基于毫米波雷达的道路感知方法、系统、设备及存储介质

技术领域

本发明涉及道路感知技术领域，具体公开了一种基于毫米波雷达的道路感知方法、系统、设备及存储介质。

背景技术

自动驾驶(包含辅助驾驶)是智能汽车发展的重要方向，并且越来越多的车辆中开始应用自动驾驶系统来实现车辆的自动驾驶功能。通常地，自动驾驶系统能需要随时地确定车辆的可行驶区域，在确定可行驶区域的过程中，一个重要的方面是需要确定出当前行驶道路的道路边沿。

目前，大多数自动驾驶系统对于道路边沿的感知大都基于定位功能传感器如GPS，高精度定位传感器RTK，、多线激光雷达的SLAM以及图像传感器(安装在车辆上的摄像头)等方法。这类方法具有一定的局限性，一方面是容易受到地理位置的影响，另一方面容易受到天气的影响，另外，在封闭场合它们提供的感知信号不可靠，甚至传感器不能从环境获取到感知信息，且对于摄像头，由于车载ECU计算资源有限，基于摄像头的识别的帧率不是很高。此外摄像头的识别不仅对于天气比较敏感，也比较依赖识别模型训练时的样本数据，路沿感知精度低。

进一步的，当自动驾驶系统中没有使用具有航向功能的传感器时，其无法提供一定的航向校核数据，容易造成定位信息不准确，增加出行风险。

发明内容

本发明要解决的技术问题是现有技术中自动驾驶系统的道路感知准确度低以及在系统中不设置具有航向功能的传感器时，无法获得航向角信息的问题。

为解决上述技术问题，本发明公开了一种基于毫米波雷达的道路感知方法，通过毫米波雷达进行道路的感知，所述方法包括：

获取道路感知设备感知的第一散点数据集，其中，所述第一散点数据集用于表征所述感知设备所感知的速度矢量与所述感知设备的速度矢量大小相近，方向相反的散点数据的集合；

对所述第一散点数据集进行去噪处理，得到目标散点数据集；

基于所述目标散点数据集，获取初始拟合车道线；

对所述初始拟合车道线进行边缘化处理，获取目标拟合车道线；

基于所述目标拟合车道线，确定车道属性信息；

基于所述车道属性信息，对当前道路下的导航数据进行校核。

进一步的，所述对所述第一散点数据集进行去噪处理，得到目标散点数据集，包括：

基于密度聚类原理，对所述第一散点数据集进行去噪处理，得到第二散点数据集；

将所述第二散点数据集作为所述目标散点数据集。

进一步的，所述基于密度聚类原理，对所述第一散点数据集进行去噪处理，得到第二散点数据集之后，所述方法还包括：

基于多帧连续匹配算法，对所述第二散点数据集进行去噪纠偏处理，得到第三散点数据集，其中，所述第三散点数据集用于表征第二散点数据集中满足预设闪帧次数的散点数据的集合；

