车道线检测方法、装置、自动驾驶车辆及可读存储介质与流程

本公开的实施例涉及无人驾驶领域，尤其涉及一种车道线检测方法、装置、自动驾驶车辆及可读存储介质。

背景技术：

智能无人车系统通常由感知模块、决策模块、路径规划模块和控制模块等诸多模块组成。车辆定位是确定车辆的当前位置和姿态的过程。而基于视觉图像的定位在车辆定位中扮演着关键的角色。一种常见的视觉定位技术是基于一个初始定位进行图像采集,然后对采集的图像进行车道线检测，并将检测的车道线与高精地图中对应的车道线进行比对，进而对初始定位进行修正，以提升车辆定位的精度。因此，车道线检测技术对于稳定的车辆定位具有重要作用。

现有技术中在进行车道线检测时，通常是将采集的图像(如图1a所示)输入到训练好的深度学习网络中，得到车道线概率图(如图1b所示)，然后根据车道线概率图对输入的图像进行采样，得到每条车道线对应的采样点，再基于每条车道线的采样点对每条车道线进行曲线拟合，得到最终的车道线检测结果。

然而，受诸多因素的影响(如强烈阴影，车道线磨损等)，深度学习网络预测的车道线概率图，很容易产生一些偏差，如图1b所示的车道线概率图中的方框区域。进而，根据此概率图采样得到的点以及后续拟合得到曲线也常常不够准确。以图1b中最右侧的线条为例，采样后得到如图2a所示的采样点，可以看出，已经存在偏离真实车道的采样点。再对图2a中的采样点进行曲线拟合，将得到如图2b所示的车道线检测结果，可以看出，拟合得到的车道线与真实的车道线之间存在明显的偏差。

因此，如何减小基于车道线概率图得到的采样点的偏差对车道线检测结果的影响，提高车道线检测结果的准确性成为了一个急需解决的问题。

技术实现要素：

本公开的实施例提供一种车道线检测方法、装置、自动驾驶车辆及可读存储介质，可以通过车道线消失点对拟合结果进行几何约束，能够克服由于车道线概率图得到的采样点的偏差导致曲线拟合出现偏差的问题，提高了车道线检测的准确性。

根据本公开的实施例的第一方面，提供了一种车道线检测方法，所述方法包括：

采集道路图像，所述道路图像包含至少一条车道线；

对所述道路图像进行预处理，得到所述道路图像对应的车道线概率图；

获取所述道路图像中的车道线消失点；

根据所述车道线消失点和所述车道线概率图对所述道路图像中每条车道线进行曲线拟合，得到车道线检测结果。

根据本公开的实施例的第二方面，提供了一种车道线检测装置，所述装置包括：

图像采集模块，用于采集道路图像，所述道路图像包含至少一条车道线；

图像预处理模块，用于对所述道路图像进行预处理，得到所述道路图像对应的车道线概率图；

车道消失点获取模块，用于获取所述道路图像中的车道线消失点；

曲线拟合模块，用于根据所述车道线消失点和所述车道线概率图对所述道路图像中每条车道线进行曲线拟合，得到车道线检测结果。

根据本公开的实施例的第三方面，提供了一种自动驾驶车辆，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述的车道线检测方法。

根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由自动驾驶车辆的处理器执行时，使得自动驾驶车辆能够执行前述的车道线检测方法。

本公开的实施例提供了一种车道线检测方法、装置、自动驾驶车辆及可读存储介质，所述方法包括：采集道路图像，所述道路图像包含至少一条车道线；对所述道路图像进行预处理，得到所述道路图像对应的车道线概率图；获取所述道路图像中的车道线消失点；根据所述车道线消失点和所述车道线概率图对所述道路图像中每条车道线进行曲线拟合，得到车道线检测结果。本公开的实施例采用车道线消失点和车道线概率图共同对车道线进行曲线拟合，相比于现有技术中仅利用车道线概率图得到的采样点进行车道线曲线拟合，本公开利用车道线必然经过车道线消失点的性质，通过车道线消失点对拟合结果进行几何约束，可以克服由于车道线概率图得到的采样点的偏差导致曲线拟合出现偏差的问题，提高了车道线检测的准确性。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1a示出了一种现有技术中采集的道路图像；

