车辆定位方法及装置、电子设备、存储介质与流程

1.本技术涉及自动驾驶技术领域，尤其涉及一种车辆定位方法及装置、电子设备、存储介质。


背景技术：

2.智慧交通路侧监控系统发展越来越成熟，对于路面主要的交通参与者车辆的定位精度要求越来越高，而目前应用较多的车辆检测算法里，大多是用2d检测。
3.常用的车辆检测出来的检测框，通常是以底边中心点作为车辆的图像定位，转到经纬度信息。但是通常会有较大的误差，从而影响车辆定位的结果。


技术实现要素：

4.本技术实施例提供了车辆定位方法及装置、电子设备、存储介质，以提高定位准确性，降低车辆定位偏差。
5.本技术实施例采用下述技术方案：
6.第一方面，本技术实施例提供一种车辆定位方法，其中，所述方法包括：
7.获取路端采集的图像信息；
8.将所述路端采集的图像信息输入预先训练的车道线检测模型，检测得到目标车道线；
9.将所述路端采集的图像信息输入预先训练的车辆检测模型，检测得到目标车辆，其中所述目标车辆包括目标车辆定位结果；
10.根据所述目标车道线对所述目标车辆的定位结果进行约束，得到所述目标车辆的最终定位结果。
11.在一些实施例中，所述根据所述目标车道线对所述目标车辆的定位结果进行约束，得到所述目标车辆的最终定位结果，包括：
12.根据所述目标车辆定位结果中的2d检测框，确定所述2d检测框的底边中心点位置坐标，并将所述底边中心点位置坐标作为所述目标车辆的图像像素坐标定位结果；
13.在所述目标车辆的行驶状态处于第一状态的情况下，根据所述目标车道线的像素坐标位置对所述目标车辆的图像像素坐标定位结果进行调整。
14.在一些实施例中，所述根据所述目标车道线对所述目标车辆的定位结果进行约束，得到所述目标车辆的最终定位结果，还包括：
15.根据所述目标车道线，确定所述目标车道线的像素坐标位置并且按照不同类型的车道线计算对应的所述目标车道线的斜率参数；
16.根据所述目标车辆的航向角与所述目标车道线的斜率参数，判断所述目标车辆的行驶状态，其中所述目标车辆的航向角是通过相邻图像帧中所述目标车辆定位结果的车辆定位点的连线计算得到的。
17.在一些实施例中，所述根据所述目标车道线对所述目标车辆的定位结果进行约
束，包括：
18.以车道线中心位置作为先验位置，根据所述目标车道线的像素坐标位置作为标准，在所述目标车辆的2d检测框中将所述对所述目标车辆的图像像素坐标定位结果调整为所述目标车道线的像素坐标位置。
19.在一些实施例中，所述目标车辆的行驶状态处于第一状态的情况，包括：所述目标车辆在转弯道中出现超过预设阈值的倾斜角的情况。
20.在本技术的一个实施例中，将所述路端采集的图像信息输入预先训练的车道线检测模型，检测得到目标车道线，包括：对车道线的检测结果进行图像分割，得到每条车道线实例作为车道线的像素分割结果；对每条所述车道线的多个像素单位宽度的分割结果进行拟合，得到该条车道线的一个像素单位宽度的线条作为所述目标车道线。
21.在一些实施例中，所述预先训练的车辆检测模型，包括：
22.基于目标检测网络，将原始道路图像数据以及对应的标签作为训练数据，训练得到2d车辆检测模型。
23.在一些实施例中，所述预先训练的车道线检测模型，包括：
24.使用多组数据通过机器学习训练，多组数据中的每组数据包括：竖向车道线的图像以及所述图像中对应的车道线实线、虚线、双实线、双虚线的车道线类型标签。
25.在一些实施例中，所述获取路端采集的图像信息，包括：
26.获取所述路端视角下的图像信息，其中所述图像信息至少包括如下之一：道路中行驶的车辆图像数据、道路中的车道线图像数据。
27.第三方面，本技术实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述方法。
28.第四方面，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述方法。
