具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，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，都属于本发明保护的范围。

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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。

以下对本发明涉及的技术术语进行描述：

毫米波雷达，就是指工作频段在毫米波频段的雷达，测距原理跟一般雷达一样，也就是把无线电波（雷达波）发出去，然后接收回波，根据收发之间的时间差测得目标的位置数据，毫米波雷达是无线电波，其频率是毫米波频段。

毫米波雷达因具有更窄的波速（一般为毫弧度量级），可提高雷达的角分辨能力和测角精度，并且有利于抗电子干扰、杂波干扰和多径反射干扰等。并且由于其工作频率高，能得到大的信号带宽（如吉赫量级）和多普勒频移，有利于提高距离和速度的测量精度和分辨能力并能分析目标特征。进一步的，毫米波雷达因其天线口径和元件、器件体积小，可应用在飞机、卫星、智慧交通系统等领域。

本发明为了解决现有技术通过采取人工现场测量车道坐标信息而较难准确地测量出实际的车道信息，而提供了一种基于雷达的车道线识别方法、装置、电子设备及存储介质，通过对毫米波雷达输出的数据进行处理，可自动、准确地识别出多车导线，

下面结合图1-图9描述本发明的基于雷达的车道线识别方法、装置、电子设备及存储介质。

图1是本发明提供的基于雷达的车道线识别方法的流程示意图，如图1所示。本发明所述基于雷达的车道线识别方法，包括：

步骤101，根据所述雷达的最大探测距离确定多个独立的识别区间。

可选地，所述雷达可以采用毫米波雷达，当然也可以是其它雷达的数据，本发明不限于此。

雷达是通过发射微波脉冲来对距离进行探测的，从雷达发射出的电磁波脉冲在传播中遇到物体反射回来，雷达接收到反射波后，测出电磁波往返经过的时间，根据电磁波传播的速度，就可确定雷达到物体的距离。

步骤102，根据预设的规则筛选每个所述识别区间内的有效航迹。

所述有效航迹的数据是指对于利于车道线识别的数据，在较短区间范围内大多数汽车都是按照直线行驶，雷达探测的目标航迹基本与车道线平行的，这类数据可以用作车道线识别。

而部分汽车的识别区间存在变道的情况，雷达探测的目标数据的航迹的X方向的标准差将增大，航迹与车道线交叉，这类数据会影响车道线识别的结果。此外，雷达在目标检测过程中可能会存在虚警、航迹中断等问题，虚假目标数据或航迹中断后在部分识别区间数据不够长都会影响车道线识别的结果，在识别过程中需要将这类数据剔除。

步骤103，对所述有效航迹进行直线拟合，通过每个识别区间内的每个有效航迹拟合的直线得到在该识别区间起始点的集合。

可选地，所述集合包括每个识别区间段所对应的航迹点的个数，每条航迹是由同一目标的航迹点组成。

步骤104，对每个识别区间的所述起始点的集合进行聚类处理，得到每个识别区间的车道中心点的集合。

所述聚类处理的目的是为了得到每个识别区间的中心点，即车道中心点，全部识别区间的车道中心点称为车道中心点集合。

步骤105，对每个识别区间的所述车道中心点的集合进行数据拟合，得到目标道路的车道中心线。

以下将对上述步骤101~105进行具体描述。

图2是本发明识别空间划分的示意图，如图2所示。上述步骤101，所述根据所述雷达的最大探测距离确定多个独立的识别区间的步骤包括：

将所述雷达的最大探测距离为进行平均分割，即将雷达的最大探测距离平均划分为m个独立的识别区间，得到每个识别区间的长度为：

；

其中，Y_i表示第i个识别区间的长度，i≤m。

将雷达的最大探测距离划分m个识别区间的目的是在细分的识别区间里面，大部分目标车辆在该识别区间是直线行驶的。在每个识别区间中，都包含雷达探测到的目标车辆行驶航迹的数据。

