车道线点云地图构建方法、装置、设备、存储介质及程序

技术领域

本申请属于智能驾驶的感知技术领域，尤其涉及一种车道线点云地图构建方法、装置、设备、存储介质及程序。

背景技术

车道线检测是一种用于为智能驾驶提供车道边界的技术，通过车道线检测可确定车辆当前位置与周围车道的约束关系。现有的车道线检测技术一般是利用图像，以特征提取或者深度学习的方式检测车辆周围的车道线信息，或者利用激光雷达三维点云的反射强度提取车道线点云。

但是传统的基于图像或激光雷达点云的车道线检测方式，都存在检测精度较低的问题，而且基于图像的车道线检测往往依赖于单帧图像的感知范围，而基于激光雷达电源的车道线检测则依赖于单帧点云的感知范围，因此，两者还存在检测范围有限的问题。

发明内容

本申请实施例提供一种车道线点云地图构建方法、装置、设备、存储介质及程序，能够准确的实现车道线检测，并且可以扩大车道线检测范围。

第一方面，本申请实施例提供一种车道线点云地图构建方法，包括：

获取定位信息、激光雷达采集的至少一帧原始点云和图像车道线检测结果，

将定位信息、至少一帧原始点云和图像车道线检测结果进行时间同步，

针对每一帧原始点云，在时间同步完成，且对应的图像车道线检测结果中包含至少一条实际车道线的车道线信息的情况下，根据实际车道线的车道线信息进行车道线预测，得到预测车道线，

针对实际车道线和预测车道线中的每条车道线，对车道线进行离散化处理，得到车道线对应的离散点，

针对每个离散点，为离散点赋予二维预瞄框，

提取原始点云中位于二维预瞄框内的点云，得到第三点云，

根据点云反射强度尖峰特征对第三点云进行点云提取，得到原始点云中的车道线点云，

根据定位信息和至少一帧原始点云中的车道线点云生成对应的车道线点云地图。

作为一种可能的实现方式，提取原始点云中位于二维预瞄框内的点云，得到第三点云之前，方法还包括：

对原始点云进行点云分割，剔除原始点云中对应的位置坐标不符合预设第一坐标条件的点云，得到第一点云，

获取基于原始点云进行三维目标检测得到的三维目标检测结果，

根据三维目标检测结果剔除第一点云中的动态点云，得到第二点云，

提取原始点云中位于二维预瞄框内的点云，得到第三点云，包括：

提取第二点云中位于二维预瞄框内的点云，得到第三点云，

第一坐标条件包括：

x

y

z

式中，x

作为一种可能的实现方式，根据三维目标检测结果剔除第一点云中的动态点云，得到第二点云，包括：

三维目标检测结果包含三维检测框信息，三维检测框信息包括三维检测框对应的中心点三维坐标、姿态信息和尺寸信息，根据中心点三维坐标和姿态信息将第一点云的位置坐标变换到三维检测框的中心点坐标系下，

根据尺寸信息确定第二坐标条件，

将第一点云中，在三维检测框的中心点坐标系下的位置坐标满足第二坐标条件的点云剔除，得到第二点云，

其中，第二坐标条件如下所示：

其中，L

作为一种可能的实现方式，根据实际车道线的车道线信息进行车道线预测，得到预测车道线，包括：

根据车道线信息中包含的实际车道线在车辆后轴中心坐标系下对应的Y轴坐标值预测车道宽度，得到车道宽度预测值，

根据车道宽度预测值以及车道线信息中包含的实际车道线中距离车辆后轴中心最近的第一最近车道线点的位置坐标和实际车道线中距离车辆后轴中心最远的第一最远车道线点的位置坐标，确定预测车道线中距离车辆后轴中心最近的第二最近车道线点的位置坐标和预测车道线中距离车辆后轴中心最远的第二最远车道线点的位置坐标，

将车道线信息中包含的实际车道线的倾角确定为预测车道线的倾角，

将车道线信息中包含的实际车道线的线宽确定为预测车道线的线宽，

根据预测车道线的倾角确定预测车道线的拟合方程，

根据第二最近车道线点的位置坐标、第二最远车道线点的位置坐标、预测车道线的倾角、预测车道线的线宽和预测车道线的拟合方程绘制线，得到预测车道线。

作为一种可能的实现方式，根据车道宽度预测值以及车道线信息中包含的实际车道线中距离车辆后轴中心最近的第一最近车道线点的位置坐标和实际车道线中距离车辆后轴中心最远的第一最远车道线点的位置坐标，确定预测车道线中距离车辆后轴中心最近的第二最近车道线点的位置坐标和预测车道线中距离车辆后轴中心最远的第二最远车道线点的位置坐标，包括：

将第一最近车道线点的X轴坐标值，确定为第二最近车道线点的X轴坐标值，

根据第一最近车道线点的Y轴坐标值和车道宽度预测值，确定预测车道线中距离车辆后轴中心最近的第二最近车道线点的Y轴坐标值，

将第一最远车道线点的X轴坐标值，确定为第二最远车道线点的X轴坐标值，

根据第一最远车道线点的Y轴坐标值和车道宽度预测值，确定预测车道线中距离车辆后轴中心最近的第二最远车道线点的Y轴坐标值。

作为一种可能的实现方式，对车道线进行离散化处理，得到车道线对应的离散点，包括：

获取预设的第一比例值，

根据第一比例值、车道线中距离车辆后轴中心最近的车道线点的X轴坐标值和车道线中距离车辆后轴中心最远的车道线点的X轴坐标值，按照预设的离散范围计算公式计算车道线对应的离散点的X轴坐标上限值，