图1b示出了一种现有技术中道路图像对应的车道线概率图；

图2a示出了一种现有技术中道路图像的采样示意图；

图2b示出了一种现有技术中道路图像对应的车道线检测结果示意图；

图3示出了本公开的一种实施例中的车道线检测方法步骤流程图；

图4示出了本公开的一种实施例中的车道线检测装置的结构框图；

图5示出了本公开的一种实施例中的自动驾驶车辆的结构图。

具体实施方式

下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。

实施例一

参照图3，其示出了本公开的一种实施例中的车道线检测方法的步骤流程图，具体如下：

步骤101，采集道路图像，所述道路图像包含至少一条车道线。

步骤102，对所述道路图像进行预处理，得到所述道路图像对应的车道线概率图。

步骤103，获取所述道路图像中的车道线消失点。

步骤104，根据所述车道线消失点和所述车道线概率图对所述道路图像中每条车道线进行曲线拟合，得到车道线检测结果。

需要说明的是，本公开实施例提供的车道线检测方法应用于无人驾驶车辆，可以通过本公开的车道线检测方法对车辆前进方向的车道线进行检测，从而为驾驶策略提供决策依据。若无特殊说明，本公开中使用的词语“车辆”均指代“无人驾驶车辆”，也即“自动驾驶车辆”。本公开中的无人驾驶车辆包括在地面上行驶的车辆，例如汽车、卡车、公交车等，但也可以包括在空中行驶的无人驾驶设备，例如无人机、飞机、直升机等，以及在水中行驶的无人驾驶设备，例如船、潜艇等。此外，本公开中的“车辆”可以在其中容纳或不容纳一个或多个乘客。本公开讨论的车辆也可以应用于无人配送领域，如快递配送、外卖送餐等。

其中，道路图像可以由位于车辆中任意位置的摄像头采集，例如，当车辆直线行驶时，采用位于车辆前方的摄像头采集道路图像，当车辆转弯时，采用位于车身左侧或右侧的摄像头采集道路图像，本公开对此不做具体限定，只要采集的道路图像中包含车道线即可。也可以在车辆行驶过程中通过车上的摄像装置拍摄道路视频，再对拍摄的视频采集当前帧对应的道路图像。采集的道路图像反映车辆所处环境的道路状况，包含至少一条车道线。需要说明的是，本公开实施例中的车道线，包括车辆的行驶车道线，如路面上的各种指示标线，还包括车道的边界线，如道路的路沿。

车道线概率图可以反映道路图像中的各个像素点属于车道线的概率，车道线概率图中的每一个坐标点都对应有一个概率值。车道线概率图与采集的道路图像具有相同的尺寸和像素，道路图像中的每一个像素点在车道线概率图中都有相应的坐标点，该坐标点对应的概率值就是该像素点属于车道线的概率。根据预设阈值对车道线概率图中的坐标点进行标记，就可以得到道路图像中车道线的初始采样点。例如，对车道线概率图中概率值大于90％的坐标点进行标记，得到道路图像中车道线的初始采样点。对初始采样点进行进一步分析处理，就可以得到车道线的检测结果。

车道线消失点反映道路图像的透视结构，无论车道线是直线还是曲线，都必然会经过车道线消失点。只要道路图像中包含车道线，该道路图像就必然包含车道线消失点。例如，当车辆直行时，本公开中的车道线消失点为置于车辆前方的摄像头拍摄的道路图像中的车道线消失点，也即车辆前进方向的车道线消失点；当车辆转弯时，本公开中的车道线消失点为置于车辆左侧或右侧的摄像头拍摄的道路图像中的车道线消失点，也即车辆所处弯道的车道线消失点。一般可以根据多条车道线的交点确定车道线消失点。

在本公开提供的实施例中，当采集道路图像之后，先对采集的道路图像进行预处理，以获取道路图像对应的车道线概率图。具体的，可以基于深度学习网络训练车道线检测模型，然后将采集的道路图像输入到训练好的车道线检测模型中，得到车道线概率图。获取道路图像对应的车道线概率图的过程，本质上就是对道路图像上的各个像素点进行分类的过程。可以采用现有的任意一种处理方案获取道路图像的车道线概率图，对此，本发明实施例不做具体限定。

