个车道线点。

步骤S123、对于每条直线，获取与所述直线的距离小于第二阈值的车道线点的数量。

步骤S124、将各所述数量中的最大值确定为目标车道线点的方向密度。这样，可以将该最大值对应的直线作为该目标车道线点的方向。将确定目标车道线点的方向密度的这些点(即与该直线的距离小于第二阈值的点)，确定为与目标车道线点的方向相关的车道线点(简称相关点)。

可以计算出图像中每个车道线点方向密度，方向密度可以表示车道线点沿着某个方向靠近其他车道线点的可能性。第一阈值、第二阈值可以参考第一图像的大小、图像中车道线点的数量等参数进行设置。

在一种示例中，对每个目标车道线点P，可从距离矩阵中选择与其距离小于第一阈值T1的K个邻域点Pnb_i。例如，从距离矩阵中提取点P对应的行的各元素。如果所提取的某个元素小于第一阈值T1，且该元素表示点P与点P1之间的距离，则点P1属于点P的邻域点。采用类似的方法，可以利用从距离矩阵中提取点P对应的行和列的各元素，确定出点P的所有邻域点。第一阈值T1的大小不同，邻域点的数目可能不同。

然后，利用点P与其邻域点Pnb_i确定出直线，并计算其他车道线点到该直线的距离。统计距离小于第二阈值T2的车道线点的数目，取其最大值作为该点P的方向密度。该直线可以表示点P的方向。与该直线距离小于T2的各车道线点属于该直线所包括的相关点，这些相关点沿着该直线方向与点P靠近。例如，如图4所示，每个小圆圈表示一个车道线点，与P距离小于T1的3个点为P1、P2、P3。其中P与P1确定直线L1，P与P2确定直线L2，P与P3确定直线L3。与L1、L2、L3的距离小于阈值T2的车道线点有分别3个、4个和5个。因此，将5作为点P的方向密度。

在一种实现方式中，如图5所示，步骤S13包括：

步骤S131、确定所述分组的种子车道线点。

步骤S132、在所述第一图像中利用各车道线点的方向密度，查找是否存在与所述种子车道线点同组的车道线点。

步骤S133、如果存在与所述种子车道线点同组的车道线点，则将与所述种子车道线点同组的车道线点加入所述分组。

步骤S134、将加入所述分组的车道线点作为新的所述种子车道线点，继续执行查找是否存在与所述种子车道线点同组的车道线点的步骤(即步骤S132)，直至查找不到与所述种子车道线点同组的车道线点为止。

在一种示例中，步骤S132可以包括：从所述第一图像中获取与所述种子车道线点的距离小于第三阈值的M个车道线点，M为大于或等于1的正整数。利用所述M个车道线点的方向密度确定出与所述种子车道线点同组的车道线点。

其中，利用所述M个车道线点的方向密度确定出与所述种子车道线点同组的车道线点的方式可以包括多种。

例如，将所述M个车道线点中方向密度最大的车道线点，确定为与所述种子车道线点同组的车道线点。

再如，从所述M个车道线点中，获取所述种子车道线点的方向密度对应的直线所包括的各相关点。各所述相关点与所述直线的距离小于第二阈值。从各所述相关点种选择出方向密度最大的点，作为与所述种子车道线点同组的车道线点。

在一种示例中，选择一个种子车道线点P，在与P的距离小于阈值T3(假设T3为100个像素)范围内，选择具有最大方向密度的车道线点Q。将点Q作为新的种子车道线点，根据同样规则选择满足条件的点，直到找不到满足条件的点为止。将本次查找得到所有的点作为一个分组。重复该分组过程，直到所有的车道线点都被处理过，则可得到若干个点的分组。例如，如图6所示，每个小圆圈表示一个车道线点，假设种子车道线点P的方向密度为5。以虚线框表示根据与点P之间的距离小于阈值T3的像素点所在的区域。在该区域内的各车道线点的方向密度可以采用图4所示的方法计算。假设该区域内有多个车道线点的方向密度分别为2、1、3、4，则选择方向密度最大的那个点Q(方向密度为4)。此外，也可以结合点P的方向，在图4的区域内在点P的方向密度对应的直线(即P的方向)所包括的各相关点中(与图6中直线的距离小于阈值T2的各点)，选择方向密度最大的那个点。