将所述第三散点数据集作为所述目标散点数据集。

进一步的，所述基于多帧连续匹配算法，对所述第二散点数据集进行去噪纠偏处理，得到第三散点数据集具体包括：

基于所述第二散点数据集，提取所述第二散点数据集的上一帧集合以及提取所述第二散点数据集的当前帧集合；

获取所述上一帧集合至所述当前帧集合的旋转矩阵和平移矩阵；

基于所述旋转矩阵和所述平移矩阵，获取当前散点集合；

若上一帧集合中的点与当前帧集合中的对应点之间的平均距离小于预设误差，则确定当前帧集合与上一帧集合匹配成功，确定当前帧数据为有效数据；

将所述第二散点数据集中的所有有效数据的集合作为第三散点数据集。

进一步的，所述基于多帧连续匹配算法，对所述第二散点数据集进行去噪纠偏处理，得到第三散点数据集之后，所述方法还包括：

对所述第三散点数据集进行分类处理，得到多个第一分类结果；

获取图像设备所拍摄的当前道路图像；

提取所述图像上的数据后对所提取的数据进行分类处理，得到多个第二分类结果；

将多个所述第一分类结果与多个所述第二分类结果进行特征匹配，将匹配后的结果进行融合处理，得到数据融合结果；

将所述数据融合结果作为目标散点数据集。

进一步的，基于所述目标散点数据集，分别获取初始直道车道线和初始弯道车道线。

进一步的，本发明还提供了一种基于毫米波雷达的道路感知系统，其特征在于，所述系统包括：

第一散点数据集获取模块，用于获取道路感知设备感知的预设感知范围内的第一散点数据集，其中，所述第一散点数据集用于表征所述感知设备所感知的预设感知范围内速度矢量与所述感知设备的速度矢量大小相近，方向相反的散点数据的集合；

目标散点数据集获取模块，用于对对所述第一散点数据集进行去噪处理，得到目标散点数据集；

初始拟合车道线获取模块，用于基于所述目标散点数据集，获取初始拟合车道线；

目标拟合车道线获取模块，用于对所述初始拟合车道线进行边缘化处理，获取目标拟合车道线；

车道属性确定模块，用于基于所述目标拟合车道线，确定车道属性信息；

校核模块，用于基于所述车道属性信息，对当前道路下的导航数据进行校核。

进一步的，所述目标散点数据集获取模块包括：

第二散点数据集获取单元，用于基于密度聚类原理，对所述第一散点数据集进行去噪处理，得到第二散点数据集；

目标散点数据集第一获取单元，用于将所述第二散点数据集作为所述目标散点数据集。

进一步的，本发明还提供了一种基于毫米波雷达的道路感知设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述所述的道路感知方法。

进一步的，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述所述的道路感知设备。

本发明中，获取道路感知设备感知的预设感知范围内的第一散点数据集后，对所述第一散点数据集进行去噪处理，得到目标散点数据集；并基于所述目标散点数据集，获取初始拟合车道线；对所述初始拟合车道线进行边缘化处理，获取目标拟合车道线；进一步基于所述目标拟合车道线，确定车道属性信息；基于所述车道属性信息，对当前道路下的导航数据进行校核。从而通过去噪处理和拟合车道线的纠偏处理的结合，提高对道路边缘的识别的准确性，通过本申请方案所获取的路况信息，对导航地图信息进行校验，降低自动驾驶的风险。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所述的车辆的坐标体系示意图；

图2是本发明所述的基于毫米波雷达的道路感知方法的流程图；

图3是本发明所述的第二散点数据集的一种获取方法的流程图；

图4是本发明所述的第一散点数据集的散点图；

图5是本发明所述的第三散点数据集的获取方法的流程图

图6是本发明所述的第四散点数据集的获取方法的流程图；

图7是图6所述的第四散点数据集获取原理图；

图8是本发明所述的初始拟合车道线的一种获取方法的流程图；

图9是本发明所述的初始拟合车道线的另一种获取方法的流程图；

图10是本发明所述的目标拟合车道线的获取方法的流程图；

图11是本发明所述的基于毫米波雷达的道路感知系统的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例：

为解决现有技术中存在的问题，本说明书提供了一种基于毫米波雷达的道路感知方法，道路感知方法基于道路感知系统完成，该道路感知系统安装在车辆上，车辆的具体类型是不受限制的，相对于该道路感知系统，车辆是该道路感知系统的宿主车辆。该道路感知系统可以应用于车辆所安装的自动驾驶系统上。具体的，该道路感知系统包括道路感知设备和数据处理装置，道路感知设备所感知的道路信息均传输至数据处理装置中进行处理。

