[发明专利]一种车道线检测的方法及设备

说明书

本发明提供一种车道线检测的方法及设备，用以解决现有技术中现有技术中无人驾驶车辆在行驶过程中无法精确的进行车道线检测的问题。基于深度神经网络模型，根据局部地图确定所述局部地图对应的二值化图像，所述局部地图是对连续多帧点云数据确定的点云地图进行栅格化处理得到的鸟瞰图，所述深度神经网络模型是根据历史局部地图和高精地图转换得到的带车道线标注的二值化图像进行训练得到的；根据所述局部地图对应的二值化图像中的像素点的坐标确定车道线位置。根据连续多帧点云数据精准的确定局部地图，根据局部地图基于深度神经网络模型精确的确定出带有车道线信息的二值化图像，根据二值化图像中表示车道线的点的坐标准确的确定出车道线位置。

技术领域

本发明涉及自动驾驶技术领域，特别涉及一种车道线检测的方法及设备。

背景技术

随着科学技术的不断发展和进步，计算机技术、现代传感技术和人工智能技术等逐渐应用到了汽车领域中，具有环境感知、路径规划等功能的智能车辆应运而生。通过对智能车辆进行控制，可以使智能车辆自动按照预先制定的路径行驶，实现无人驾驶，但是在行驶过程中只会按照规划的路径行驶，无法确定行驶路径中的车道线信息，会出现偏离车道行驶的情况；

现有技术中，在进行车道线检测时，检测方法有：单目视觉方法、激光雷达方法等；其中，单目视觉方法只考虑了场景的视觉信息，极易受光照条件，天气状况影响；激光雷达的方法只获取单帧的点云数据，存在点云数据稀疏的缺点，精确度不高。

综上，现有技术中无人驾驶车辆在行驶过程中无法精确的进行车道线检测。

发明内容

本发明提供一种车道线检测的方法及设备，用以解决现有技术中无人驾驶车辆在行驶过程中无法精确的进行车道线检测的问题。

第一方面，本发明实施例提供一种车道线检测的方法，该方法包括：

基于深度神经网络模型，根据局部地图确定所述局部地图对应的二值化图像，其中所述局部地图是对点云地图进行栅格化处理得到的鸟瞰图，所述深度神经网络模型是根据历史局部地图和带车道线标注的二值化图像进行训练得到的；

根据所述局部地图对应的二值化图像中的像素点的坐标确定车道线位置。

上述方法，进行车道线检测时的局部地图是根据多帧点云数据确定的鸟瞰图，并基于已训练的深度神经网络模型确定局部地图对应的二值化图像，其中所述二值化图像是带车道线标注的二值化图像，根据得到带车道线标注的二值化图像中的表示车道线的像素点的坐标确定车道线位置；由于局部地图是根据连续多帧点云数据确定，点云数据比较稠密，确定的局部地图更加的精准，因此根据精准的局部地图基于深度神经网络模型准确的确定出带有车道线标注的二值化图像，进一步根据二值化图像中标注车道线的点的坐标准确的确定出车道线位置，使确定的车道线位置更加的精确。

在一种可能的实现方式中，通过下列方式构建所述点云地图：

利用惯性导航元件确定第N帧点云数据的相对位姿信息，其中所述第N帧点云数据是通过激光雷达扫描车辆周边事物确定的；

根据所述第N帧点云数据的相对位姿信息对所述第N帧点云数据进行坐标转换，得到所述第N帧点云数据对应的点云地图坐标；

根据连续多帧点云数据对应的点云地图坐标确定所述点云地图；

其中，N为正整数。

在一种可能的实现方式中，通过下列方式确定所述局部地图：

将所述点云地图划分成多个立方体；

针对任意一个立方体，将立方体中的所有点对应的强度值进行加权平均确定反射强度均值；

将确定的强度平均值对所述立方体对应的栅格中的点进行赋值；

根据所有栅格中赋值后的点形成鸟瞰图，将所述鸟瞰图作为局部地图。