其中，划分的m个识别区间中的m可根据实际情况而设定，本发明不限于m的具体数值。

雷达探测到的数据是按照周期输出的，比如周期为100ms，则输出的时间为0，100ms，200ms，300ms，……。其中输出时间为100ms和200ms，200ms和300ms等被认为是相邻周期的输出。

并且，目标车辆的航迹在建立时，雷达系统会分配一个ID号作为标识，一个目标车辆的航迹从雷达探测到该目标车辆到该目标车辆消失（即雷达探测不到该目标车辆），其航迹ID会保持一致。然后在目标车辆行驶过程中，雷达会输出该目标车辆的航迹（即运动轨迹）。

图3是本发明提供的选择有效目标数据的流程示意图，如图3所示。上述步骤102中，所述根据预设的规则筛选每个所述识别区间内的有效航迹的步骤包括：

步骤301，针对每个识别区间，确定同一目标车辆的数据以形成目标车辆在该识别区间的航迹。

所述同一目标车辆的数据是指雷达周期性输出目标的航迹点数据并且同一目标车辆的航迹点数据具有同一个ID号。

可选地，在本发明所公开的方法中，按照步骤302~303的数学准则从目标数据中选择出有效目标数据。

步骤302，计算每个目标车辆在每个识别区间内的航迹的长度L以及相对于雷达的横向方向的标准差X_std、并且计算每个识别区间内的每个航迹所包含的点的个数N。

可选地，针对每个识别区间，根据下式计算每个目标车辆在该识别区间内的航迹的长度L：

；

其中，表示该识别区间内的第i条航迹的最新航迹点相对于雷达的横向方 向的距离值，表示该识别区间内的第i条航迹的最新航迹点相对于雷达的纵向方向的 距离值，表示第i条航迹第一次进入该识别区间时的点相对于雷达的横向方向的距离 值，表示第i条航迹第一次进入该识别区间时的点相对于雷达的纵向方向的距离值。

可选地，针对每个识别区间，根据下式计算每个目标车辆在该识别区间内的航迹相对于雷达的横向方向的标准差X_std：

；

其中，N表示该识别区间内的第i条航迹中点的个数，表示第i条航迹的第k个 点相对于雷达的横向方向的距离值，μ表示第i条航迹中所有点相对于雷达的横向方向的距 离值的平均值，k=1,2,...N。

步骤303，将符合下列条件的每个航迹确定为所述有效航迹：、和三者同时成立。

其中，为预设的参考长度，为预设的参考宽度，为预设的参考点的个 数。

比如，可设置为三分之二的识别区间的长度，可设置为标准车道宽度的三 分之一。

步骤304，将选择出的所述有效航迹进行缓存。

图4是本发明提供的识别航迹数据集合的流程示意图，如图4所示。上述步骤103中，所述对所述有效航迹进行直线拟合，通过每个识别区间内的每个有效航迹拟合的直线得到在该识别区间的起始点的集合的步骤包括：

步骤401，针对每个有效航迹，对构成该有效航迹的多个数据点进行直线拟合，得 到拟合直线的斜率a和截距b，所述拟合直线以下列线性方程的形式表示：。

可选地，可采用最小二乘算法进行直线拟合。最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。比如，最小二乘法公式：

设拟合直线的公式为：；

其中，拟合直线的斜率为：

；

计算出斜率后，根据和已经确定的斜率k，利用待定系数法求出截距b。

步骤402，基于所述线性方程，计算出每个识别区间内的每个有效航迹对应的直线 在该识别区间的起始点对应的X_i，其中，。

其中，针对每个识别区间，X_i表示第i条航迹第一次进入识别区间时的点相对于雷达的横向距离值。

步骤403，针对每个识别区间，该识别区间内的每个航迹对应的X_i组成的数据集合构成该识别区间对应的所述起始点的集合。

图5是本发明提供的聚类处理的流程示意图，如图5所示。上述步骤104中，所述对每个识别区间的所述起始点的集合进行聚类处理，得到每个识别区间的车道中心点的集合的步骤包括：