当获取到车道线概率图之后，需要进一步确定所述道路图像中的车道线消失点。具体的，可以收集不同场景下包含车道线的道路图像，并对道路图像的车道线和消失点进行标注，构成数据集，将数据集按一定比例划分为训练集、验证集以及测试集。其中，训练集用于对深度卷积网络的训练，验证集用于选择最佳的训练模型，测试集用于后期测试设计模型的性能。然后将已经标注的道路图像输入到分类卷积神经网络得到最佳训练模型，通过训练模型得到车道线消失点坐标。也可以利用摄像装置拍摄采集连续的道路图像，对采集到的连续图像进行图像预处理，得到每帧图像对应的车道线概率图，然后根据预设阈值对车道线概率图中的属于车道线的坐标点进行标记，在每个车道线概率图中两条车道线上分别随机抽取两点计算图像车道线的交点坐标，得到多帧图像的车道线交点坐标，再基于多帧图像的车道线交点坐标统计交点坐标直方图，然后计算出直方图的均值、方差、中心距，按照最大似然估计方法确定道路图像中的车道线消失点。

确定车道线消失点后，根据车道线消失点和车道线概率图对道路图像中的每条车道线进行曲线拟合，得到车道线检测结果。具体的，可以根据预设阈值对车道线概率图中的坐标点进行标记，得到道路图像中每条车道线的初始采样点，然后根据车道消失点和每条车道线的初始采样点对每条车道线进行曲线拟合，就可以得到车道线检测结果。

在本公开的一种可选实施例中，步骤104所述根据所述车道线消失点和所述车道线概率图对所述道路图像中每条车道线进行曲线拟合，得到车道线检测结果，包括：

步骤s11，根据所述车道线概率图分别确定所述道路图像中每条车道线对应的第一采样点集合；

步骤s12，根据所述车道线消失点和所述第一采样点集合中的至少一个采样点对所述每条车道线进行曲线拟合，得到所述每条车道线对应的至少一条拟合曲线；

步骤s13，确定每条拟合曲线的评分值；

步骤s14，根据所述每条车道线对应的每条拟合曲线的评分值确定所述每条车道线的检测结果。

在本公开提供的实施例中，确定道路图像对应的车道线概率图之后，可以先根据车道线概率图确定道路图像中每条车道线对应的第一采样点集合。具体的，对车道线概率中概率值大于预设阈值的坐标点进行标记，并按照道路图像中每条车道线的位置得到对车道线概率图中标记的坐标点进行分类，得到道路图像中每条车道线对应的第一采样点集合，记为point_set＝{point1,point2,point3,......,pointn}。

然后根据车道消失点和第一采样点集合中的至少一个采样点对每条车道线进行曲线拟合。具体的，假设道路图像中车道线1对应的第一采样点集合为point_set1＝{point1,point2,point3,......,pointn}，从该第一采样点集合point_set1中选取至少一个采样点，得到该第一采样点的子集point_sub1＝{pointi,pointj,......,pointm}。记车道消失点为point_vp，车道消失点和第一采样点的子集point_sub1共同组成集合subset_vp＝{point_vp,pointi,pointj,......,pointm}。其中，集合subset_vp为车道消失点point_vp与第一采样点的子集point_sub1的并集。基于集合subset_vp对车道线1进行曲线拟合，就可以得到车道线1的拟合曲线。由于第一采样点的子集point_sub1有多种组合情况，因此，子集point_sub1与车道消失点point_vp的并集subset_vp也就有多种组合情况，根据集合subset_vp对车道线1进行曲线拟合，就可以得到至少一条拟合曲线。

其中，在确定第一采样点集合point_set1的子集point_sub1时，可以随机从第一采样点中选取任意采样点组成子集point_sub1，也可以有序的对第一采样点集合point_set1中的各个采样点进行遍历，得到子集point_sub1。

得到每条车道线对应的至少一条拟合曲线后，需要从至少一条拟合曲线中最终确定一条拟合曲线作为该车道线的检测结果。具体的，可以对车道线对应的每条拟合曲线进行评估，并确定每条拟合曲线的评分值，然后根据每条拟合曲线的评分值，确定评分值最高的拟合曲线为该条车道线的检测结果。需要说明的是，根据每条拟合曲线的评分值确定该车道线的检测结果时，具体选择哪个评分值对应的拟合曲线为最终的检测结果，需要根据具体的评估规则确定，确定评分值最高的拟合曲线为该条车道线的检测结果仅为一种示例性说明，并不构成对本公开的限定。若为正向评分，则选择评分值最高的拟合曲线为车道线的检测结果；若为负向评分，则选择评分值最低的拟合曲线为车道线的检测结果。