将车道线中距离车辆后轴中心最近的车道线点的X轴坐标值作为车道线对应的离散点的X轴坐标下限值，

将X轴坐标上限值和X轴坐标下限值组成的区间，作为车道线对应的离散点的X轴坐标值范围，

根据预设的离散步长和车道线的拟合方程，对车道线中位于X轴坐标值范围内的线进行离散处理，得到车道线对应的离散点，

离散范围计算公式如下所示：

式中，

作为一种可能的实现方式，为离散点赋予二维预瞄框，包括：

将离散点的位置坐标作为其对应的二维预瞄框的中心坐标，

将离散步长作为二维预瞄框的长度，

将预设的车道宽度膨胀系数与离散点所属的车道线的线宽的乘积作为二维预瞄框的宽度，

根据离散点所属的车道线的倾角生成二维预瞄框的旋转矩阵，

为离散点赋予与中心坐标、二维预瞄框的长度、二维预瞄框的宽度和二维预瞄框的旋转矩阵对应的二维预瞄框。

作为一种可能的实现方式，根据二维预瞄框对第二点云进行点云提取，得到第三点云，包括：

针对第二点云中的每个点，根据二维预瞄框的中心坐标和旋转矩阵，将点的位置坐标变换到二维预瞄框的中心坐标系下，

根据二维预瞄框的长度和宽度确定第三坐标条件，

提取第二点云中，变换后的位置坐标符合第三坐标条件的点，

将提取到的点组成的点云作为第三点云，

第三坐标条件包括：

式中，L

作为一种可能的实现方式，根据点云反射强度尖峰特征对第三点云进行点云提取，得到原始点云中的车道线点云，包括：

针对第三点云中的每个点，确定点的俯仰角、水平方位角和反射强度表征值，

根据点的俯仰角，将第三点云划分为多个点云簇，其中，同一点云簇中的任意两个点的俯仰角之差小于预设的差值阈值，

针对每个点云簇，将点云簇中包含的点按照水平方位角从小到大的顺序进行排列，

根据点云簇中每个点的反射强度表征值，确定点云簇中相匹配的上升沿和下降沿，上升沿由多个反射强度表征值呈持续上升趋势的点组成，下降沿由多个反射强度表征值呈持续下降趋势的点组成，

在相匹配的上升沿和下降沿符合预设的车道线条件的情况下，从相匹配的上升沿和下降沿中提取符合预设提取条件的点作为车道线点，

将从点云簇中提取的车道线点组成的点云作为原始点云中的车道线点云，

其中，车道线条件包括：

上升沿终点的Y轴坐标值与下降沿的终点Y轴坐标值的差值小于预设的车道线宽度阈值，且下降沿起点和下降沿终点的反射强度表征值的差值大于预设的车道线反射强度差阈值，

提取条件包括：

反射强度表征值最高，且高度值小于预设的高度阈值。

作为一种可能的实现方式，确定点的反射强度表征值包括：

确定第三点云中的点按照水平方位角从小到大的顺序进行排列后，位于点的邻域范围内的点，

计算点和邻域范围内的点的反射强度均值，

将反射强度均值确定为点的反射强度表征值。

第二方面，本申请实施例还提供了一种车道线点云地图构建装置，包括：

获取模块，用于获取定位信息、激光雷达采集的至少一帧原始点云和图像车道线检测结果，

同步模块，用于将定位信息、至少一帧原始点云和图像车道线检测结果进行时间同步，

车道线预测模块，用于针对每一帧原始点云，在时间同步完成，且对应的图像车道线检测结果中包含至少一条实际车道线的车道线信息的情况下，根据实际车道线的车道线信息进行车道线预测，得到预测车道线，

离散模块，用于针对实际车道线和预测车道线中的每条车道线，对车道线进行离散化处理，得到车道线对应的离散点，

预瞄框确定模块，用于针对每个离散点，为离散点赋予二维预瞄框，

粗提取模块，用于提取原始点云中位于二维预瞄框内的点云，得到第三点云，

精提取模块，用于根据点云反射强度尖峰特征对第三点云进行点云提取，得到原始点云中的车道线点云，

地图生成模块，用于根据定位信息和至少一帧原始点云中的车道线点云生成对应的车道线点云地图。

第三方面，本申请实施例还提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器，

处理器执行计算机程序指令时实现如第一方面的车道线点云地图构建方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面的车道线点云地图构建方法。

第五方面，本申请实施例还提供了一种计算机程序产品，其特征在于，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面的车道线点云地图构建方法。

