[发明专利]一种车道线检测方法及装置

权利要求书

1.一种车道线检测方法，其特征在于，包括：

获取在设定时间内采集的目标场景的事件数据所构成的事件点云；

计算所述事件点云的表面法向量；

基于所述事件点云的轨迹变化情况，得到轨迹的轮廓边缘；

基于所述轮廓边缘、所述事件点云的事件点及其对应的表面法向量，构建非结构化图；

将所述非结构化图输入至训练好的车道线检测模型中，得到车道线检测结果。

2.根据权利要求1所述的车道线检测方法，其特征在于，所述基于所述事件点云的轨迹变化情况，得到轨迹的轮廓边缘，包括：

基于所述事件点云的轨迹的形成时间，依次计算轨迹上当前点光流向量的局部分布；

基于所述当前点光流向量的局部分布结果，确定当前事件点是否属于所述轨迹；

将所有属于所述轨迹的事件点所构成的集合确定为所述轨迹的轮廓边缘。

3.根据权利要求1所述的车道线检测方法，其特征在于，所述基于所述轮廓边缘、所述事件点云的事件点及其对应的表面法向量，构建非结构化图，包括：

将所述事件点配置为节点；

将所述事件节点对应的表面法向量及所述轮廓边缘配置为所述事件节点的连接边；

基于所述节点和所述连接边，构建所述非结构化图。

4.根据权利要求1所述的车道线检测方法，其特征在于，所述计算所述事件点云的表面法向量，包括：

依次选取事件点云中的当前事件点；

对所述当前事件点进行临近点的搜索，将包含所述当前事件点的临近事件点拟合成曲面；

对所述曲面中的事件点进行PCA主成分分析，得到最小特征值对应的特征向量；

将所述特征向量确定为所述当前事件点对应曲面的表面法向量。

5.根据权利要求1所述的车道线检测方法，其特征在于，所述车道线检测模型由多个图卷积层和多层感知器构成，其中，

所述多层感知器由输入层、3个全连接隐藏层和输出层构成，不同层之间采用全连接方式；

所述多个图卷积层的每个图卷积层均包括64个输入通道和64个输出通道，且每个输出通道输出不同尺度的特征；

所述多个图卷积层输出的不同尺度的特征连接起来输入到所述多层感知器的输入层。

6.根据权利要求5所述的车道线检测方法，其特征在于，所述车道线检测模型通过如下方式进行训练：

获取事件相机在不同场景下采集的车道线图像数据集，所述车道线图像数据集中每一个图像数据由若干事件构成；

对每一个图像数据进行车道线信息标注，所述车道线信息标注包括：图像数据属于中是否包含车道线以及车道线的三维坐标信息；

将车道线图像数据集中每一个图像数据对应的非结构化图输入至所述车道线检测模型中，得到车道线的预测结果；

基于所述预测结果和对应的车道线信息标注计算模型对应损失函数的损失函数值；

基于所述损失函数值对所述车道线检测模型的模型参数进行调整，并返回所述获取事件相机在不同场景下采集的车道线图像数据集的步骤，直至所述损失函数值满足预设要求，得到训练好的车道线检测模型。

7.根据权利要求1所述的车道线检测方法，其特征在于，所述车道线检测结果包括：所述目标场景中是否包含属于车道线以及车道线的三维坐标信息。

8.一种车道线检测装置，其特征在于，包括：

获取模块，用于获取在设定时间内采集的目标场景的事件数据所构成的事件点云；

第一处理模块，用于计算所述事件点云的表面法向量；

第二处理模块，用于基于所述事件点云的轨迹变化情况，得到轨迹的轮廓边缘；

第三处理模块，用于基于所述轮廓边缘、所述事件点云的事件点及其对应的表面法向量，构建非结构化图；

第四处理模块，用于将所述非结构化图输入至训练好的车道线检测模型中，得到车道线检测结果。