具体的，根据本申请的一个方面，提供了一种基于毫米波雷达的道路感知方法，具体的，结合图2所示，方法包括：

S100、获取道路感知设备所感知的第一散点数据集。

具体的，通过设置在车辆上的数据处理装置获取道路感知设备所感知的第一散点数据集，其中，道路感知设备可以包括毫米波雷达探测器，毫米波雷达探测器优选为77GHz毫米波雷达，能够在道路平面上以75℃-90℃的探测角范围检测前方的各种物体。第一散点数据集用于表征感知设备所感知的速度矢量与感知设备的速度矢量大小相近，方向相反的散点数据的集合，一个散点数据代表一个目标探测物。其中，速度矢量大小相近是指，被感知的目标探测物与感知设备的相对运动速度满足第一阈值条件，其中第一阈值可以为0～1km/h。

可以理解的是，毫米波雷达对于目标探测物的速度的检测是基于多普勒效应：如果目标探测物相对于毫米波雷达设备有速度，就会改变反射波的频率，通过测量对应的频率差可以获取被测目标的相对速度。因此，毫米波雷达被配置能够基于多普勒效应和宿主车辆的车速从检测的各种物体中确定出上述所介绍的速度矢量与感知设备的速度矢量大小相近，方向相反的目标探测物，因此，毫米波雷达能够基本实时地输出所探测的目标探测物的相关信息，例如，在车辆坐标体系下的坐标。在本说明书中，如图1所示，定义车辆的坐标体系，即XY坐标体系，其中，以车辆的质心为圆点o，X轴定义为车辆的前方垂直方向，X坐标定义为相对车辆的质心的距离在垂直方向上的偏差，Y轴定义为车辆的水平方向，Y坐标定义为相对车辆的质心的距离在水平方向上的偏差，毫米波雷达在检测出目标探测物时，目标探测物的坐标(X，Y)被基本确定，其中，X坐标表示在车辆坐标体系下该目标探测物与车辆的质心的距离在垂直方向上的偏差(即X轴上的偏差)，Y坐标表示车辆坐标体系下该目标探测物与车辆的质心的距离在水平方向上的偏差(即Y轴上的偏差)。

S102、对第一散点数据集进行去噪处理，得到目标散点数据集。

在一种可实施的方案中，步骤S102：对第一散点数据集进行去噪处理，得到目标散点数据集具体可以是基于密度聚类原理，对第一散点数据集进行去噪处理，得到第二散点数据集，在得到第二散点数据集后，将第二散点数据集作为目标散点数据集。

在一种可实施的方案中，可以以第一散点数据集中的每一个数据点xi为圆心，以eps为半径画一个圆圈。这个圆圈被称为xi的eps邻域；对所获取的圆圈内包含的点进行计数。如果一个圆圈里面的点的数目超过了密度阈值，那么将该圆圈的圆心记为核心点。如果某个点的eps邻域内点的个数小于密度阈值但是落在核心点的邻域内，则称该点为边界点。将既不是核心点也不是边界点的点，作为噪声点。将第一散点数据集中所获取的噪声点去除后，得到第二散点数据集，即第二散点数据集用于表征密度聚类原理去噪后的散点数据集。

进一步的，在获取到第二散点数据集后，将第二散点数据集作为目标散点数据集。

具体的，该步骤中，主要是基于密度聚类原理，对第一散点数据集进行去噪处理，以剔除噪声点。

进一步的，在另一种可实施的方案中，基于密度聚类原理，对第一散点数据集进行去噪处理，得到第二散点数据集，还可以具体可以根据图3中所展示的如下步骤实现：

S201、选取第一散点数据集中的任一散点数据，作为当前参考点。

在一种可实施的方案中，以集合A作为第一散点数据集，以字母P表示当前参考点。

S203、基于所述当前参考点，选取距离所述当前参考点满足第一距离阈值的k个近域点。

可以理解的是，这里所说的第一距离阈值是基于第一散点数据集的散点图确定，具体可参照图4进行理解。具体的，如图4所示的散点分布图，第一散点数据集A满足：A＝{a，b，c，d，e，f，g，h，p}，图中，以当前参考点p为基点，设定第一距离阈值是指点p与点e之间的距离半径。而近域点即为满足以