本申请实施例的车道线点云地图构建方法、装置、设备、存储介质及程序，获取定位信息、至少一帧原始点云和图像车道线检测结果，对获取的信息进行时间同步后，在确定原始点云对应的图像车道线检测结果中包含的实际车道线的车道线信息的情况下，根据车道线信息进行车道线预测，得到预测车道线，对实际车道线和预测车道线进行离散，得到离散点，并生成离散点对应的二维预瞄框，基于二维预瞄框对原始点云进行粗提取，得到第三点云，基于点云反射强度尖峰特征对第三点云进行精提取，得到原始点云中的车道线点云，根据至少一帧原始点云的车道线点云和定位信息生成车道线点云地图。根据本实施，通过车道线预测扩大了车道线检测范围，通过粗提取和精提取的结合提高了检测到的车道线点云的准确性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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是本申请实施例提供的一种车道线点云地图构建方法的流程示意图，

图2是本申请实施例提供的车道线示意图，

图3是本申请另一个实施例提供的一种车道线点云地图构建方法的示意图，

图4是本申请实施例提供的车道线点云地图构建装置的结构示意图，

图5是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

传统的基于图像的车道线检测方式，只能检测二维车道线，车道线的三维信息则极其依赖摄像头逆透视变换标定的精度，而且通常也无法获取准确的高程信息，导致检测精度较差的问题。而传统的利用激光雷达进行车道线检测的方式，往往检测到的车道线点云中会存在大量非车道线噪点，使得检测精度也较低。而且，如前所述，传统的基于图像或激光雷达点云的车道线检测方式还存在检测范围有限的问题。

鉴于此，为了解决现有技术存在的问题，本申请实施例提供了一种车道线点云地图构建方法、装置、设备、存储介质及程序。

下面首先对本申请实施例提供的车道线点云地图构建方法进行说明。

参见图1，为本申请实施例提供的一种车道线点云地图构建方法的流程示意图，如图1所示，该方法可以包括如下步骤S11-S18。

S11.获取定位信息、激光雷达采集的至少一帧原始点云和图像车道线检测结果。

本申请实施例可以用在车辆中，用于生成车辆周围的车道线点云地图。

其中，定位信息可以为由车载定位系统获取的车辆的定位信息，在获取定位信息的同时，可以利用车载激光雷达采集周围的点云，将采集到的点云作为原始点云，并通过图像采集设备采集车辆周围的图像，对采集到的图像进行车道线检测，得到图像车道线检测结果。其中，在图像中包含车道线(下称实际车道线)的情况下，图像车道线检测结果中会包含实际车道线的车道线信息。

其中，对图像进行车道线检测可以采用任意的，成熟的基于图像的车道线检测技术，对此不作具备限定。

S12.将定位信息、至少一帧原始点云和图像车道线检测结果进行时间同步。

在进行时间同步时，可以以原始点云的时间戳为基准，根据基准时间戳匹配相应的图像车道线检测结果和定位信息。其中原始点云、定位信息和图像车道线检测结果对应的时间戳由上位机统一赋予。

S13.针对每一帧原始点云，在时间同步完成，且对应的图像车道线检测结果中包含至少一条实际车道线的车道线信息的情况下，根据实际车道线的车道线信息进行车道线预测，得到预测车道线。

其中与原始点云对应的图像车道线检测结果即为与该原始点云时间同步的图像车道线检测结果。

根据前述内容可知，现有的车道线检测方法存在检测范围有限的问题，为了解决这一问题，本申请实施例，根据实际车道线进行车道线预测，进而扩大车道线检测范围。

因为本申请实施例基于实际车道线的车道线信息来实现车道线预测，所以在进行车道线预测之前，先确定图像车道线检测结果中是否包含实际车道线的车道线信息，在确定包含至少一条实际车道线的车道线信息的情况下，再进行车道线预测，从而得到预测车道线。

而在确定图像车道线检测结果中不包含实际车道线的车道线信息的情况下，不进行车道线预测。

S14.针对实际车道线和预测车道线中的每条车道线，对车道线进行离散化处理，得到车道线对应的离散点。

S15.针对每个离散点，为离散点赋予二维预瞄框。

S16.提取原始点云中位于二维预瞄框内的点云，得到第三点云。

在步骤S14-S16中，离散点是通过对车道线进行离散化处理得到的点，二维预瞄框又是基于离散点得到的，所以可以确定二维预瞄框所圈定的范围包括局部车道线和/或车道线周围的部分区域，因此进一步可以确定位于二维预瞄框内的点云与车道线存在关联，二维预瞄框内的点云可能是车道线上的点云，也可能是车道线周围的点云，而位于二维预瞄框外的点云，则可以确定与车道线存在较大偏差，因此通过提取原始点云中位于二维预瞄框内的点云，可以剔除掉与车道线存在较大偏差的点云，进而得到与车道线存在关联的第三点云。

但是通过此种方式往往只能实现对车道线点云的粗提取，因为得到的第三点云中可能存在一些车道线周围的点云，因此为了进一步提高最终得到的车道线点云的准确性，继续执行S17。

S17.根据点云反射强度尖峰特征对第三点云进行点云提取，得到原始点云中的车道线点云。

道路中车道线的颜色通常与道路中其他物体(例如普通路面、路基等)的颜色存在区别，车道线的颜色通常比其他物体颜色浅，因此车道线点云的反射强度通常比道路中的其他物体点云的反射强度更强。基于此，本申请实施例根据点云的发射强度对车道线点云进行更精细的提取。

