车道线处理方法及计算机存储介质与流程

1.本技术实施例涉及地理信息技术领域，尤其涉及一种车道线处理方法及计算机存储介质。


背景技术：

2.高精地图是一种精度更高、包含地理要素细节信息更多的地图，其可用于智能驾驶、位置定位、导航、路径规划等。高精地图制作过程中，可根据实际道路中的隔离带、路缘石、防护栏等，生成车道线。
3.为了使车道线能够服务于智能驾驶等场景，需要将车道线按照一定方式组织起来。比如，将属于同一条道路上同一个路段的车道线分为一组。现有技术中一般通过人工方式对车道线进行分组，以实现对车道线的有序组织。然而，通过人工方式对车道线进行分组，成本高，效率低。


技术实现要素：

4.有鉴于此，本技术实施例提供一种车道线处理方案，以至少部分解决上述问题。
5.根据本技术实施例的第一方面，提供了一种车道线处理方法，包括：从高精地图数据中提取车道线、车道分段线和车道线行车箭头，所述行车箭头指向车道线对应的车道行驶方向，所述车道分段线为根据车道分段点确定的线；对多个所述车道线、所述车道分段线和所述车道线行车箭头进行图像渲染，获得渲染结果；根据所述渲染结果，和采用所述多个车道线和所述车道分段线获得的道路车道分组标注，获得训练图像样本；根据所述训练图像样本对预设的机器学习模型进行训练，以得到用于预测道路车道分组的分组模型。
6.根据本技术实施例的第二方面，提供了一种车道线处理方法，包括：获取根据多个车道线、车道分段线和车道线行车箭头渲染成的目标图像；将所述目标图像输入如第一方面所述的分组模型，得到所述目标图像的道路车道分组；根据所述道路车道分组对应信息中所包括的像素坐标，还原得到道路的经纬度坐标；根据所述道路的经纬度坐标将所述道路车道分组内的车道线分为一组，构建所述道路上可行驶区域。
7.根据本技术实施例的第三方面，提供了一种车道线处理装置，包括：提取模块，用于从高精地图数据中提取车道线、车道分段线和车道线行车箭头，所述行车箭头指向车道线对应的车道行驶方向，所述车道分段线为根据车道分段点确定的线；渲染模块，用于对多个所述车道线、所述车道分段线和所述车道线行车箭头进行图像渲染，获得渲染结果；样本模块，用于根据所述渲染结果，和采用所述多个车道线和所述车道分段线获得的道路车道分组标注，获得训练图像样本；训练模块，用于根据所述训练图像样本对预设的机器学习模型进行训练，以得到用于预测道路车道分组的分组模型。
8.根据本技术实施例的第四方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第
一方面或第二方面所述的车道线处理方法对应的操作。
9.根据本技术实施例的第五方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面或第二方面所述的车道线处理方法。
10.根据本技术实施例提供的车道线处理方案，从高精地图数据中提取车道线、车道分段线和车道线行车箭头，行车箭头指向车道线对应的车道行驶方向，车道分段线为根据车道分段点确定的线；对多个车道线、车道分段线和车道线行车箭头进行图像渲染，获得渲染结果；根据渲染结果，和采用多个车道线和车道分段线获得的道路车道分组标注，获得训练图像样本；根据训练图像样本对预设的机器学习模型进行训练，以得到用于预测道路车道分组的分组模型。通过分组模型可以实现车道线分组自动构建道路车道分组，不需要人工标注可行驶区域的分割面，提高了工作效率。
附图说明
11.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
12.图1为本技术实施例提供的一种车道线处理方法的步骤流程图；
13.图2为本技术实施例提供的一种应用场景示意图；
14.图3为本技术实施例提供的一种网络结构示意图；
15.图4为本技术实施例提供的一种道路车道分组的示意图；
16.图5为本技术实施例提供的另一种车道线处理方法的步骤流程图；
17.图6为本技术实施例提供的一种车道线处理装置的结构框图；
18.图7为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