29.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：通过车道线检测模型，检测得到目标车道线以及通过车辆检测模型，检测得到目标车辆。可以根据目标车道线对所述目标车辆的定位结果进行进一步约束，得到所述目标车辆的最终定位结果。经过约束后，可以提高目标车辆的定位准确率。比如，将原本可能定位在绿化带中的车辆通过约束得到车道内的定位，或者将原本定位于相邻车道的车辆定位到真实车道内等等。
附图说明
30.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
31.图1为本技术实施例中车辆定位方法的流程示意图；
32.图2为本技术实施例中车辆定位装置的结构示意图；
33.图3为本技术实施例中车辆定位方法的效果示意图；
34.图4为本技术实施例中一种电子设备的结构示意图。
具体实施方式
35.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
36.发明人研究时发现，通常在车辆转弯的过程中，车辆的2d检测框依旧是上下边与图像上下边平行，左右边与图像左右平行。从而导致的问题是2d检测框中有较大部分是背景，车辆侧边与框不平行，形成斜交。此时，检测框的底边中心点与实际车辆位置会偏差较大。
37.针对上述不足，本技术实施例中的车辆定位方法，基于车道线对车辆2d定位的约束方法，首先通过训练车道线监测模型，检测出图中的车道线；然后使用车道线作为车辆定位点的约束，将车辆定位偏差降低。
38.以下结合附图，详细说明本技术各实施例提供的技术方案。
39.本技术实施例提供了一种车辆定位方法，如图1所示，提供了本技术实施例中车辆定位方法流程示意图，所述方法至少包括如下的步骤s110至步骤s140：
40.步骤s110，获取路端采集的图像信息。
41.根据路端的视角采用得到图像信息，这些图像信息在训练阶段即作为训练集进行训练，而在检测阶段作为待检测的图像数据进行识别。
42.这里针对的“路端”通常是指部署在路口或者路段中的路侧单元，通过所述路侧单元上部署的相机采集得到路端视角的图像信息。路口包括右转弯路口、左转弯路口等。如果是右转弯路口时，路口右转时转弯半径较小，车身倾斜度较大。相反，如果是左转弯路口时，路口左转弯半径较大，车身倾斜度较小。
43.图像信息包括：包含有车道线的图像、包含有车辆的图像，通常而言分为两组不同的图像。需要注意的是，根据先验知识，车辆通常行驶在车道线(车道中心线)内，所以可以通过先验知识对检测到的车辆定位结果进行约束。
44.同时，考虑到路端采集的图像信息通常还具备背景信息固定的特点。比如，道路中的绿化带比如花坛。如果采用同一个路端采集的图像信息，则背景信息是基本固定的。
45.此外，还应当考虑到车辆在转弯/掉头时会出现较大倾斜角度的问题，如果采用同一个路端采集的图像信息，则无法较好地获得正确的定位结果。比如，根据原本的车辆2d检测框会将车辆的位置定位在花坛中，出现车辆定位的误差。
46.步骤s120，将所述路端采集的图像信息输入预先训练的车道线检测模型，检测得到目标车道线。
47.路端采集的所述图像信息输入到预先训练的车道线检测模型，可以检测得到多条车道线以及该些车道线的类型。
48.示例性地，可以在训练时采集路端角度的车道线数据：标注实线、虚线、双实线(包含转弯时的对向车道)、双虚线等竖向车道线，处理标注的.json文件为标签数据。之后利用标签数据和原始训练数据作为训练样本，训练搭建好的神经网络模型，保存作为车道线检测模型。
49.优选地，车道线检测模型增加了不同车道线类型的识别结果，可以识别出路端采
集的图像信息中的车道线以及车道线所述的类型。
50.步骤s130，将所述路端采集的图像信息输入预先训练的车辆检测模型，检测得到目标车辆，其中所述目标车辆包括目标车辆定位结果。
51.路端采集的所述图像信息同时也会输入到所述车辆检测模型，检测出目标车辆的位置，当然也可以包括车辆的类型，比如卡车、小汽车或者自行车。
52.示例性地，采集路端角度下的车辆数据，标注车辆，处理标注的.json文件为对应原始图片的标签，搭建yolov7目标检测网络，将原始数据以及对应的标签作为训练数据，训练2d车辆检测模型，输出车辆检测模型。