在道路中车道线的颜色最浅，因此车道线点云的反射强度最高，因此，可以提取第三点云的反射强度尖峰特征，进而根据点云反射强度尖峰特征准确的识别出车道线点云。

S18.根据定位信息和至少一帧原始点云中的车道线点云生成对应的车道线点云地图。

通过上述方式可以准确的提取出每一帧原始点云中包含的车道线点云，根据步骤S12同步后的定位信息，可以将至少一帧原始点云包含的所有的车道线点云变换到统一坐标系下，以生成车道线点云地图。

本申请实施例提供的车道线点云地图构建方法，获取定位信息、至少一帧原始点云和图像车道线检测结果，对获取的信息进行时间同步后，在确定原始点云对应的图像车道线检测结果中包含的实际车道线的车道线信息的情况下，根据车道线信息进行车道线预测，得到预测车道线，对实际车道线和预测车道线进行离散，得到离散点，并生成离散点对应的二维预瞄框，基于二维预瞄框对原始点云进行粗提取，得到第三点云，基于点云反射强度尖峰特征对第三点云进行精提取，得到原始点云中的车道线点云，根据至少一帧原始点云的车道线点云和定位信息生成车道线点云地图。根据本实施，通过车道线预测扩大了车道线检测范围，通过粗提取和精提取的结合提高了检测到的车道线点云的准确性。

在一些实施例中，考虑到原始点云为三维点云，除了路面点云之外还包含一些其他点云，而车道线点云的检测，通常只需要用到路面点云，无需用到全部点云。鉴于此，为了减少数据处理量，在执行S16之前，可以先执行如下步骤：

对原始点云进行点云分割，剔除原始点云中对应的位置坐标不符合预设第一坐标条件的点云，得到第一点云，

获取基于原始点云进行三维目标检测得到的三维目标检测结果，

根据三维目标检测结果剔除第一点云中的动态点云，得到第二点云。

其中，第一坐标条件包括：

x

y

z

式中，x

上述公式中，x

在得到第一点云之后，考虑到其中可能会包含一些车辆、行人等三维目标，而这些三维目标对应的点云也会对车道线点云检测造成干扰。鉴于此，进一步对第一点云中三维目标对应的动态点云进行剔除，从而得到第二点云。

其中，三维目标对应的点云可以根据对原始点云进行三维目标检测得到三维目标检测结果来确定。

三维目标检测结果包含至少一个三维检测框对应的信息，其中三维检测框对应的信息包含三维检测框的中心点三维坐标t

t

针对点云变换，上位机的雷达标定算法可给出用于车辆后轴中心坐标系和激光雷达中心坐标系的位姿变换关系，变换关系如下所示：

式中，R表示相对姿态，t表示相对位置，(x,y,z)表示点在激光雷达中心坐标系下的位置坐标，(x

将第一点云里的每个点的位置坐标，从激光雷达中心坐标下变换至车辆后轴中心坐标系下后，即可根据三维目标检测结果剔除第一点云中的动态点云，得到第二点云。

在根据三维目标检测结果剔除第一点云中的动态点云，得到第二点云时，可以执行如下步骤：

根据三维检测框的中心点三维坐标和姿态信息将第一点云的位置坐标从车辆后轴中心坐标系变换到三维检测框的中心点坐标系下，

根据三维检测框的尺寸信息确定第二坐标条件，

将第一点云中，在三维检测框的中心点坐标系下的位置坐标满足第二坐标条件的点云剔除，得到第二点云。

在根据中心点三维坐标和姿态信息将第一点云的位置坐标从车辆后轴中心坐标系变换到三维检测框的中心点坐标系下时，可以基于如下变换方式进行变换：

式中，

第二坐标条件如下所示：

其中，L

如果点变换后的位置坐标满足上述第二坐标条件，则认为该点为动态点云，从而将该点从第一点云中剔除，否则在第一点云中保留该点。

如果一帧点云里可以检测到多个三维检测框，则分别基于每个三维检测框进行动态点云剔除，以剔除每个三维检测框里的动态点云。通常可与基于GPU的多线程实现针对多个三维检测框的动态点云剔除。

需求强调地，动态点云剔除后，会采用车辆后轴中心坐标系来表达第二点云里每个点的三维坐标。

基于上述处理，在S16中，可以直接提取第二点云中位于二维预瞄框内的点云即可得到第三点云。相比于直接从原始点云中提取第三点云，降低了数据处理量。

在一些实施例中，由于基于图像检测确定车道线时的视野范围有限，并且图像车道线检测算法存在漏检等现象，因此一帧图像的车道线检测条数较少。为了增强图像车道线覆盖范围，可以根据最靠近车辆的左右两根车道线作横向预测，从而得到预测车道线。