19.为了使本领域的人员更好地理解本技术实施例中的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本技术实施例保护的范围。
20.需要说明的是，本技术中的目标只是为了表示单数概念，而不用于限制，不是特指某一个，例如，目标图像；本技术中的多个指两个或两个以上，例如，多个车道线、多个车道分段点等。
21.下面结合本技术实施例附图进一步说明本技术实施例具体实现。
22.实施例一、
23.本技术实施例一提供的车道线处理方法，如图1所示，图1为本技术实施例提供的一种车道线处理方法的步骤流程图，该车道线处理方法包括以下步骤：
24.步骤s101、从高精地图数据中提取车道线、车道分段线和车道线行车箭头。
25.其中，行车箭头指向车道线对应的车道行驶方向，车道分段线为根据车道分段点确定的线。
26.高精地图数据包括矢量化的车道线、车道分段线和车道线行车箭头等。高精地图数据可通过收集大量的行车记录数据进行处理后得到，也可通过工作人员收集各个道路的信息得到，对此本技术实施例不做限制。
27.如图2所示，图2为本技术实施例提供的一种应用场景示意图，图2中示出了多个车道线和多个车道分段线。车道线表征将现实行驶道路上道路中间以及道路两旁的实线、绿化带、隔离带、路缘石、防护栏和新泽西墙等进行数字化、矢量化后得到的线。车道分段点用于指示车道发生变化的点，车道发生变化包括车道线属性信息发生变化和车道线数量发生变化，车道分段线是从多个车道分段点引出的一条垂直于车道切面的线。即车道分段线与车道线在车道切面上垂直，车道分段线可以将一条车道线打断成多条。需要说明的是，图2中使用不同格式的线条表示不同的颜色。示例性地，车道分段线可以为车道数量发生变化处的线，或者，可以为车道线属性发生变化处的线，如车道从实线变化为虚线处的线。
28.本技术实施例是通过高精地图数据提取车道线、车道分段线和车道线行车箭头等数据集，使用高精地图数据中的数据可以减少数据收集的时间，且数据已为较为准确的高精数据，因而可提高车道线处理效率。可以理解的是，本技术实施例也可以从车辆前方拍摄装置采集的路况视频中截取的图像、通过对图像进行后期处理的方式构建数据集。
29.步骤s102、对多个车道线、车道分段线和车道线行车箭头进行图像渲染，获得渲染结果。
30.通过图像渲染以区分不同的车道线，以及区分车道线与车道分段线，获得的渲染结果可以表示为以下形式：一个种类的车道线对应一种颜色；所有的车道分段线对应一种颜色，车道分段线的颜色与多个车道线的颜色不同；车道线行车箭头的颜色与车道线的颜色一致。
31.本示例中可以按照预设渲染规则对多个车道线、车道分段线和车道线行车箭头进行图像渲染，得到渲染结果。其中，预设渲染规则可以是任意适当的、能够将车道线、车道分段线和车道线行车箭头进行区分的规则，对于预设渲染规则的具体内容，此处不做限定。例如，在一个具体的示例中，预设渲染规则可以是将车道线中的实线设置为红色、防护栏设置为蓝色、隔离带设置为绿色、虚线设置为紫色、路缘石设置为粉色，将车道分段线设置为橙色，将车道线对应的车道行驶方向设置为行车箭头的方向，将车道线对应的颜色设置为行车箭头的颜色。可以理解的是，也可以按照预设车道线、车道分段线和车道线行车箭头对应的渲染规则，对多个车道线、车道分段线和车道线行车箭头分别进行图像渲染，得到车道线、车道分段线和车道线行车箭头分别对应的渲染结果；然后将车道线、车道分段线和车道线行车箭头分别对应的渲染结果通过综合或组合等处理方式得到最终的渲染结果。对于图像渲染过程，本技术实施例不做限制。
32.步骤s103、根据渲染结果，和采用多个车道线和车道分段线获得的道路车道分组标注，获得训练图像样本。
33.用于训练预设的机器学习模型的训练图像样本包括训练集和训练集对应的标签，本示例中渲染结果作为训练集，采用多个车道线和车道分段线获得的道路车道分组标注作为训练集对应的标签。
34.步骤s104、根据训练图像样本对预设的机器学习模型进行训练，以得到用于预测道路车道分组的分组模型。
35.利用训练图像样本中的道路车道分组标注作为监督条件，使用训练图像样本对预设的机器学习模型进行训练。