53.可以理解，还可以使用其他的目标检测网络，在本技术的实施例中并不进行具体限定，本领域技术人员可以根据实际使用场景进行不同的选择。
54.输入到车辆检测模型以及车道线检测模型的图像信息可以是同一帧图像，可以提高图像识别的准确度。
55.步骤s140，根据所述目标车道线对所述目标车辆的定位结果进行约束，得到所述目标车辆的最终定位结果。
56.根据两个检测模型的检测结果中的目标车道线对所述目标车辆的定位结果进行约束，可以理解，包括但不限于车辆的相对位置坐标的横向或者纵向的调整方式。经过约束并调整之后可以得到所述目标车辆的最终定位结果。
57.进一步地，是否需要进行约束还与车辆当前是否处于左右转弯的状态相关，所以需要通过车辆航向角yaw确定出车辆的状态，之后再根据条件进行约束。
58.在本技术的一个实施例中，所述根据所述目标车道线对所述目标车辆的定位结果进行约束，得到所述目标车辆的最终定位结果，包括：根据所述目标车辆的2d检测框，确定所述2d检测框的底边中心点位置坐标，并将所述底边中心点位置坐标作为所述目标车辆的图像像素坐标定位结果；根据所述目标车道线，确定所述目标车道线的像素坐标位置并且按照不同类型的车道线计算对应的所述目标车道线的斜率参数；根据所述目标车辆的航向角与所述目标车道线的斜率参数，判断所述目标车辆的行驶状态，其中所述目标车辆的航向角是通过相邻图像帧中车辆定位点的连线计算得到的；在所述目标车辆的行驶状态处于第一状态的情况下，根据所述目标车道线的像素坐标位置对所述目标车辆的图像像素坐标定位结果进行调整。
59.具体实施时，在对目标车道线以及目标车辆进行识别时，根据所述目标车辆的2d检测框，确定所述2d检测框的底边中心点位置坐标，并将所述底边中心点位置坐标作为所述目标车辆的图像像素坐标定位结果。通过上述操作可以得到目标车辆的图像像素坐标定位结果。因为通常将底边中心点位置作为车辆的定位点。
60.然后，根据所述目标车道线，确定所述目标车道线的像素坐标位置并且按照不同类型的车道线计算对应的所述目标车道线的斜率参数。即使用车道线检测出车道线，输出车道线的像素坐标位置，根据不同的车道线(实线、虚线、双实线、双虚线等竖向车道线)，计算对应的斜率。
61.最后，根据所述目标车辆的航向角与所述目标车道线的斜率参数，判断所述目标车辆的行驶状态。通常是指目标车辆是否直行，或者是向左、向右转弯。
62.在判断车辆的转弯时，通过历史前后图像帧的车辆定位连线，计算出车辆的航向
角，再通过车辆航向角是否与车道线斜率平行来判定车辆是否处于转弯状态。
63.如果，在所述目标车辆的行驶状态处于第一状态的情况下，根据所述目标车道线的像素坐标位置对所述目标车辆的图像像素坐标定位结果进行调整。
64.第一状态即向右转弯的情况。在本技术的实施例中亦可以有第二状态，第三状态，用于表示车辆左转弯、直行等状态。第一状态仅用于说明本技术实施例中的车辆行驶状态，并不作为状态的具体限定。
65.在本技术的一个实施例中，将所述路端采集的图像信息输入预先训练的车道线检测模型，检测得到目标车道线，包括：对车道线的检测结果进行图像分割，得到每条车道线实例作为车道线的像素分割结果；对每条所述车道线的多个像素单位宽度的分割结果进行拟合，得到该条车道线的一个像素单位宽度的线条作为所述目标车道线。
66.具体实施时，本技术实施例中的车道线检测模型可以检测出不同类型的车道线，同时还需要采用具有图像分割能力一类检测网络，通过图像分割网络检测出图像里所有要求的车道线像素，作为车道线检测模型的输出，即每一个车道线实例。
67.比如，车道线的检测结果中从左到右有：单实线1，单实线2，单虚线1，单虚线2，双实线，双虚线等，经过图像分割后每一条车道线的像素都是分割开的。这样可以与其他非车道线像素分开，并且在不同车道线之间也是不同的实例元素。
68.在本技术的实施例中只需车道线的中心线(中心线作为该条车道线)，也就是将原本带有n个像素单位宽度的车道线，拟合成1个像素宽度的车道线，此时才能更精准得到1条约束线，与2d车辆检测框相交。