图像车道线检测结果中包含的实际车道线的车道线信息可以包括如下信息：

实际车道线中距离车辆后轴中心最近的车道线点(下称第一最近车道线点)的位置坐标，

实际车道线中距离车辆后轴中心最远的车道线点(下称第一最远车道线点)的位置坐标，

实际车道线的多次项拟合方程，范式为

实际车道线的倾角，车道线方程与车辆后轴中心坐标系中Y轴必然存在交点，求解车道线方程里该交点的切线方程，该切线与车辆后轴中心坐标系中X轴的夹角即为倾角，

实际车道线的线宽，也即实际车道线的物理宽度值。

基于上述实际车道线的车道线信息，在S13中进行车道线预测时，可以执行如下步骤：

根据实际车道线的车道线信息中包含的实际车道线在车辆后轴中心坐标系下对应的Y轴坐标值预测车道宽度，得到车道宽度预测值，

根据车道宽度预测值以及车道线信息中包含的实际车道线中距离车辆后轴中心最近的第一最近车道线点的位置坐标和实际车道线中距离车辆后轴中心最远的第一最远车道线点的位置坐标，确定预测车道线中距离车辆后轴中心最近的第二最近车道线点的位置坐标和预测车道线中距离车辆后轴中心最远的第二最远车道线点的位置坐标，

将车道线信息中包含的实际车道线的倾角确定为预测车道线的倾角，

将车道线信息中包含的实际车道线的线宽确定为预测车道线的线宽，

根据预测车道线的倾角确定预测车道线的拟合方程，

根据第二最近车道线点的位置坐标、第二最远车道线点的位置坐标、预测车道线的倾角、预测车道线的线宽和预测车道线的拟合方程绘制线，得到预测车道线。

其中，在根据车道宽度预测值以及车道线信息中包含的实际车道线中距离车辆后轴中心最近的第一最近车道线点的位置坐标和实际车道线中距离车辆后轴中心最远的第一最远车道线点的位置坐标，确定预测车道线中距离车辆后轴中心最近的第二最近车道线点的位置坐标和预测车道线中距离车辆后轴中心最远的第二最远车道线点的位置坐标时，可以执行如下步骤：

将第一最近车道线点的X轴坐标值，确定为第二最近车道线点的X轴坐标值，

根据第一最近车道线点的Y轴坐标值和车道宽度预测值，确定预测车道线中距离车辆后轴中心最近的第二最近车道线点的Y轴坐标值，

将第一最远车道线点的X轴坐标值，确定为第二最远车道线点的X轴坐标值，

根据第一最远车道线点的Y轴坐标值和车道宽度预测值，确定预测车道线中距离车辆后轴中心最近的第二最远车道线点的Y轴坐标值。

下面结合一个例子，对车道线预测过程进行说明。

参见图2，为本申请实施例提供的车道线示意图，其中x向为车辆纵向前进方向，也即车辆后轴中心坐标系的X轴方向，y向为车辆横向左侧方向，也即车辆后轴中心坐标系的Y轴方向。车道线-1和车道线1为通过图像检测确定出的两条最靠近车辆的车道线。在进行车道线预测时可以基于车道线-1预测位于该车道线左侧的车道线，基于车道线1预测位于该车道线右侧的车道线。以车道线-1和车道线1为实际车道线为例，可以基于车道线-1预测车道线-2、-3等等，可以基于车道线1预测车道线2、3等，具体预测几条车道线可以根据实际情况确定。其中-3、-2、-1、1、2、3表示车道线ID。

以ID＝-1为实际车道线为例，在基于该实际车道线预测ID＝i，(i<-1)的车道线进行预测时，预测过程如下：

通常，车道宽度预测值可以按照下式计算：

式中，w

基于上述内容，如果靠近车辆两侧只检测到左侧车道线-1，则车道宽度预测值可以按照下式计算：

如果靠近车辆两侧只检测到右侧车道线1，则车道宽度预测值可以按照下式计算：

针对预测车道线i中距离车轴中心最近的点(下称第二最近车道线点)的坐标可以根据下式确定：

式中，

针对预测车道线i中距离车轴中心最远的点(下称第二最远车道线点)的坐标可以根据下式确定：

/>

式中，

针对预测车道线i对应的倾角，根据下式确定：

θ

式中，θ

针对预测车道线i的拟合方程，预测车道线的方程视为一阶拟合，即

针对预测车道线i的线宽，根据下式确定：

width

式中，width

在基于ID＝1的实际车道线对ID＝i，(i>1)的车道线进行预测时，预测过程和前述一致，此处不再过多赘述。

如果基于图像检测，只检测出了最靠近车辆一侧的车道线，则可以利用该车道线预测另一侧靠近车辆的车道线，比如只检测出了ID＝-1的车道线，则可以利用ID＝-1的车道线预测ID＝1的车道线，反之同理。如果靠近车辆两侧均未检测到车道线，则不进行车道线预测。

在得到预测车道线后，即可执行步骤S14。

在一些实施例中，针对每条车道线，考虑到车道线中远端的点的检测精度较低，所以为了提升最终得到的车道线点云的精度，在对该车道线进行离散化处理时，可以执行如下步骤：

获取预设的第一比例值，

根据第一比例值、车道线中距离车辆后轴中心最近的车道线点的X轴坐标值和车道线中距离车辆后轴中心最远的车道线点的X轴坐标值，按照预设的离散范围计算公式计算车道线对应的离散点的X轴坐标上限值，