在本公开的一种可选实施例中，步骤s13所述确定每条拟合曲线的评分值，包括：

子步骤s131，对所述每条车道线对应的每条拟合曲线进行重新采样，得到所述每条车道线对应的每条拟合曲线的第二采样点集合；

子步骤s132，根据所述车道线概率图确定所述第二采样点集合中每个采样点对应的概率值；

子步骤s133，计算所述每条车道线对应的每条拟合曲线的第二采样点集合中各个采样点对应的概率值之和，得到所述每条车道线对应的每条拟合曲线的评分值。

在本公开提供的实施例中，确定每条车道线对应的每条拟合曲线的评分值时，可以对每条车道线对应的每条拟合曲线进行重新采样，得到每条拟合曲线的第二采样点集合，然后根据第二采样点集合中各个采样点对应的概率值计算拟合曲线的评分值。

具体的，以车道线1为例，假设车道线1对应有3条拟合曲线，计算车道线的拟合曲线a的评分值时，先按照预设的采样规则对拟合曲线a进行重新采样，例如，根据拟合曲线a的曲线方程或直线方程，将拟合曲线a映射到车道线概率图上，得到拟合曲线a的映射曲线a，然后在映射曲线a上每隔m个坐标点取一个采样点，并加入拟合曲线a的第二采样点集合中，采样结束后就可以得到拟合曲线a的第二采样点集合。

由于车道线概率图中的每一个坐标点都对应有一个概率值，根据车道线概率图就可以得到第二采样点集合中各个采样点对应的概率值。将拟合曲线a的第二采样点集合中各个采样点对应的概率值进行相加，就可以得到拟合曲线a的评分值。也可以求拟合曲线a的第二采样点集合中各个采样点的平均概率值，将得到的平均概率值作为拟合曲线a的评分值。

需要说明的是，在本公开提供的实施例中，对同一条车道线对应的每条拟合曲线进行重新采样时，需要依据相同的采样规则和评分值计算规则，以保证评分结果的有效性。

在本公开的一种可选实施例中，子步骤s132所述根据所述车道线概率图确定所述第二采样点集合中每个采样点对应的概率值，包括：

a11、确定所述第二采样点集合中每个采样点的坐标值；

a12、在所述车道线概率图中查找与所述每个采样点的坐标值相同的坐标点，并获取所述坐标点对应的概率值，所述第二采样点集合中的采样点与所述车道线概率图中的坐标点一一对应；

a13、确定与所述采样点相对应的坐标点对应的概率值为所述采样点的概率值。

无论采用哪种曲线拟合方法，拟合曲线中的每一个采样点都属于道路图像，而车道线概率图与采集的道路图像具有相同的尺寸和像素，道路图像中的每一个像素点在车道线概率图中都有相应的坐标点，该坐标点对应的概率值就是该像素点属于车道线的概率，因此，在确定道路图像中每条车道线的每条拟合曲线的第二采样点集合中每个采样点对应的概率值时，可以先确定第二采样点集合中每个采样点的坐标值，然后在车道线概率图中车道与每个采样点的坐标值相同的坐标点。第二采样点集合中每个采样点在车道线概率图中都有对应的坐标点，对应坐标点的概率值就是该采样点的概率值。

在本公开的一种可选实施例中，步骤103所述获取所述道路图像中的车道线消失点之后，所述方法还包括：

步骤s21，在预设范围内对所述车道消失点进行随机扰动，得到至少一个新的车道消失点；

步骤s22，根据所述车道消失点和所述至少一个新的车道消失点生成车道消失点集合，所述车道消失点集合包括所述车道消失点和所述至少一个新的车道消失点；

步骤104所述根据所述车道线消失点和所述车道线概率图对所述道路图像中每条车道线进行曲线拟合，得到车道线检测结果，包括：

步骤s23，分别计算所述车道消失点集合中每个车道消失点对应的车道线检测值；

步骤s24，根据所述车道消失点集合中每个车道消失点对应的车道检测值确定目标车道消失点；

步骤s25，根据所述目标车道消失点确定车道线检测结果。

在实际应用中，车身抖动、道路图像中其他线段干扰等因素都有可能导致获取的车道线消失点不准确，因此，在本公开提供的实施例中，为了降低车道线消失点不准确对车道线检测结果的影响，在获取车道线消失点之后，在预设范围内对该车道线消失点进行随机扰动，即在预设范围内对车道线消失点的坐标值进行上下浮动，得到至少一个新的车道线消失点，然后基于初始确定的车道线消失点和随机扰动后得到的新的车道线消失点，生成车道线消失点集合。