69.在本技术的一个实施例中，所述根据所述目标车道线对所述目标车辆的定位结果进行约束，包括：以车辆行驶在车道线中心位置作为先验，根据所述目标车道线的像素坐标位置作为标准，在所述目标车辆的2d检测框中将所述对所述目标车辆的图像像素坐标定位结果调整为所述目标车道线的像素坐标位置。
70.具体实施时，使用车辆检测模型检测路端架设好的相机拍摄的图片，输出检测车辆的2d检测框，处理检测框得到底边中心点，作为车辆的图像像素坐标定位；使用车道线检测出车道线，输出车道线的像素坐标位置，根据不同的车道线，计算对应的斜率。
71.进一步地，根据斜率，通过车辆航向角是否与车道线斜率平行来判定车辆是否处于转弯状态。
72.最后，将处于转弯状态下的所述目标车辆的2d检测框中将所述对所述目标车辆的图像像素坐标定位结果调整为所述目标车道线的像素坐标位置。
73.在本技术的一个实施例中，所述目标车辆的行驶状态处于第一状态的情况，包括：所述目标车辆在转弯道中出现超过预设阈值的倾斜角的情况，如果所述目标车辆在转弯道中未出现超过预设阈值的倾斜角的情况，则所述目标车辆的行驶状态处于第二状态。
74.具体实施时，使用车道线检测出车道线，输出车道线的像素坐标位置，根据不同的车道线，计算对应的斜率。根据预设阈值，通过历史前后帧的车辆定位连线，计算出车辆的航向角，再通过车辆航向角是否与车道线斜率平行来判定车辆是否处于转弯状态。如果车辆航向角不与车道线斜率平行，判定车辆未处理转弯状态。
75.或者，通常转弯的情况是指在路口的转弯或者掉头，包括但限于右转弯路口、左转弯路口等。如果是右转弯路口时，路口右转时转弯半径较小，车身倾斜度较大。相反，如果是
左转弯路口时，路口左转弯半径较大，车身倾斜度较小。所以，第二状态以及第一状态也可以是针对不同(左转或右转)的转弯方向的判断结果。
76.如图3所示，根据航向角判断车辆处于向左右弯的哪种状态，原始定位点p1，对处于右弯状态下的车辆，若2d框与车道线相交，计算出车道线与2d框相交的的交点p(图3中特殊情况等同于p1)，使用交点p(p1)和框的像素坐标，将底边交点p左边部分的中心点p2作为定位点。
77.可明显发现，相对于检测框p1定位点，p2点更适合表示真实车辆定位点p3。若是出现较大的右弯倾斜车辆，原始定位误差会达到至少2～3米，经过约束，能够极大的减少误差。若在右转弯道出现较大倾斜角情况，可能原始定位会出现定位在花坛的情况。
78.采用本技术的定位方法之后，可以将原本的p1定位点使用p2定位点代替，从而更加接近于p3真实定位点的位置。
79.在本技术的一个实施例中，所述预先训练的车辆检测模型，包括：基于yolov7目标检测网络，将原始道路图像数据以及对应的标签作为训练数据，训练得到2d车辆检测模型得到2d车辆检测模型。
80.具体实施时，基于yolov7目标检测网络可以较好地检测出2d车辆检测模型。且区别于相关技术中的检测网络，精度更高、速度也更快，符合路端检测的实际需求。
81.在本技术的一个实施例中，所述预先训练的车道线检测模型，包括：使用多组数据通过机器学习训练，多组数据中的每组数据均包括：包含竖向车道线的图像以及所述图像中对应的车道线实线、虚线、双实线、双虚线的车道线类型标签。
82.具体实施时，在训练车道线检测模型的图像数据集时，使用多组数据通过机器学习训练，多组数据中的每组数据均包括了竖向车道线的图像以及所述图像中对应的车道线实线、虚线、双实线、双虚线的车道线类型标签。也就是说，除了包含有竖向车道线，还有竖向车道线对应的车道线类型标签信息。对于车道线检测模型输出的是多个像素点(车道线中心点)，由于车道线是有线宽的，将检测出来多个像素点认为是一条线，同时计算出实线、虚线、双实线或者双虚线的中心线位置。
83.此外，还可以根据相交的车道线，判断得到目标车辆在右转的过程中，有更大的角度的偏移。
84.通过在训练阶段加入了多种车道线类型标签，可以通过车道线检测模型输出车道线的检测结果，且在检测结果中包含了被检测出的车道线的类型。通过车道线的类型，可以利于之后与车辆yaw航向角结合判断目标车辆的状态。