将车道线中距离车辆后轴中心最近的车道线点的X轴坐标值作为车道线对应的离散点的X轴坐标下限值，

将X轴坐标上限值和X轴坐标下限值组成的区间，作为车道线对应的离散点的X轴坐标值范围，

根据预设的离散步长和车道线的拟合方程，对车道线中位于X轴坐标值范围内的线进行离散处理，得到车道线对应的离散点，

离散范围计算公式如下所示：

式中，

其中，第一比例值为根据实际情况设置的优秀比例，该比例值的取值范围为0-1，基于该比例确定车道线对应的离散点的X轴坐标值范围，可以减少由于车道线远端点的检测精度较低，导致的精度低的问题。

其中，每个离散点的Z轴坐标值可以设为0。

车道宽度膨胀系数Φ可以根据实际情况设置，其取值可以大于1，二维预瞄框的高可以设为无穷大，根据车道线的倾角生成的二维预瞄框的旋转矩阵如下所示：

在为所有离散点赋予对应的二维预瞄框之后，即可根据二维预瞄框对原始点云或第二点云进行粗提取。

在一些实施例中，在根据二维预瞄框对第二点云进行粗提取得到第三点云时，可以执行如下步骤：

针对第二点云中的每个点，根据二维预瞄框的中心坐标和旋转矩阵，将点的位置坐标变换到二维预瞄框的中心坐标系下，

根据二维预瞄框的长度和宽度确定第三坐标条件，

提取第二点云中，变换后的位置坐标符合第三坐标条件的点，

将提取到的点组成的点云作为第三点云，

第三坐标条件包括：

式中，L

其中，根据二维预瞄框的中心坐标和旋转矩阵，将点的位置坐标变换到二维预瞄框的中心坐标系下，可以包括按照如下变换关系进行变换：

式中，

根据第三坐标条件进行点云提取，可以保证提取到的点云位于二维预瞄框内。

在基于二维预瞄框完成粗提取，得到第三点云之后，基于对第三点云进行精提取。

在一些实施例中，S17在根据点云反射强度尖峰特征对第三点云进行点云提取时，可以先将第三点云以俯仰角聚类，然后将每簇点云按照水平方位角从小到大排列，最后根据反射强度特征提取真实的车道线点云。

可以包括如下步骤：

针对第三点云中的每个点，确定点的俯仰角、水平方位角和反射强度表征值，

根据点的俯仰角，将第三点云划分为多个点云簇，其中，同一点云簇中的任意两个点的俯仰角之差小于预设的差值阈值，

针对每个点云簇，将点云簇中包含的点按照水平方位角从小到大的顺序进行排列，

根据点云簇中每个点的反射强度表征值，确定点云簇中相匹配的上升沿和下降沿，上升沿由多个反射强度表征值呈持续上升趋势的点组成，下降沿由多个反射强度表征值呈持续下降趋势的点组成，

在相匹配的上升沿和下降沿符合预设的车道线条件的情况下，从相匹配的上升沿和下降沿中提取符合预设提取条件的点作为车道线点，

将从点云簇中提取的车道线点组成的点云作为车道线点云。

其中，车道线条件包括：

上升沿终点的Y轴坐标值与下降沿的终点Y轴坐标值的差值小于预设的车道线宽度阈值，且下降沿起点和下降沿终点的反射强度表征值的差值大于预设的车道线反射强度差阈值。

提取条件包括：

反射强度表征值最高，且高度值小于预设的高度阈值。

其中，每个点的俯仰角β均可以根据如下公式计算：

每个点的水平方位角α均可以根据如下公式计算：

由于单点的反射强度值存在一定不稳定性，因此针对每个点，可以将该点邻域范围内点的反射强度均值表征该点的反射强度，也即将反射强度均值作为该点的反射强度表征值。

针对每个点云簇，在根据该点云簇中每个点的反射强度表征值，确定该点云簇中相匹配的上升沿和下降沿时，可以执行如下步骤：

针对每一点云簇，如果存在连续M1个点的反射强度均值持续上升或者持续下降，则将这M1个点的起止索引记录下来，并标记为上升沿或者下降沿，其中M1的值可以根据实际情况设置，

遍历每一点云簇的上升沿和下降沿，如果满足以下条件，则认为一个上升沿和一个下降沿相匹配：

以水平方位角从小到大顺序排列，先产生上升沿，再产生下降沿上升沿和下降沿必须相邻产生。

通过上述方式，可以提取到点云簇中符合反射强度尖峰特征的点，进而将提取到的点确定为车道线点。

遍历所有点云簇，直到提取出所有符合反射强度尖峰特征的点，将提取出的所有点组成车道线点云。

在一些实施例中，针对每个点，可以采用如下方式确定该点的反射强度表征值：

确定第三点云中的点按照水平方位角从小到大的顺序进行排列后，位于该点的邻域范围内的点，

计算点和邻域范围内的点的反射强度均值，

将反射强度均值确定为点的反射强度表征值。

其中，位于该店邻域范围内的点可以是该点前后各找的N1个点，其中N1的值可以根据实际情况设置。

利用领域范围内点的反射强度均值表征点的反射强度，可以消除由于单点的反射强度值存在不稳定性所产生的不良影响。本申请实施例提出一种车道线点云地图构建方法，基于图像车道线和点云反射强度进行车道线点云地图构建，相比于单一的图像或激光雷达的车道线检测方法，检测精度大大提高，并包含准确的高程信息(也即Z轴信息)，进一步地，通过图像车道线预测的方法，避免了图像视野相对狭隘的问题，在保证检测精度基础上扩展了横向检测范围。