36.其中，机器学习模型可以是任意适当的、能够用于对多个车道线、车道分段线和车道线行车箭头渲染后的训练图像，进行车道线分组以后预测道路车道分组的神经网络模型。本技术实施例对于采用的机器学习模型的具体结构，此处不做限定，例如：卷积循环神经网络(convolutional recurrent neural network，简称crnn)，卷积神经网络(convolutional neural network，简称cnn)，vgg、lenet、alexnet、prelu、googlenet、residual network等。
37.根据本示例提供的车道线处理方案，从高精地图数据中提取车道线、车道分段线和车道线行车箭头，行车箭头指向车道线对应的车道行驶方向，车道分段线为车道分段点确定的线；对多个车道线、车道分段线和车道线行车箭头进行图像渲染，获得渲染结果；根据渲染结果，和采用多个车道线和车道分段线获得的道路车道分组标注，获得训练图像样本；根据训练图像样本对预设的机器学习模型进行训练，以得到用于预测道路车道分组的分组模型。通过分组模型可以实现车道线分组自动构建道路车道分组，不需要人工标注可行驶区域的分割面，提高了工作效率。
38.以下，以一个场景示例对上述过程进行示例性说明。如图2所示，图2通过对多个车道线、车道分段线和车道线行车箭头进行图像渲染，获得渲染图像，渲染图像中包括多种颜色的车道线、多个车道分段线和多个车道线行车箭头。其中，一个种类的车道线对应一种颜色，一个种类的车道线的属性信息一致；所有的车道分段线对应一种颜色，为便于区分车道分段线和车道线，车道分段线的颜色与多个车道线的颜色不同；车道线行车箭头的颜色与车道线的颜色一致。图2中为了示出多个不同颜色的车道线，将相同颜色的车道线用同一格式的线条表示，图2中示出了5种颜色的车道线，需要说明的是，图2中车道线行车箭头的颜色与车道线的颜色一致，由于线条无法示出箭头，因此不同颜色的车道线行车箭头的颜色在图中未示出。图2中还示出了2个车道分段线，这2个车道分段线对应同一格式的线条，表示车道分段线对应一种颜色。
39.本技术实施例的车道线处理方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、pc机、甚至高性能的移动终端等。
40.实施例二、
41.本技术实施例二基于实施例一的方案，可选地，在本技术实施例的一种示例中，本技术实施例可以包括以下步骤s11-s16。
42.步骤s11、从高精地图数据中提取车道线。
43.步骤s12、根据提取的车道线获得车道分段线，根据车道线的行驶方向获得车道线行车箭头。
44.该车道分段线为根据车道分段点确定的线。可选地，在本技术实施例的一个示例中，车道发生变化的位置包括车道线属性信息发生变化的位置或车道线的数量发生变化。
45.示例地，车道线的属性信息发生变化，例如，车道线由实线变为虚线、车道线由双实线变为隔离带等；车道线的数量发生变化，例如，分叉口、道路一分二、道路三合一等。
46.由于车道分段线依赖于车道线的属性信息，在对车道分段线进行说明之前，先介绍下车道线的属性信息。可选地，在本技术实施例的一个示例中，车道线的属性信息包括以
下至少一项：车道线行车方向、车道线颜色、车道线类型、车道线类别、车道线位置、车道线线型。
47.车道线行车方向指向车道线对应的车道行驶方向。车道线颜色为表征车道线本身的颜色，例如黄色、白色等。车道线类型表征车道线的物理属性，例如，隔离带、绿化带、路缘石、防护栏、新泽西墙。车道线类别用于表征车道线用途，例如，同向行车边界线、对向行车边界线、停止线、公交专用线、出租车专用线等。车道线线型，例如虚线、实线、双实线、虚线加实线等。
48.可选地，在本技术实施例的一个示例中，可通过以下三个示例获得车道分段线。第一个示例，根据车道线的数量发生变化的位置得到多个车道分段点，根据多个车道分段点确定车道分段线。第二个示例，获取道路上车道线的属性信息，根据车道线属性信息发生变化的位置得到多个车道分段点，根据多个车道分段点确定车道分段线。第三个示例，根据车道线属性信息发生变化的位置和车道线的数量发生变化的位置得到多个车道分段点，根据多个车道分段点确定车道分段线。