分别基于车道线消失点集合中的每个车道线消失点进行车道线检测，也就是分别根据每个车道线消失点，执行步骤104的内容，计算每个车道线消失点对应的车道线检测值，然后再根据每个车道线检测值确定目标车道线消失点，基于该目标车道线消失点检测的车道线为最终的车道线检测结果。

在本公开的一种可选实施例中，步骤s23所述分别计算所述车道消失点集合中每个车道消失点对应的车道线检测值，包括：

子步骤s231，根据所述车道消失点集合中的任一车道线消失点和所述车道线概率图对所述道路图像中每条车道线进行曲线拟合，得到所述车道消失点对应的每条车道线的评分值；

子步骤s232，对所述每条车道线的评分值进行求和，得到所述车道消失点的车道线检测值。

假设车道线消失点集合中包含车道线消失点point_vp_i，计算车道线消失点point_vp_i的车道线检测值的过程如下：

首先，根据车道线概率图分别确定道路图像中每条车道线对应的第一采样点集合，然后根据车道线消失点point_vp_i和第一采样点集合中的至少一个采样点对每条车道线进行曲线拟合，得到每条车道线对应的至少一条拟合曲线。确定每条拟合曲线的评分值，确定每条拟合曲线的评分值中的最高分为该车道线的评分值，将每条车道线的评分值求和，作为该车道线消失点point_vp_i的车道线检测值。也可以采用其他数值，如车道线的平均评分值作为车道线消失点的车道线检测值，对此，本公开不做具体限定，只要能够对每个车道线消失点对应的车道线检测结果进行比较即可。

计算每个车道线消失点的车道线检测值的过程，本质上就是基于每个车道线消失点，执行步骤s11至步骤s14，然后再根据每条车道线的评分值确定车道线消失点的车道线检测值。

在本公开的一种可选实施例中，步骤103所述获取所述道路图像中的车道线消失点，包括：

步骤s31，获取车辆的当前位姿对应的高精地图，所述高精地图包含道路图像对应的至少两条车道线；

步骤s32，根据所述车辆的当前位姿将所述高精地图中的车道线投影到所述道路图像中，得到所述至少两条车道线的投影；

步骤s33，根据所述至少两条车道线的投影的交点确定车道线消失点。

在本公开提供的实施例中，还可以基于高精地图获取所述道路图像中的车道线消失点。具体的，首先根据车辆的当前位姿，即车辆的当前位置和姿态，获取对应的高精地图。高精地图中包含有准确的道路形状、每个车道的坡度、曲率、倾向等信息。并且，高精地图上包含有车辆当前所处道路的至少两条车道线。由于车辆采集道路图像时的位姿不同，高精地图上的车道线与车辆采集的道路图像中的车道线的方向也可能不同，因此，根据车辆的当前位姿将高精地图上的车道线投影到道路图像中，就可以得到至少两条车道线的投影。确定至少两条车道线的投影的交点为车道线消失点。具体的，可以根据至少两个车道线的投影确定每条投影对应的曲线方程或直线方程，然后计算得到的各个曲线方程或直线方程的交点坐标，该交点坐标就是车道线消失点的坐标。根据高精地图中的车道线在道路图像中的投影，可以得到一个比较可靠的车道线消失点，从而提高了基于车道线消失点确定的车道线检测结果的准确度。

综上所述，本公开的实施例提供了一种车道线检测方法，采用车道线消失点和车道线概率图共同对车道线进行曲线拟合，相比于现有技术中仅利用车道线概率图得到的采样点进行车道线曲线拟合，本公开利用车道线必然经过车道线消失点的性质，通过车道线消失点对拟合结果进行几何约束，可以克服由于车道线概率图得到的采样点的偏差导致曲线拟合出现偏差的问题，提高了车道线检测的准确性。