S205、计算所述当前参考点与每个所述近域点之间的坐标值。

具体的，可以基于最大最小归一化的原理计算当前参考点与每个近域点之间的坐标值。

其中，最大最小归一化公式为：

其中，t被赋值为k集合中的任意一个，x

因此，当第一散点集集合A满足A＝{a，b，c，d，e，f，g，h，p}，且，所选取的k值为5，满足k＝{a，b，c，d，e}时，经过最大最小归一化计算后，可以得到归一化列表L，归一化列表L包括参考点与参考点之间的坐标值以及参考点与近域点之间的坐标值。

表L

S207、基于所述当前参考点以及每个所述近域点的坐标值，计算所述当前参考点与每个所述近域点之间的欧氏距离。

具体的，欧式距离是指两点之间的直线距离，即当前参考点与每个近域点之间的直线距离，基于上述举例，通过距离公式

S209、基于所述归一化列表获取每个欧式距离下对应的点集集合。

具体的，为便于描述，以Lnb标识点集集合，

S211、基于第一公式，计算当前参考点与所述点集集合Lnb中中每个点的访问距离。

可以理解的是，第一公式为：

Dns＝max{Euclid(K

其中，Lnb

可以理解的是，点集集合Lnb的欧式距离Euclid(P，Lnb

具体的，基于第一公式，将Euclid(K

S213、基于第二公式，计算距离密度。

可以理解的是，第二公式为：

Den＝Knbmax/∑(Dns)；

具体的，第二公式中，Den为距离密度，Dns为访问距离，Knbmax＝k'-1，k'为集合k中子集的总个数。∑(Dns)基于第一公式所获取的i个访问距离进行求和获得。

S215、遍历点集集合中的每个点，并将当前遍历点作为当前参考点，将上次遍历的点作为近域点，重复步骤S207-S213。

S217、计算Den与Den

可以理解的是，z取1、2、3……的正整数，Den

S219、基于第三公式，计算目标对比值。

具体的，第三公式为：

其中，∑R为比例列表R中各比例值的和，Knbmax＝k'-1，k'为集合k中子集的总个数；

S221、若所述目标对比值大于1，则确定当前参考点为异常值，剔除当前参考点。

S223、若所述点集集合中的点未遍历完成，则返回执行步骤S205：计算所述当前参考点与每个所述近域点之间的坐标值。

S225、若所述点集集合中的点遍历完成，则将所述点集集合中未被踢出的点的集合作为第二散点数据集。

可以理解的是，通过上述步骤S201-S225后，对第一散点数据集中的数据进行过滤，可以剔除掉一部分孤立的点，从而去除掉一些远离路沿的障碍物，例如独立存在的路灯、路障等，进而提高所获取的第二散点数据集的数据准确性。

进一步的，可以理解的是，在得到第二散点数据集后，将第二散点数据集作为目标散点数据集。

进一步的，在一种可实施的方案中，在得到第二散点数据集后，可以将第二散点数据集作为目标散点数据集。在其他可实施的方案中，为了进一步提高目标散点数据集的准确性，在执行步骤S225得到第二散点数据集后，还可以对第二散点数据集进行进一步的过滤。具体还可以基于多帧连续匹配算法，对第二散点数据集进行去噪纠偏处理，得到第三散点数据集；

可以理解的是，第三散点数据集用于表征第二散点数据集中满足预设闪帧次数的散点数据的集合。在一些实施例中，可以将预设闪帧次数设定为5次、8次、10次等次数，这里不进行具体限定，可以根据需要设定。

进一步可以理解的是，预设闪帧次数可以为连续闪帧次数，或者非连续闪帧次数，当预设闪帧次数为非连续闪帧次数时，可以设定，在某个连续的时间段内，当第二散点数据集中的某个测试的散点数据闪帧一次时，将闪帧次数加1，当闪帧一次后又消失一次后，将闪帧次数再减1，直到最后记录的闪帧次数值达到预设闪帧次数时，结束，判断该散点数据存在，不属于噪音，否则，认为该散点数据不存在，属于噪音，需要对散点数据进行去噪处理。