在一种实现方式中，步骤S13之后，该方法还包括：对各所述分组中包括的车道线点进行合并。然后，将合并后的分组作为最终的分组结果。

在本实施例中，可以利用各分组之间的空间邻接性原则合并相邻的分组。合并方式有多种中，示例如下：

方式一：如果两个分组点之间的距离(例如，可以计算两个分组中各点之间的距离的最小值，作为两个分组之间的距离)小于设定阈值则进行合并。

方式二：可利用每个分组点的方向密度信息，计算出每个分组的邻域方向点集合，如果两个分组点之间的邻域方向点集合重叠度高于阈值，则将这两个分组进行合并。例如，参见图7，假设分组A和分组B中有多个点的方向密度的直线经过对方，则可以认为分组A和分组B具有重叠。假设重叠度阈值为3，如果有分组A有3个点的方向密度的直线经过分组B，且分组B有2个点的方向密度的直线经过分组A，这两个分组B的重叠度为5，超过阈值。可以将这两个分组合并。

在一种实现方式中，步骤S14包括：对于每个分组，从所述分组中选取多个车道线点。利用所选取的多个车道线点在所述第一图像中的坐标进行多项式拟合，得到所述分组对应的车道线的多项式曲线。

一种多项式拟合过程的示例包括：假设给定一个多项式y＝ax³+bx²+cx+d。对于每个分组，可以将该分组中包括的多个(例如4个或以上)车道线点在原图像的坐标(x，y)代入该多项式。再利用最小二乘法求解该多项式，得到该多项式中各系数a、b、c、d的值。

其中，该给定的多项式只是一种示例而非限制，可以根据需求采用其他形式的多项式。

在一种实现方式中，步骤S14还包括：利用所述车道线的多项式曲线，确定所述车道线的起点坐标和/或终点坐标。

在拟合得到某个分组对应的车道线的多项式曲线后，根据该曲线可以确定车道线的起点、终点等信息。具体而言，结合该分组中各车道线点的坐标以及该分组对应的车道线的曲线，可以利用这些点中y(和/或x)的最小值和最大值等确定起点及终点信息。

例如，如图8a所示，利用某个分组拟合得到曲线L1，利用该分组中y(和/或x)的最小值确定L1的起点坐标A，y(和/或x)的最大值最小值确定L1的终点坐标B。利用某个分组拟合得到曲线L2，利用该分组中x的最小值(y的最大值)确定曲线L2的起点坐标C，利用该分组中x的最大值(y的最小值)确定曲线L2的终点坐标D。

再如，如图8b所示，利用某个分组拟合得到曲线L3，利用该分组中y的最小值确定L3的起点坐标E，y的最大值确定L3的终点坐标F。

本发明实施例利用各车道线点的方向密度，对图像中的车道线点进行分组，得到的分组更准确，因此拟合得到的车道线准确，不受图像质量的影响，具有较高的鲁棒性。

图9示出根据本发明实施例的车道线处理装置的结构框图。如图9所示，该装置可以包括：

距离获取模块71，用于获取第一图像中包括的各车道线点之间的距离；

方向密度模块72，用于利用各所述车道线点之间的距离确定各所述车道线点的方向密度；

分组模块73，用于利用各所述车道线点的方向密度确定各车道线对应的分组中包括的车道线点；

车道线表示模块74，用于利用各所述分组中包括的车道线点得到各所述分组对应的车道线的表示信息。

在一种实现方式中，如图10所示，该装置还包括：

识别模块81，用于将所述第一图像输入深度学习模型，识别得到第二图像，所述第一图像与所述第二图像具有一定的缩放比例，所述第二图像中包括根据所述第一图像识别得到的车道线点和非车道线点；

映射模块82，用于将所述第二图像中包括的各车道线点的坐标按照所述缩放比例映射回所述第一图像，得到所述第一图像中包括的各车道线点的坐标。

在一种实现方式中，所述方向密度模块72还用于：

将各所述数量中的最大值确定为所述目标车道线点的方向密度，可以将该最大值对应的直线作为该目标车道线点的方向。

在一种实现方式中，所述分组模块73还用于：

确定所述分组的种子车道线点；

在一种实现方式中，所述车道线表示模块74包括：

拟合子模块741，用于对于每个分组，从所述分组中选取多个车道线点，利用所选取的多个车道线点在所述第一图像中的坐标进行多项式拟合，得到所述分组对应的车道线的多项式曲线。