85.在本技术的一个实施例中，所述获取路端采集的图像信息，包括：获取所述路端视角下的图像信息，其中所述图像信息至少包括如下之一：道路中行驶的车辆图像数据、道路中的车道线图像数据。
86.具体实施时，对于道路中行驶的车辆图像数据以及道路中的车道线图像数据可以是针对同一个路端采集的图像信息，也可以是多个路端采集的图像信息。比如，在一些复杂路口的场景，路端设备需要对目标车辆进行定位跟踪。
87.本技术实施例还提供了车辆定位装置200，如图2所示，提供了本技术实施例中车辆定位装置的结构示意图，所述车辆定位装置200至少包括：获取模块210、第一检测模块220、第二检测模块230以及约束模块240，其中：
88.在本技术的一个实施例中，所述获取模块210具体用于：获取路端采集的图像信息。
89.根据路端的视角采用得到图像信息，这些图像信息在训练阶段即作为训练集进行训练，而在检测阶段作为待检测的图像数据进行识别。
90.这里针对的“路端”通常是指部署在路口或者路段中的路侧单元，通过所述路侧单元上部署的相机采集得到路端视角的图像信息。路口包括但限于右转弯路口、左转弯路口等。如果是右转弯路口时，路口右转时转弯半径较小，车身倾斜度较大。相反，如果是左转弯路口时，路口左转弯半径较大，车身倾斜度较小。
91.对于图像信息包括包含有车道线的图像、包含有车辆的图像，通常而言分为两组不同的图像。需要注意的是，根据先验知识，车辆通常行驶在车道线(车道中心线)内，所以可以通过先验知识对检测到的车辆定位结果进行约束。
92.同时，考虑到路端采集的图像信息通常还具备背景信息固定的特点。比如，道路中的绿化带比如花坛。如果采用同一个路端采集的图像信息，则背景信息是基本固定的。
93.此外，还应当考虑到车辆在转弯/掉头时会出现较大倾斜角度的问题，如果采用同一个路端采集的图像信息，则无法较好地获得正确的定位结果。比如，根据原本的车辆2d检测框会将车辆的位置定位在花坛中，出现车辆定位的误差。
94.在本技术的一个实施例中，所述第一检测模块220具体用于：将所述路端采集的图像信息输入预先训练的车道线检测模型，检测得到目标车道线。
95.路端采集的所述图像信息输入到预先训练的车道线检测模型，可以检测得到多条车道线以及该些车道线的类型。
96.示例性地，可以在训练时采集路端角度车道线数据：标注实线、虚线、双实线(包含转弯时的对向车道)、双虚线等竖向车道线，处理标注的.json文件为标签数据。之后利用标签数据和原始训练数据作为训练样本，训练搭建好的神经网络模型，保存作为车道线检测模型。
97.优选地，车道线检测模型增加了不同车道线类型的识别结果，可以识别出路端采集的图像信息中的车道线以及车道线所述的类型。
98.在本技术的一个实施例中，所述第二检测模块230具体用于：将所述路端采集的图像信息输入预先训练的车辆检测模型，检测得到目标车辆，其中所述目标车辆包括目标车辆定位结果。
99.路端采集的所述图像信息同时也会输入到所述车辆检测模型，检测出目标车辆的位置，当然也可以包括车辆的类型，比如卡车、小汽车或者自行车。
100.示例性地，采集路端角度下的车辆数据，标注车辆，处理标注的.json文件为对应原始图片的标签，搭建yolov7目标检测网络，将原始数据以及对应的标签作为训练数据，训练2d车辆检测模型，输出车辆检测模型。
101.可以理解，还可以其他的目标检测网络，在本技术的实施例中并不进行具体限定，本领域技术人员可以根据实际使用场景进行不同的选择。
102.输入到车辆检测模型以及车道线检测模型的图像信息可以是使用同一帧的图像，可以提高图像识别的准确度。
103.在本技术的一个实施例中，所述约束模块240具体用于：根据所述目标车道线对所
述目标车辆的定位结果进行约束，得到所述目标车辆的最终定位结果。
104.根据两个检测模型的检测结果中的目标车道线对所述目标车辆的定位结果进行约束，可以理解，包括但不限于车辆的相对位置坐标的横向或者纵向的调整方式。经过约束并调整之后可以得到所述目标车辆的最终定位结果。