具体的，基于多帧连续匹配算法，对第二散点数据集进行去噪纠偏处理，得到第三散点数据集，具体可以通过如图5所示的如下步骤实现：

S301、基于所述第二散点数据集，提取所述第二散点数据集的上一帧集合以及提取所述第二散点数据集的当前帧集合。

S303、基于第四公式，获取所述上一帧集合至所述当前帧集合的旋转矩阵和平移矩阵。

可以理解的是，所述第四公式为；

其中，

可以理解的是，基于第四公式中，通过R和T的旋转平移，可以将上一帧所对应的车辆位置的坐标转换至当前帧所对应的车辆位置的坐标系上，然后再与第二散点数据集的上一帧集合

可以理解的是，第二散点数据集的上一帧集合

S305、基于所述旋转矩阵和所述平移矩阵，获取当前散点集合。

具体的，将所获取的旋转矩阵的参数以及平移矩阵的参数作为当前散点集合中的参数。

S307、若上一帧集合中的点与当前帧集合中的对应点之间的平均距离小于预设误差，则确定当前帧集合与上一帧集合匹配成功，确定当前帧数据为有效数据。

可以理解的是，所谓有效数据即是与上一帧集合匹配成功的当前帧集合中的当前帧数据，预设误差可以预先设定，其具体值可以根据需求设定，这里不进行具体限定。

S309、将所述第二散点数据集中的所有有效数据的集合作为第三散点数据集。

可以理解的是，通过对第二散点数据集执行步骤S401-S409后，可以过滤掉第二散点数据中闪帧的数据，即可以过滤掉上一帧存在而下一帧不存在的数据，进一步提高所得到的第三散点数据集的精确度。

进一步的，在一种可实施的方案中，可以在得到第三散点数据集后，可以将第三散点数据集作为目标散点数据集。

在其他可实施的方案中，在得到第三散点数据集后，也可以为了进一步提高目标散点数据集的准确性，对第三散点数据集进行进一步的过滤，以得到第四散点数据集。在一种可实施的方案中，可以基于如图6和图7所示的方法获取第四散点数据集：

S401、对第三散点数据集进行分类处理，得到多个第一分类结果。

S403、获取图像设备所拍摄的当前道路图像。

S405、提取图像上的数据后对所提取的数据进行分类处理，得到多个第二分类结果。

S407、将多个第一分类结果与多个第二分类结果进行融合处理，得到表征数据融合结果的第四散点数据集。

可以理解的是，将多个第一分类结果与多个第二分类结果进行融合处理，得到数据融合结果，具体包括：

将多个第一分类结果与多个第二分类结果进行坐标位置的匹配，以得到坐标位置相匹配的散点数据集。

可以理解的是，如图7所示的第一部分的图像数据的图像分类以及第二部分的雷达目标分类的具体分类过程是现有技术，哲力不在赘述，本步骤中主要是分别利用图像分离与雷达目标分类的优点，对不同的数据选择不同的分类方法，然后将最后获取的两部分数据进行融合，以得到更加准确的融合数据。

进一步的，在获取到第四散点数据集，可以将第四散点数据集作为目标散点数据集。

在一种可实施的方案中，可以将坐标位置相匹配的散点数据集作为目标散点数据集。

S104、基于目标散点数据集，获取初始拟合车道线。

可以理解的是，所述初始拟合车道线包括初始直道车道线和初始弯道车道线，在一种可实施的方案中，当所述初始拟合车道线包括初始直道车道线时，步骤S104：基于所述目标散点数据集，获取初始拟合车道线，具体可以根据如图8所示的以下步骤获得：

S501、将所述目标散点集中的散点数据的当前坐标转化为二值型的像素笛卡尔坐标。

可以理解的是，由本说明书中设定的坐标可知，当前获取的目标散点集中的散点数据均为笛卡尔坐标下的数据，即世界坐标系下的数据，在初始直道车道线的获取过程中，先将目标散点集中的散点数据的当前坐标转化为二值型的像素笛卡尔坐标；