49.本示例中可以以车道线的属性信息发生变化的位置或车道线的数量发生变化的位置作为车道分段点，连线多个车道分段点得到车道分段线。也可以以车道线的属性信息发生变化的位置和车道线的数量发生变化的位置作为车道分段点，连线多个车道分段点得到车道分段线。对此本技术实施例不做限制。相较于直接从高精地图数据中提取车道分段线的方案，本技术实施例中是根据车道线的属性信息以及车道线的数量确定车道分段线，提高车道分段线的准确性，并且不需要人工对车道线进行打断操作，提高了工作效率。步骤s13、将不同属性信息的车道线用不同的颜色进行渲染，获得车道线对应的渲染结果。
50.本示例中一种颜色对应的属性信息一致，属性信息用于表征车道线的性质。将一个种类的车道线渲染成一种颜色，得到多种颜色的车道线，将多种颜色的车道线作为车道线对应的渲染结果。
51.步骤s14、按照车道行驶方向对应的车道线颜色对车道线行车箭头进行渲染，获得车道线行车箭头对应的渲染结果。
52.需要说明的是，本示例对步骤s13和步骤s14的执行顺序不做限制，也可以同时执行步骤s13和步骤s14。
53.本示例中，按照车道行驶方向对应的车道线颜色对车道线行车箭头进行渲染，将车道线对应的颜色设置为车道线行车箭头的颜色，将多种带有颜色的车道线行车箭头作为车道线行车箭头对应的渲染结果。
54.实际路况中，对向行车的车道边界之间会存在没有硬隔离的情况，硬隔离例如绿化带、隔离带等物理隔离，也就是说，如果仅根据车道线和车道分段线对多个车道线进行分组，在对某方向的多个车道线进行分组时，会将对向行车的车道线与该方向的车道线划到同一个分割面，导致划分结果不准确。本技术实施例中按照车道行驶方向对应的车道线颜色对车道线行车箭头进行渲染，使得在对某方向的多个车道线进行分组时，可以避免将对向行车的车道线与该方向的车道线划到同一个分割面，提高划分结果的准确性。
55.步骤s15、根据渲染结果，和采用多个车道线和车道分段线获得的道路车道分组标注，获得训练图像样本。
56.渲染结果包括多种颜色的车道线、带有颜色的车道分段线和多种带有颜色的车道
线行车箭头，将渲染结果对应的渲染图像作为训练图像样本。
57.步骤s15与实施例一中的步骤s103一致，在此不再赘述。
58.步骤s16、将训练图像样本输入预设的机器学习模型，得到预测道路车道分组；根据预测道路车道分组与道路车道分组标注的差异对预设的机器学习模型进行训练，以得到用于预测道路车道分组的分组模型。
59.步骤s16为实施例一中步骤s104的一种实现方式。在对机器学习模型进行训练时，可选地，将训练图像样本输入预设的机器学习模型，得到预测道路车道分组；基于预测道路车道分组和道路车道分组标注，得到损失值，根据损失值对机器学习模型进行训练，直至达到训练终止条件，例如，训练次数达到预设次数，或者，损失值达到预设阈值等，通过不断调整和优化机器学习模型的参数，得到分组模型。
60.将训练图像样本输入预设的机器学习模型，机器学习模型预测预测道路车道分组，该道路车道分组是以车道线和车道分段线为边界形成的分割面，道路车道分组内的各个车道线的属性信息一致，道路车道分组用于表征道路上可行驶区域。然后以道路车道分组标注为标签，根据预测道路车道分组与道路车道分组标注的差异对预设的机器学习模型进行反复训练，可以得到用于预测道路车道分组的分组模型。其中，道路车道分组的边界为车道线或车道分段线，道路车道分组内的各个车道线属性信息一致，用于表征道路上可行驶区域。
61.该种通过训练机器学习模型以对图像进行识别和分类的方式，提高了车道线分组的效率以及准确性，避免了由于人工进行车道线分组的方式所导致的主观性强、工作效率低的问题。
62.可选地，在本技术实施例的一种示例中，上述实施例中可通过以下方式获得道路车道分组标注：将采用多个车道线和车道分段线进行分组后获得的道路车道分组，与多个车道线进行叠加，得到道路车道分组标注。
