车道线图的构建方法、装置、电子设备及可读存储介质与流程

技术特征：
1.一种车道线图的构建方法，其特征在于，包括：获取相机视频数据和rtk数据，并根据所述rtk数据对所述相机视频数据进行匹配处理，得到多帧建图图像数据；其中，所述相机视频数据为车载单目相机拍摄得到；基于深度学习模型，识别各帧建图图像数据中的车道线信息，所述车道线信息包括车道线预测位置；将所述车道线预测位置转换到世界坐标系，得到车道线实际位置；融合所述车道线实际位置和历史车道线信息，得到所述车道线图。2.根据权利要求1所述的方法，其特征在于，在所述将所述车道线预测位置转换到世界坐标系，得到车道线实际位置的步骤之前，所述方法还包括：确定至少一帧部分未识别帧，其中，所述部分未识别帧为所述建图图像数据中的车道线预测位置包含未识别点，且所述未识别点的数量小于预设阈值的图像；根据车道线约束条件，对各所述部分未识别帧中的多个未识别点进行补全处理。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：确定至少一帧未识别帧，其中，所述未识别帧为所述建图图像数据中的车道线预测位置包含未识别点，且所述未识别点的数量大于等于预设阈值的图像；接收所述未识别帧的车道线补全参数，确定所述未识别帧的补全车道线信息；所述融合所述车道线实际位置和历史车道线信息，得到所述车道线图，包括：融合所述车道线实际位置、所述历史车道线信息和所述补全车道线信息，得到所述车道线图。4.根据权利要求1所述的方法，其特征在于，所述获取相机视频数据和rtk数据，并根据所述rtk数据对所述相机视频数据进行匹配处理，得到多帧建图图像数据，包括：对齐所述相机视频数据与所述rtk数据的时间戳；按照时间戳以及所述rtk数据的位置信息，将所述相机视频数据中的各帧与所述rtk数据的各帧一一对应；对于一个时刻，选取所述相机数据中该时刻对应的一帧，作为该时刻的建图图像数据。5.根据权利要求1所述的方法，其特征在于，所述深度学习模型为mmclassification训练分类模型；所述基于深度学习模型，识别所述建图图像数据中的车道线信息，包括：将所述建图图像数据输入所述深度学习模型中进行识别，得到车道线信息，其中，所述mmclassification训练分类模型包括依次连接的backbone网络、颈部网络和classification head网络，且所述mmclassification训练分类模型是基于tusimple数据集和culane数据集训练得到的；将识别得到的所述车道线信息中的车道线预测位置、rtk位数据、帧时间数据对应存储。6.根据权利要求1所述的方法，其特征在于，所述将所述车道线预测位置转换到世界坐标系，得到车道线实际位置，包括：读取所述车载单目相机的内参数和外参数；按照下式将所述车道线预测位置转换到世界坐标系，得到车道线实际位置：
其中，u，v表示车道线预测位置坐标，z
c
表示相机景深，k表示相机内参，r,t表示相机外参，x
w
,y
w
,z
w
表示车道线实际位置坐标。7.根据权利要求6所述的方法，其特征在于，所述将所述车道线原始位置转换到世界坐标系，得到车道线实际位置，还包括：若读取不到所述车载单目相机的内参数和外参数，则从建图图像数据中选取位置估算图像，所述位置估算图像中包含至少三条车道线，且单目相机安装在车辆中心；确定所述位置估算图像中的多条基线与多条车道线的多个交点坐标，其中，所述多条基线与所述多条车道线分别垂直；根据确定的多个交点坐标以及所述位置估算图像的中心车道的指定初始宽度，确定所述位置估算图像的逆透视变换矩阵；根据所述逆透视变换矩阵，确定所述位置估算图像中各车道的宽度；将所述中心车道的第一中心与所述位置估算图像的第二中心，根据所述逆透视变换矩阵进行变换，得到所述车辆实际偏离所述第二中心的比例值；根据所述比例值、所述各车道的宽度，确定车道线实际位置。8.一种车道线图的构建装置，其特征在于，包括：预处理单元，用于获取相机视频数据和rtk数据，并根据所述rtk数据对所述相机视频数据进行匹配处理，得到多帧建图图像数据；其中，所述相机视频数据为车载单目相机拍摄得到；识别单元，用于基于深度学习模型，识别各帧建图图像数据中的车道线信息，所述车道线信息包括车道线预测位置；转换单元，将所述车道线预测位置转换到世界坐标系，得到车道线实际位置；融合单元，用于融合所述车道线实际位置和历史车道线信息，得到所述车道线图。9.一种电子设备，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所述权利要求1～7所述方法。10.一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所述权利要求1～7所述方法。

技术总结
本申请公开了一种车道线图的构建方法、装置、电子设备及可读存储介质，其方法包括：获取相机视频数据和RTK数据，并根据RTK数据对相机视频数据进行匹配处理，得到多帧建图图像数据；基于深度学习模型，识别各帧建图图像数据中的车道线信息，车道线信息包括车道线预测位置；将车道线预测位置转换到世界坐标系，得到车道线实际位置；融合车道线实际位置和历史车道线信息，得到车道线图。本申请仅采用单目相机与RTK-GPS的组合来进行车道线图的构建，采集成本低，运行效率高，可以实现实时建图；采集精度较高，可以满足轻量自动驾驶需求；且设备部署成本低，可以高频率的进行地图的更新维护；计算量小、适用场景广泛、实用性强。实用性强。实用性强。


技术研发人员：宋烨华
受保护的技术使用者：北京箩筐时空数据技术有限公司
技术研发日：2022.02.21
技术公布日：2022/6/24