在一些可实施的方案中，在将目标散点数据集中的散点数据从世界坐标系转换为像素坐标系的过程中，可以先将世界坐标系通过外参矩阵转换到相机坐标系，然后再基于相机坐标系通过内参矩阵转换到图像像素坐标系，从而最终获得二值型的像素笛卡尔坐标。

可以理解的是，上述的具体操作步骤为现有技术，这里不再赘述。

S503、在坐标转换后的目标散点数据集中选取多组散点数据组，每组散点数据组中均包括2个不重合的散点数据。

S505、基于所述多组散点数据组，构造多条直线。

可以理解的是，每组散点数据组中均包括2个不重合的散点数据，每组散点数据组中的散点数据均构造一条直线，即散点数据组的组数与直线的条数对应相等。

S507、若坐标转换后的目标散点数据集中的剩余所有散点数据到对应直线的距离满足第一阈值，则将该点添加到目标集SA中。

可以理解的是，可以基于点到直线的距离公式获取坐标转换后的目标散点数据集中的剩余所有散点数据到所述直线的距离，基于所获取的距离与第一阈值进行比较，如果，所获取的距离值满足第一阈值，则将该点添加到目标集SA中。其中，对应直线是指目标散点数据集中除剩余所有散点数据之外的散点数据所构造的直线。即当前散点数据组所构造的直线。

进一步可以理解的是，该第一阈值可以为一个具体的数值，例如5或7或11等，也可以是一个范围，例如5～7或9～11等，可以根据具体需要设定，这里不进行限定。

S509、若目标集SA中的散点数据的个数大于第一预设个数，确定将该直线作为初始直线模型。

可以理解的是，第一预设个数可以为5个、7个或其它个数，可以根据需求设定，这里不进行具体的限定。

S511、将所获取的多条初始直线模型所对应的数据集合中的散点进行拟合，将拟合后的直线作为目标直线模型。

可以理解的是，多条初始直线模型所对应的数据集合是指构造成每条初始直线模型的散点数据所组成的集合。

进一步的，所述初始拟合车道线包括初始弯道车道线时，步骤S104：基于所述目标散点数据集，获取初始拟合车道线，具体可以根据如下步骤获得：

S601、将所述目标散点集中的散点数据的当前坐标转化为二值型的像素笛卡尔坐标。

具体的，坐标系的转换，可以参照上述介绍，这里不再赘述。

S603、在坐标转换后的目标散点数据集中选取多组散点数据组，每组散点数据组中均包括3个不重合的散点数据。

S605、基于所述多组散点数据组，构造多条圆弧。

可以理解的是，每组散点数据组中均包括3个不重合的散点数据，每组散点数据组中的散点数据均构造一条圆弧，即散点数据组的组数与圆弧的条数对应相等。

S67、若坐标转换后的目标散点数据集中的剩余所有散点数据到对应圆弧的距离满足第二阈值，则将该点添加到目标集SB中。

可以理解的是，在判断目标散点数据集中的剩余所有散点数据到所述直线的距离是否满足第一阈值时，可以选取点到圆弧的所有距离中的最短距离，与第一阈值进行比较，如果，所获取的最短距离值满足第二阈值，则则将该点添加到目标集SB中。其中，对应圆弧是指目标散点数据集中除剩余所有散点数据之外的散点数据所构造的圆弧，即当前散点数据组所构造的圆弧。

进一步可以理解的是，该第二阈值可以与第一阈值相同，也可以与第二阈值不同，其可以为一个具体的数值，例如5或7或11等，也可以是一个范围，例如5～7或9～11等，可以根据具体需要设定，这里不进行限定。