步骤501，对每个识别区间对应的所述起始点的集合分别进行聚类处理。

步骤502，判断对每个起始点的集合进行聚类处理后生成的簇的数目K与所述目标道路的车道数是否相同并且每个簇所包含的起始点的数量是否大于预设阈值。

可选地，可采用DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise，具有噪声的基于密度的聚类方法)密度聚类算法进行聚类处理。

DBSCAN算法是一种典型的基于密度的聚类方法，其将簇定义为密度相连的点的最大集合，能够把具有足够密度的区域划分为簇，并可以在有噪音的空间数据集中发现任意形状的簇。

步骤503，针对每个识别区间，若所述簇的数目K与所述目标道路的车道数相同并且每个簇所包含的起始点的数量大于所述预设阈值，则确定每个簇的质心是该识别区间内对应车道的车道中心点。

其中，C_k表示该识别区间内的第k个车道中心点，k=1,2,…K。

如果所述簇的数目K与所述目标道路的车道数相同并且每个簇所包含的起始点的数量小于或等于所述预设阈值，则继续等待新的目标车辆的数据以进行判断。

可选地，所述预设阈值表示一个车道内有效的目标航迹数，比如所述预设阈值是10，所述预设阈值可根据实际数据统计分析得到，当每个簇的数据大于10后，车道中心点位置趋于稳定。

按照上述同样的方法，对下一个识别区间的车道进行识别。

图6是本发明提供的识别多车道线的流程示意图，如图6所示。上述步骤105中，所述对每个识别区间的所述车道中心点的集合进行数据拟合，得到目标道路的车道中心线的步骤包括：

步骤601，将所有识别区间内的全部车道中心点C_k相组合以得到二维矩阵，其中，所述二维矩阵中的元素C_{i_k}表示第i个识别区间内的第k个车道中心点。

可选地，每个识别区间的车道识别过程如上述步骤501~502所述。当所有识别区间 的车道识别过程都结束时，将每个识别区间的车道中心点进行组合，得到一个二维矩阵 C_{i_k}。

步骤602，对所述二维矩阵的每一列数据分别进行数据拟合，以得到所述目标道路的所有车道对应的车道中心线，其中，每一列数据所拟合得出的曲线对应于一个车道中心线。

可选的，可使用三阶样条（cubic spline）算法进行数据拟合，三阶样条算法是利用分段的三次函数顺次连接n个数据点，三次函数需满足：过每一个数据点，每段连接处光滑。可通过解方程实现。

对二维矩阵C_{i_k}的每一列数据使用三阶样条算法进行数据拟合，得到每个车道的车道中心线（如图7所示）。

综上所述，本发明通过划分多个识别区间，然后选择出识别区间的有效目标数据，并对所述有效目标数据进行直线拟合、聚类分析以及数据拟合等，最后得到每个车道的完整的车道中心线，解决了现有技术通过人工很难准确地测量出实际车道信息的问题。

下面对本发明提供的基于雷达的车道线识别装置进行描述，下文描述的基于雷达的车道线识别装置与上文描述的基于雷达的车道线识别方法可相互对应参照。

图8是本发明提供的基于雷达的车道线识别装置的结构示意图，如图8所示。一种基于雷达的车道线识别装置800，包括识别区间生成模块810、航迹筛选模块820、直线拟合模块830、聚类处理模块840以及车道线识别模块850。其中，