同时，本实施例提供的车道线点云地图构建方法，检测范围由单帧扩展为多帧地图的概念，极大地增加了车道线的检测范围。可很好地服务于智能驾驶的路径规划和控制、高精地图制作等任务中。

参见图3，为本申请提供的车道线点云地图构建方法的一种最优实施例的流程示意图，其中主要包括：

将原始点云、三维目标检测结果、图像车道线检测结果和定位信息作时间同步后，将原始点云作点云分割和点云变换，并结合三维目标检测结果剔除动态点云，然后利用图像车道线检测结果进行车道线预测，根据预测结果粗提取车道线点云，再利用反射强度尖峰特征精提取车道线点云，最后根据定位信息将多帧车道线点云构建成车道线点云地图。

基于上述实施例提供的车道线点云地图构建方法，相应地，本申请还提供了车道线点云地图构建装置的具体实现方式。请参见以下实施例。

参见图4，本申请实施例提供的车道线点云地图构建装置包括以下模块：

获取模块401，用于获取定位信息、激光雷达采集的至少一帧原始点云和图像车道线检测结果，

同步模块402，用于将定位信息、至少一帧原始点云和图像车道线检测结果进行时间同步，

车道线预测模块403，用于针对每一帧原始点云，在时间同步完成，且对应的图像车道线检测结果中包含至少一条实际车道线的车道线信息的情况下，根据实际车道线的车道线信息进行车道线预测，得到预测车道线，

离散模块404，用于针对实际车道线和预测车道线中的每条车道线，对车道线进行离散化处理，得到车道线对应的离散点，

预瞄框确定模块405，用于针对每个离散点，为离散点赋予二维预瞄框，

粗提取模块406，用于提取原始点云中位于二维预瞄框内的点云，得到第三点云，

精提取模块407，用于根据点云反射强度尖峰特征对第三点云进行点云提取，得到原始点云中的车道线点云，

地图生成模块408，用于根据定位信息和至少一帧原始点云中的车道线点云生成对应的车道线点云地图。

本申请实施例的车道线点云地图构建装置，获取定位信息、至少一帧原始点云和图像车道线检测结果，对获取的信息进行时间同步后，在确定原始点云对应的图像车道线检测结果中包含的实际车道线的车道线信息的情况下，根据车道线信息进行车道线预测，得到预测车道线，对实际车道线和预测车道线进行离散，得到离散点，并生成离散点对应的二维预瞄框，基于二维预瞄框对原始点云进行粗提取，得到第三点云，基于点云反射强度尖峰特征对第三点云进行精提取，得到原始点云中的车道线点云，根据至少一帧原始点云的车道线点云和定位信息生成车道线点云地图。根据本实施，通过车道线预测扩大了车道线检测范围，通过粗提取和精提取的结合提高了检测到的车道线点云的准确性。

在一些实施例中，装置还可以包括：点云处理模块，可以包括：

点云分割子模块，用于提取原始点云中位于二维预瞄框内的点云，得到第三点云之前，对原始点云进行点云分割，剔除原始点云中对应的位置坐标不符合预设第一坐标条件的点云，得到第一点云，

三维检测结果获取子模块，用于获取基于原始点云进行三维目标检测得到的三维目标检测结果，

动态点云剔除子模块，用于根据三维目标检测结果剔除第一点云中的动态点云，得到第二点云，

第一坐标条件包括：

x

y

z

式中，x

粗提取模块406，可以用于：

提取第二点云中位于二维预瞄框内的点云，得到第三点云。

在一些实施例中，动态点云剔除子模块，用于：

三维目标检测结果包含三维检测框信息，三维检测框信息包括三维检测框对应的中心点三维坐标、姿态信息和尺寸信息，根据中心点三维坐标和姿态信息将第一点云的位置坐标变换到三维检测框的中心点坐标系下，

根据尺寸信息确定第二坐标条件，

将第一点云中，在三维检测框的中心点坐标系下的位置坐标满足第二坐标条件的点云剔除，得到第二点云，

其中，第二坐标条件如下所示：

其中，L

在一些实施例中，车道线预测模块403，可以包括：

车道宽度预测子模块，用于根据车道线信息中包含的实际车道线在车辆后轴中心坐标系下对应的Y轴坐标值预测车道宽度，得到车道宽度预测值，

车道线端点预测子模块，用于根据车道宽度预测值以及车道线信息中包含的实际车道线中距离车辆后轴中心最近的第一最近车道线点的位置坐标和实际车道线中距离车辆后轴中心最远的第一最远车道线点的位置坐标，确定预测车道线中距离车辆后轴中心最近的第二最近车道线点的位置坐标和预测车道线中距离车辆后轴中心最远的第二最远车道线点的位置坐标，

车道线倾角预测子模块，用于将车道线信息中包含的实际车道线的倾角确定为预测车道线的倾角，

车道线线宽预测子模块，用于将车道线信息中包含的实际车道线的线宽确定为预测车道线的线宽，

拟合方程预测子模块，用于根据预测车道线的倾角确定预测车道线的拟合方程，

预测车道线绘制子模块，用于根据第二最近车道线点的位置坐标、第二最远车道线点的位置坐标、预测车道线的倾角、预测车道线的线宽和预测车道线的拟合方程绘制线，得到预测车道线。