105.进一步地，是否需要进行约束还与车辆当前是否处于左右转弯的状态相关，所以需要通过车辆航向角yaw确定出车辆的状态，之后再根据条件进行约束。
106.能够理解，上述车辆定位装置，能够实现前述实施例中提供的车辆定位方法的各个步骤，关于车辆定位方法的相关阐释均适用于车辆定位装置，此处不再赘述。
107.图4是本技术的一个实施例电子设备的结构示意图。请参考图4，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
108.处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)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4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
109.存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
110.处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成车辆定位装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
111.获取路端采集的图像信息；
112.将所述路端采集的图像信息输入预先训练的车道线检测模型，检测得到目标车道线；
113.将所述路端采集的图像信息输入预先训练的车辆检测模型，检测得到目标车辆，其中所述目标车辆包括目标车辆定位结果；
114.根据所述目标车道线对所述目标车辆的定位结果进行约束，得到所述目标车辆的最终定位结果。
115.上述如本技术图1所示实施例揭示的车辆定位装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处
理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
116.该电子设备还可执行图1中车辆定位装置执行的方法，并实现车辆定位装置在图1所示实施例的功能，本技术实施例在此不再赘述。
117.本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中车辆定位装置执行的方法，并具体用于执行：
118.获取路端采集的图像信息；
119.将所述路端采集的图像信息输入预先训练的车道线检测模型，检测得到目标车道线；
120.将所述路端采集的图像信息输入预先训练的车辆检测模型，检测得到目标车辆，其中所述目标车辆包括目标车辆定位结果；
121.根据所述目标车道线对所述目标车辆的定位结果进行约束，得到所述目标车辆的最终定位结果。
122.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
123.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
124.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
125.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
126.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
127.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
128.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
129.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
130.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
131.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。