识别区间生成模块810，用于根据所述雷达的最大探测距离确定多个独立的识别区间。

航迹筛选模块820，用于根据预设的规则筛选每个所述识别区间内的有效航迹。

直线拟合模块830，用于对所述有效航迹进行直线拟合，通过每个识别区间内的每个有效航迹拟合的直线得到在该识别区间起始点的集合。

聚类处理模块840，用于对每个识别区间的所述起始点的集合进行聚类处理，得到每个识别区间的车道中心点的集合。

车道线识别模块850，用于对每个识别区间的所述车道中心点的集合进行数据拟合，得到目标道路的车道中心线。

可选地，所述识别区间生成模块810，还用于：

将所述雷达的最大探测距离进行平均分割，得到m个独立的识别区间，每个 识别区间的长度为：

；

其中，Y_i表示第i个识别区间的长度，i≤m。

可选地，所述航迹筛选模块820，还用于：

针对每个识别区间，确定同一目标车辆的数据以形成该目标车辆在该识别区间的航迹；

计算每个目标车辆在每个识别区间内的航迹的长度L以及相对于雷达的横向方向的标准差X_std、并且计算每个识别区间内的每个航迹所包含的点迹的个数N；

将符合下列条件的每个航迹确定为所述有效航迹：、和三者同时成立；

其中，为预设的参考长度，为预设的参考宽度，为预设的参考点的个数。

可选地，针对每个识别区间，根据下式计算每个目标车辆在该识别区间内的航迹的长度L：

；

其中，表示该识别区间内的第i条航迹的最新航迹点相对于雷达的横向方向 的距离值，表示该识别区间内的第i条航迹的最新航迹点相对于雷达的纵向方向的距 离值，表示第i条航迹第一次进入该识别区间时的点相对于雷达的横向方向的距离值，表示第i条航迹第一次进入该识别区间时的点相对于雷达的纵向方向的距离值。

可选地，针对每个识别区间，根据下式计算每个目标车辆在该识别区间内的航迹相对于雷达的横向方向的标准差X_std：

；

其中，N表示该识别区间内的第i条航迹中点的个数，表示第i条航迹的第k个 点相对于雷达的横向方向的距离值，μ表示第i条航迹中所有点相对于雷达的横向方向的距 离值的平均值，k=1,2,...N。

可选的，所述直线拟合模块830，还用于：

针对每个有效航迹，对构成该有效航迹的数据点进行直线拟合，得到拟合直线的 斜率a和截距b，所述拟合直线以下列线性方程的形式表示：；

基于所述线性方程，计算出每个识别区间内的每个有效航迹对应的直线在该识别 区间的起始点对应的X_i，其中，；

针对每个识别区间，该识别区间内的每个航迹对应的X_i组成的数据集合构成该识别区间对应的所述起始点的集合；

其中，针对每个识别区间，X_i表示第i条航迹第一次进入该识别区间时的点相对于雷达的横向方向的距离值。

可选地，所述聚类处理模块840，还用于：

对每个识别区间对应的所述起始点的集合分别进行聚类处理；

判断对每个起始点的集合进行聚类处理后生成的簇的数目K与所述目标道路的车道数是否相同并且每个簇所包含的起始点的数量是否大于预设阈值；

针对每个识别区间，若所述簇的数目K与所述目标道路的车道数相同并且每个簇所包含的起始点的数量大于所述预设阈值，则确定每个簇的质心是该识别区间内对应车道的车道中心点，其中，C_k表示该识别区间内的第k个车道中心点，k=1,2,…K。

可选地，所述车道线识别模块850，还用于：

将所有识别区间内的全部车道中心点C_k相组合以得到二维矩阵，其中，所述二维矩阵中的元素C_{i_k}表示第i个识别区间内的第k个车道中心点；

对所述二维矩阵的每一列数据分别进行数据拟合，以得到所述目标道路的所有车道对应的车道中心线，其中，每一列数据所拟合得出的曲线对应于一个车道中心线。

本发明所公开的基于雷达的车道线识别装置的其他方面与前面所描述的基于雷达的车道线识别方法相同或相似，在此不再赘述。

图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行前述基于雷达的车道线识别方法。

此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现前面所描述的任一种基于雷达的车道线识别方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。