在一些实施例中，车道线端点预测子模块，可以用于：

将第一最近车道线点的X轴坐标值，确定为第二最近车道线点的X轴坐标值，

根据第一最近车道线点的Y轴坐标值和车道宽度预测值，确定预测车道线中距离车辆后轴中心最近的第二最近车道线点的Y轴坐标值，

将第一最远车道线点的X轴坐标值，确定为第二最远车道线点的X轴坐标值，

根据第一最远车道线点的Y轴坐标值和车道宽度预测值，确定预测车道线中距离车辆后轴中心最近的第二最远车道线点的Y轴坐标值。

在一些实施例中，离散模块404，可以用于：

获取预设的第一比例值，

根据第一比例值、车道线中距离车辆后轴中心最近的车道线点的X轴坐标值和车道线中距离车辆后轴中心最远的车道线点的X轴坐标值，按照预设的离散范围计算公式计算车道线对应的离散点的X轴坐标上限值，

将车道线中距离车辆后轴中心最近的车道线点的X轴坐标值作为车道线对应的离散点的X轴坐标下限值，

将X轴坐标上限值和X轴坐标下限值组成的区间，作为车道线对应的离散点的X轴坐标值范围，

根据预设的离散步长和车道线的拟合方程，对车道线中位于X轴坐标值范围内的线进行离散处理，得到车道线对应的离散点，

离散范围计算公式如下所示：

式中，

在一些实施例中，预瞄框确定模块405，可以用于：

将离散点的位置坐标作为其对应的二维预瞄框的中心坐标，

将离散步长作为二维预瞄框的长度，

将预设的车道宽度膨胀系数与离散点所属的车道线的线宽的乘积作为二维预瞄框的宽度，

根据离散点所属的车道线的倾角生成二维预瞄框的旋转矩阵，

为离散点赋予与中心坐标、二维预瞄框的长度、二维预瞄框的宽度和二维预瞄框的旋转矩阵对应的二维预瞄框。

在一些实施例中，粗提取模块406，可以用于：

针对第二点云中的每个点，根据二维预瞄框的中心坐标和旋转矩阵，将点的位置坐标变换到二维预瞄框的中心坐标系下，

根据二维预瞄框的长度和宽度确定第三坐标条件，

提取第二点云中，变换后的位置坐标符合第三坐标条件的点，

将提取到的点组成的点云作为第三点云，

第三坐标条件包括：

式中，L

在一些实施例中，精提取模块407，可以包括：

点信息确定子模块，用于针对第三点云中的每个点，确定点的俯仰角、水平方位角和反射强度表征值，

点云划分子模块，用于根据点的俯仰角，将第三点云划分为多个点云簇，其中，同一点云簇中的任意两个点的俯仰角之差小于预设的差值阈值，

排序子模块，用于针对每个点云簇，将点云簇中包含的点按照水平方位角从小到大的顺序进行排列，

边沿检测子模块，用于根据点云簇中每个点的反射强度表征值，确定点云簇中相匹配的上升沿和下降沿，上升沿由多个反射强度表征值呈持续上升趋势的点组成，下降沿由多个反射强度表征值呈持续下降趋势的点组成，

车道线点提取子模块，用于在相匹配的上升沿和下降沿符合预设的车道线条件的情况下，从相匹配的上升沿和下降沿中提取符合预设提取条件的点作为车道线点，

车道线点云确定子模块，用于将从点云簇中提取的车道线点组成的点云作为原始点云中的车道线点云，

其中，车道线条件包括：

上升沿终点的Y轴坐标值与下降沿的终点Y轴坐标值的差值小于预设的车道线宽度阈值，且下降沿起点和下降沿终点的反射强度表征值的差值大于预设的车道线反射强度差阈值，

提取条件包括：

反射强度表征值最高，且高度值小于预设的高度阈值。

在一些实施例中，点信息确定子模块，可以用于：

确定第三点云中的点按照水平方位角从小到大的顺序进行排列后，位于点的邻域范围内的点，

计算点和邻域范围内的点的反射强度均值，

将反射强度均值确定为点的反射强度表征值。

本申请实施例提供的车道线点云地图构建装置能够上述方法实施例实现的各个过程，为避免重复，这里不再赘述。

图5示出了本申请实施例提供的电子设备的硬件结构示意图。

电子设备可以包括处理器501以及存储有计算机程序指令的存储器502。

具体地，上述处理器501可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器502可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器502可在综合网关容灾设备的内部或外部。在特定实施例中，存储器502是非易失性固态存储器。

存储器502可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器502包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可执行上述实施例中的任意一种车道线点云地图构建方法所描述的操作。

处理器501通过读取并执行存储器502中存储的计算机程序指令，以实现上述实施例中的任意一种车道线点云地图构建方法。

在一个示例中，电子设备还可包括通信接口503和总线510。其中，如图5所示，处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。

通信接口503，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线510包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线510可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

另外，结合上述实施例中的车道线点云地图构建方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述实施例中的任意一种车道线点云地图构建方法。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块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。应理解，本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。