实施例二

参照图4，其示出了在本公开的一种实施例中的车道线检测装置的结构图，具体如下：

图像采集模块201，用于采集道路图像，所述道路图像包含至少一条车道线；

图像预处理模块202，用于对所述道路图像进行预处理，得到所述道路图像对应的车道线概率图；

车道消失点获取模块203，用于获取所述道路图像中的车道线消失点；

曲线拟合模块204，用于根据所述车道线消失点和所述车道线概率图对所述道路图像中每条车道线进行曲线拟合，得到车道线检测结果。

在本公开的一种可选实施例中，所述曲线拟合模块204，包括：

第一采样点集合确定子模块，用于根据所述车道线概率图分别确定所述道路图像中每条车道线对应的第一采样点集合；

曲线拟合子模块，用于根据所述车道线消失点和所述第一采样点集合中的至少一个采样点对所述每条车道线进行曲线拟合，得到所述每条车道线对应的至少一条拟合曲线；

拟合曲线评分子模块，用于确定每条拟合曲线的评分值；

第一检测结果确定子模块，用于根据所述每条车道线对应的每条拟合曲线的评分值确定所述每条车道线的检测结果。

在本公开的一种可选实施例中，所述拟合曲线评分子模块，包括：

重采样单元，用于对所述每条车道线对应的每条拟合曲线进行重新采样，得到所述每条车道线对应的每条拟合曲线的第二采样点集合；

概率值确定单元，用于根据所述车道线概率图确定所述第二采样点集合中每个采样点对应的概率值；

拟合曲线评分单元，用于计算所述每条车道线对应的每条拟合曲线的第二采样点集合中各个采样点对应的概率值之和，得到所述每条车道线对应的每条拟合曲线的评分值。

在本公开的一种可选实施例中，所述概率值确定单元，包括：

坐标值确定子单元，用于确定所述第二采样点集合中每个采样点的坐标值；

坐标点匹配子单元，用于在所述车道线概率图中查找与所述每个采样点的坐标值相同的坐标点，并获取所述坐标点对应的概率值，所述第二采样点集合中的采样点与所述车道线概率图中的坐标点一一对应；

概率值确定子单元，用于确定与所述采样点相对应的坐标点对应的概率值为所述采样点的概率值。

在本公开的一种可选实施例中，所述装置还包括：

随机扰动模块，用于在预设范围内对所述车道消失点进行随机扰动，得到至少一个新的车道消失点；

车道消失点集合生成模块，用于根据所述车道消失点和所述至少一个新的车道消失点生成车道消失点集合，所述车道消失点集合包括所述车道消失点和所述至少一个新的车道消失点；

所述曲线拟合模块，包括：

车道线检测值计算子模块，用于分别计算所述车道消失点集合中每个车道消失点对应的车道线检测值；

目标消失点确定子模块，用于根据所述车道消失点集合中每个车道消失点对应的车道检测值确定目标车道消失点；

第二检测结果确定子模块，用于根据所述目标车道消失点确定车道线检测结果。

在本公开的一种可选实施例中，所述车道线检测值计算子模块，包括：

曲线拟合单元，用于根据所述车道消失点集合中的任一车道线消失点和所述车道线概率图对所述道路图像中每条车道线进行曲线拟合，得到所述车道消失点对应的每条车道线的评分值；

车道线检测值确定单元，用于对所述每条车道线的评分值进行求和，得到所述车道消失点的车道线检测值。

在本公开的一种可选实施例中，所述车道消失点获取模块203，包括：

高精地图获取子模块，用于获取车辆的当前位姿对应的高精地图，所述高精地图包含道路图像对应的至少两条车道线；

车道线投影子模块，用于根据所述车辆的当前位姿将所述高精地图中的车道线投影到所述道路图像中，得到所述至少两条车道线的投影；

车道线消失点确定子模块，用于根据所述至少两条车道线的投影的交点确定车道线消失点。

综上所述，本公开的实施例提供了一种车道线检测装置，采用车道线消失点和车道线概率图共同对车道线进行曲线拟合，相比于现有技术中仅利用车道线概率图得到的采样点进行车道线曲线拟合，本公开利用车道线必然经过车道线消失点的性质，通过车道线消失点对拟合结果进行几何约束，可以克服由于车道线概率图得到的采样点的偏差导致曲线拟合出现偏差的问题，提高了车道线检测的准确性。

实施例二为实施例一对应的装置实施例，详细说明可以参照实施例一，在此不再赘述。

本公开的实施例还提供了一种自动驾驶车辆，参照图5，包括：处理器301、存储器302以及存储在所述存储器302上并可在所述处理器上运行的计算机程序3021，所述处理器301执行所述程序时实现前述实施例的车道线检测方法。

本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由自动驾驶车辆的处理器执行时，使得自动驾驶车辆能够执行前述实施例的车道线检测方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本公开的实施例的文件处理设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。

以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例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公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。