63.采用多个车道线和车道分段线进行分组后获得的道路车道分组，道路车道分组也就是一个一个的分割框，该图像上仅有分割框标注。若训练集对应的标签仅有分割框标注，对于机器学习模型来说，在根据训练集和训练集对应的标签进行训练时，需要根据分割框标注和与分割框关联的多个车道线确定训练集中的训练图像，浪费时间，降低了工作效率。因此，本技术实施例将道路车道分组与多个车道线进行叠加，得到道路车道分组标注，使得道路车道分组标注中包括有多个车道线的道路信息，在对机器学习模型训练时，以道路车道分组标注为标签，可以直接根据道路车道分组标注确定训练集中的训练图像，提高工作效率。
64.可选地，在本技术实施例的一种示例中，该分组模型为卷积神经网络模型。
65.卷积神经网络模型采用fast-rcnn网络结构，该网络基本结构如图3所示，图3为本技术实施例提供的一种网络结构示意图，该网络用于对图像image进行识别，该网络结构如下：卷积层(convolution layer，简称convlayer)、特征图(feature map)、池化层(roipooling)和分类器(classifier)。经典的检测方法生成检测框都非常耗时，faster-rcnn直接使用rpn(region proposal network)生成检测框，提高了检测框的生成速度，rpn用于生成候选区域(region proposal)。卷积神经网络模型是一种深度学习的深度神经网络架构，可以用于图像识别、图像语义分割，网络结构简单，通过对卷积神经网络模型进行
训练后，再利用训练好的卷积神经网络模型对多个车道线进行分组，提高了分割面的准确度。
66.本示例中通过对多个车道线、车道分段线和车道线行车箭头进行图像渲染，获得渲染图像，并采用多个车道线和车道分段线获得道路车道分组标注，根据渲染图像和道路车道分组标注构建机器学习模型的训练图像样本，以便根据训练图像样本对机器学习模型进行训练，将渲染后的目标图像输入训练好的分组模型，即可预测道路车道分组，提高了工作效率。
67.本技术实施例的车道线处理方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、pc机、甚至高性能的移动终端等。
68.实施例三、
69.基于上述实施例一和实施例二描述的任一项车道线处理方法，在训练预设的机器学习模型得到分组模型之后，本技术实施例还可以根据以下步骤s201-步骤s204利用分组模型预测道路车道分组。
70.步骤s201、获取根据多个车道线、车道分段线和车道线行车箭头渲染成的目标图像。
71.步骤s201中的图像渲染方式可以参照上述步骤s102中的渲染过程，在此不再赘述。
72.步骤s202、将目标图像输入分组模型，得到目标图像的道路车道分组。
73.将目标图像输入分组模型，分组模型预测目标图像的至少一个道路车道分组。根据分组模型对渲染得到的目标图像进行识别，找到道路车道分组的边界。示例地，根据道路两边的车道线(路缘石、路肩、实线)、车道线行车箭头找到道路车道分组的左、右边界，根据车道分段线找到道路车道分组的前、后边界，根据前、后、左、右边界从而得到道路车道分组。如图4所示，图4为本技术实施例提供的一种道路车道分组的示意图，图4中的虚线框表示道路车道分组，图4中仅以一个道路车道分组示出，其他道路车道分组未画出。该种利用分组模型对多个车道线进行分组得到至少一个道路车道分组的方案，相较于人工进行车道线分组得到道路车道分组的方案，提高了车道线分组的效率以及准确性。
74.步骤s203、根据道路车道分组对应信息中所包括的像素坐标，还原得到道路的经纬度坐标。
75.道路车道分组本质上是图像，道路车道分组包括多个像素点，因此还需要根据图像找到图像中的多个车道线。道路车道分组的像素点的像素坐标与道路经纬度坐标之间具有对应关系，将道路车道分组从像素坐标反算成道路的经纬度坐标，可以得到多个车道线的信息。
76.步骤s204、根据道路的经纬度坐标将道路车道分组内的车道线分为一组，构建道路上可行驶区域。
77.零碎的、无序的车道线，无法给自动驾驶提供服务。本示例中根据道路的经纬度坐标将道路车道分组内的车道线分为一组，形成有序的车道线组，即车辆可行驶区域。能够向驾驶员或自动驾驶车辆提供有效的帮助，提高驾驶体验。
78.列举一个具体地示例对本技术实施例中对车道线处理进行说明，具体如下。如图5所示，图5为本技术实施例提供的另一种车道线处理方法的步骤流程图。
79.步骤s501、获取历史作业数据中高精地图数据。