S609、若目标集SB中的散点数据的个数大于第二预设个数，确定将该直线作为初始圆弧模型。

可以理解的是，第二预设个数可以与第一预设个数相同，也可以不同，其可以为8个、10个或其它个数，可以根据需要设定，这里不进行具体的限定。

S611、将所获取的多条初始圆弧模型中所对应的数据进行拟合，将拟合后的圆弧作为目标圆弧模型。

可以理解的是，多条初始圆弧模型所对应的数据集合是指构造成每条初始圆弧模型的散点数据所组成的集合。

S106、对初始拟合车道线进行边缘化处理，获取目标拟合车道线。

可以理解的是，平行车道边缘提取的作用是，当自动驾驶车辆行驶在平行车道路段，道的车道标线由于光线或者其他原因不能很好的被摄像头精确的识别到，自动驾驶系统根据车载毫米波雷达探测到车道两侧的路沿信号，为无人驾驶车辆提供车道线参考；

具体的，在一种可实施的方案中，步骤S106、对初始拟合车道线进行边缘化处理，获取目标拟合车道线具体可以根据如图10所示的如下步骤实现:

S701、获取所述目标散点数据集中各散点数据的信号强度和信号方向，并将信号强度按照第一预设规则排序。

可以理解的是，在毫米波雷达获取到散点数据后，该散点数据的信号强度和信号方向即已经确定了。进一步的，将信号强度按照第一预设规则排序可以是将信号强度按照从大大小的顺序排列，也可以是将信号强度按照从小到大的顺序排列。

S703、若所述目标散点数据集中的每个散点数据所对应的信号强度不大于预设信号强度值，将该散点数据确定为无效散点数据。

可以理解的是，若某个散点数据所对应的信号强度所述信号强度大于预设信号强度值，则将该散点数据确定为有效散点数据，若某个散点数据所对应的信号强度不大于预设信号强度值，则将该散点数据确定为无效散点数据。

S705、将所述目标散点数据集中被确定为无效散点数据的散点数据所组成的集合，确定无效散点数据集。

S707、对无效散点数据集中的散点数据进行扩增处理。

可以理解的是，可以通过对无效散掉数据集中的散点数据进行扩增处理，以增加数据量、丰富数据多样性、提高模型的泛化能力。

可以理解的是，数据扩增可以通过图像翻转、图像旋转、图像扭曲、图像仿射变换、图像缩放、图像压缩、图像随机crop、图像随机padding、图像对比度调整、亮度调整、色度调整、饱和度调整、色彩抖动、添加噪声、图像模糊、图像区域随机擦除、风格转换、生成对抗网络生成等方法实现，也可以通过其他的数据扩增方法实现，这里不进行具体限定。

S108、基于目标拟合车道线，确定车道属性信息。

可以理解的是，车道属性信息可以包括弯道半径、车道宽度信息、车道数、车道方向等信息可以结合毫米波雷达所采集的车辆的位置信息和运动信息等进行推导。

S110、基于车道属性信息，对当前道路下的导航数据进行校核。

可以理解的是，所述基于车道属性信息，对当前道路下的导航数据进行校核是指，基于结合毫米波雷达所采集的车辆的位置信息和运动信息等对导航地图中的道路信息进行校核。

在一些可实施的方案中，可以通过MD5算法、SHA-1算法(Secure Hash Algorithm1即安全散列算法1)等方式进行导航数据的校核。具体的校核方法，可以根据实际需求选择，这里不进行具体限定。

本发明中，获取道路感知设备感知的预设感知范围内的第一散点数据集后，对所述第一散点数据集进行去噪处理，得到目标散点数据集；并基于所述目标散点数据集，获取初始拟合车道线；对所述初始拟合车道线进行边缘化处理，获取目标拟合车道线；进一步基于所述目标拟合车道线，确定车道属性信息；基于所述车道属性信息，对当前道路下的导航数据进行校核。从而通过去噪处理和拟合车道线的纠偏处理的结合，提高对道路边缘的识别的准确性，通过本申请方案所获取的路况信息，对导航地图信息进行校验，降低自动驾驶的风险。

进一步的，根据本申请的另一方面，本发明还提供了一种道路感知系统，其特征在于，系统包括：

第一散点数据集获取模块，用于获取道路感知设备感知的预设感知范围内的第一散点数据集，其中，第一散点数据集用于表征感知设备所感知的预设感知范围内速度矢量与感知设备的速度矢量大小相近，方向相反的散点数据的集合；