在一种实现方式中，所述车道线表示模块74还包括：

起止点子模块742，用于利用所述车道线的多项式曲线，确定所述车道线的起点坐标和/或终点坐标。

在一种实现方式中，该装置还包括：

合并模块83，用于对各所述分组中包括的车道线点进行合并。

在一种实现方式中，距离获取模块71包括：

距离计算子模块711，用于利用各所述车道线点在所述第一图像中的坐标，计算每两个车道线点之间的距离；

距离矩阵生成子模块712，用于利用每两个车道线点之间的距离生成距离矩阵，所述距离矩阵中的一个元素表示所述第一图像中的两个车道线点之间的距离。

本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

图11示出根据本发明实施例的车道线处理装置的结构框图。如图11所示，该装置包括：存储器910和处理器920，存储器910内存储有可在处理器920上运行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的车道线处理方法。所述存储器910和处理器920的数量可以为一个或多个。

该装置/设备/终端/服务器还包括：

通信接口930，用于与外界设备进行通信，进行数据交互传输。

存储器910可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器910、处理器920和通信接口930独立实现，则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器910、处理器920及通信接口930集成在一块芯片上，则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。

本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述实施例中任一所述的方法。

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发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

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，并且本发明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，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明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，在本发明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存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种车道线处理方法，其特征在于，包括：

获取第一图像中包括的各车道线点之间的距离；

2.根据权利要求1所述的方法，其特征在于，还包括：

将所述第一图像输入深度学习模型，得到第二图像，所述第一图像与所述第二图像具有缩放比例，所述第二图像中包括根据所述第一图像识别得到的车道线点和非车道线点；

3.根据权利要求1所述的方法，其特征在于，利用各所述各车道线点之间的距离确定各所述车道线点的方向密度，包括：

4.根据权利要求1所述的方法，其特征在于，利用各所述车道线点的方向密度确定各车道线对应的分组中包括的车道线点，包括：

确定所述分组的种子车道线点；

其中，在所述第一图像中利用各车道线点的方向密度，查找是否存在与所述种子车道线点同组的车道线点，包括：从所述第一图像中获取与所述种子车道线点的距离小于第三阈值的M个车道线点，M为大于或等于1的正整数；利用所述M个车道线点的方向密度选择出与所述种子车道线点同组的车道线点。

5.根据权利要求4所述的方法，其特征在于，利用所述M个车道线点的方向密度确定出与所述种子车道线点同组的车道线点，包括：

从所述M个车道线点中，获取所述种子车道线点的方向密度对应的直线所包括的各相关点，各所述相关点与所述直线的距离小于第二阈值，从各所述相关点中选择出方向密度最大的点，作为与所述种子车道线点同组的车道线点。

6.根据权利要求1至5任一项所述的方法，其特征在于，利用各所述分组中包括的车道线点得到各所述分组对应的车道线的表示信息，包括：

7.根据权利要求6所述的方法，其特征在于，利用各所述分组中包括的车道线点得到各所述分组对应的车道线的表示信息，还包括：

8.根据权利要求1至5中任一项所述的方法，其特征在于，还包括：

对各所述分组中包括的车道线点进行合并。

9.根据权利要求1至5中任一项所述的方法，其特征在于，获取第一图像中包括的各车道线点之间的距离，包括：

10.一种车道线处理装置，其特征在于，包括：

11.根据权利要求10所述的装置，其特征在于，还包括：

识别模块，用于将所述第一图像输入深度学习模型，识别得到第二图像，所述第一图像与所述第二图像具有缩放比例，所述第二图像中包括根据所述第一图像识别得到的车道线点和非车道线点；

12.根据权利要求11所述的装置，其特征在于，所述方向密度模块还用于：

13.根据权利要求12所述的装置，其特征在于，所述分组模块还用于：

确定所述分组的种子车道线点；

14.根据权利要求10至13中任一项所述的装置，其特征在于，所述车道线表示模块包括：

15.根据权利要求14所述的装置，其特征在于，所述车道线表示模块还包括：

16.根据权利要求10至13中任一项所述的装置，其特征在于，所述距离获取模块包括：

17.一种车道线处理装置，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至9中任一项所述的方法。

18.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至9中任一项所述的方法。