目标散点数据集获取模块，用于对对第一散点数据集进行去噪处理，得到目标散点数据集；

初始拟合车道线获取模块，用于基于目标散点数据集，获取初始拟合车道线；

目标拟合车道线获取模块，用于对初始拟合车道线进行边缘化处理，获取目标拟合车道线；

车道属性确定模块，用于基于所述目标拟合车道线，确定车道属性信息；

校核模块，用于基于所述车道属性信息，对当前道路下的导航数据进行校核。

进一步的，所述目标散点数据集获取模块包括：

第二散点数据集获取单元，用于基于密度聚类原理，对所述第一散点数据集进行去噪处理，得到第二散点数据集；

目标散点数据集第一获取单元，用于将所述第二散点数据集作为目标散点数据集。

进一步的，所述目标散点数据集获取模块还包括：

第三散点数据集获取单元，用于在获取到第二散点数据集之后，基于多帧连续匹配算法，对所述第二散点数据集进行去噪纠偏处理，得到第三散点数据集，其中，所述第三散点数据集用于表征第二散点数据集中满足预设闪帧次数的散点数据的集合；

目标散点数据集第二获取单元，用于将所述第三散点数据集作为所述目标散点数据集。

进一步的，所述第三散点数据集获取单元具体包括：

帧提取子单元，用于基于所述第二散点数据集，提取所述第二散点数据集的上一帧集合以及提取所述第二散点数据集的当前帧集合；

矩阵获取子单元，用于取所述上一帧集合至所述当前帧集合的旋转矩阵和平移矩阵；

散点集合获取子单元，用于基于所述旋转矩阵和所述平移矩阵，获取当前散点集合；

有效数据确定单元，用于在上一帧集合中的点与当前帧集合中的对应点之间的平均距离小于预设误差，则确定当前帧集合与上一帧集合匹配成功，确定当前帧数据为有效数据；可以理解的是，所谓有效数据即是与上一帧集合匹配成功的当前帧集合中的当前帧数据。

第三散点数据集获取子单元，用于将所述第二散点数据集中的所有有效数据的集合作为第三散点数据集。

进一步的，所述目标散点数据集获取模块还包括：

第一分类单元，用于对所述第三散点数据集进行分类处理，得到多个第一分类结果；

当前道路图像获取单元，用于获取图像设备所拍摄的当前道路图像；

第二分类单元，用于提取所述图像上的数据后对所提取的数据进行分类处理，得到多个第二分类结果；

第四散点数据集获取单元，用于将匹配后的结果进行融合处理，得到表征数据融合结果的第四散点数据集；

目标散点数据集第三获取单元，用于将所述第四散点数据集作为目标散点数据集。

进一步的，所述初始拟合车道线获取模块包括：

初始直道车道线获取单元，用于基于所述目标散点数据集，获取初始直道车道线；

初始弯道车道线获取单元，用于基于所述目标散点数据集，分别获取初始弯道车道线。

进一步的，本发明还提供了一种道路感知设备，设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述的道路感知方法。

进一步的，本发明还提供了一种计算机可读存储介质，存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述的道路感知设备。

本发明中，获取道路感知设备感知的预设感知范围内的第一散点数据集后，对第一散点数据集进行去噪处理，得到目标散点数据集；并基于目标散点数据集，获取初始拟合车道线；对初始拟合车道线进行边缘化处理，获取目标拟合车道线；进一步基于目标拟合车道线，确定车道属性信息；基于车道属性信息，对当前道路下的导航数据进行校核。从而通过去噪处理和拟合车道线的纠偏处理的结合提高了自动驾驶系统的道路感知的准确度，进一步通过导航数据的校核处理，解决了现有技术中的自动驾驶系统中不设置具有航向功能的传感器时，无法获得航向角信息的问题。

值得注意的是，上述装置及终端实施例中，所包括的各个模块和单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各模块和单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，所述模块或者单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。