80.步骤s502、将不同种类的车道线用不同的颜色渲染，利用车道线行车箭头指明车道线关联的车道行驶方向。
81.步骤s503、绘制出制作的车道分段线。
82.步骤s504、以制作的分割面叠加在车道线上作为训练真值。
83.此处的真值作为标签，即道路车道分组标注。
84.步骤s505、应用以上训练样本训练卷积神经网络模型，并调整卷积神经网络模型的参数。
85.训练及参数调整过程迭代往复，直至达到训练终止条件。
86.步骤s506、部署卷积神经网络模型。
87.步骤s507、对待处理的车道线、车道分段线进行渲染，生成待处理的目标图像。
88.例如，将车道线、车道分段线按照步骤s501-步骤s502的方式渲染生成目标图像。
89.步骤s508、将目标图像输入部署的卷积神经网络模型，获得目标图像对应的分割路面。
90.此处分割路面也就是对多个车道线进行分组后的结果，也即，道路车道分组。
91.步骤s509、将分割路面的图像像素坐标还原成经纬度坐标。
92.步骤s510、将分割路面内的车道线分为一组，形成高精道路。
93.通过该形成的高精道路，即可获得道路可行驶区域。
94.本示例中将矢量化的不同种类的车道线使用不同颜色渲染，然后利用卷积神经网络模型，识别道路边界，从而对道路中的多个车道线进行分割，生成高精道路，提高工作效率。
95.以自动驾驶为例进行说明，在制作高精地图数据中，工作人员会将现实行驶道路上道路中间以及道路两旁的实线、绿化带、隔离带、路缘石、防护栏和新泽西墙等进行数字化、矢量化。然而数字化的车道线是离散的，不方便自动驾驶系统使用。自动驾驶的车辆需要知道的当前道路的信息，一条高精道路关联的是哪些车道线。因此工作人员需要根据硬隔离分割路面，也就是对多个车道线进行分组，以建立车道线的分组关系。工作人员在分组时耗费时间较长。本技术实施例利用标注的训练真值(即道路车道分组标注)作标签，根据多个车道线、车道分段线渲染得到的目标图像，对卷积神经网络模型进行训练，得到用于预测道路车道分组的分组模型，利用分组模型对多个车道线进行自动化分组，从而得到高精道路，工作量小、成本低、且准确率高。
96.本技术实施例的车道线处理方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如手机、pad等)和pc机等。
97.实施例四、
98.基于上述实施例一至实施例三描述的任一项车道线处理方法，本技术实施例提供了一种车道线处理装置，如图6所示，图6为本技术实施例提供的一种车道线处理装置，车道线处理装置60包括：提取模块601，用于从高精地图数据中提取车道线、车道分段线和车道线行车箭头，行车箭头指向车道线对应的车道行驶方向，车道分段线为根据车道分段点确定的线；渲染模块602，用于对多个车道线、车道分段线和车道线行车箭头进行图像渲染，获得渲染结果；样本模块603，用于根据渲染结果，和采用多个车道线和车道分段线获得的道
路车道分组标注，获得训练图像样本；训练模块604，用于根据训练图像样本对预设的机器学习模型进行训练，以得到用于预测道路车道分组的分组模型。
99.可选地，在本技术实施例的一种示例中，渲染模块602还用于将不同属性信息的车道线用不同的颜色进行渲染，获得车道线对应的渲染结果。
100.可选地，在本技术实施例的一种示例中，渲染模块602还用于按照车道行驶方向对应的车道线颜色对车道线行车箭头进行渲染，获得车道线行车箭头对应的渲染结果。
101.可选地，在本技术实施例的一种示例中，所述车道发生变化包括车道线属性信息发生变化的位置和车道线的数量发生变化。
102.可选地，在本技术实施例的一种示例中，提取模块601还用于根据车道线的数量发生变化的位置得到多个车道分段点；和/或，获取道路上车道线的属性信息；根据所述车道线属性信息发生变化的位置得到多个车道分段点；根据所述多个车道分段点确定所述车道分段线。
103.可选地，在本技术实施例的一种示例中，车道线的属性信息包括以下至少一项：车道线行车方向、车道线颜色、车道线类型、车道线类别、车道线位置、车道线线型。
104.可选地，在本技术实施例的一种示例中，训练模块604还用于根据渲染结果获得训练图像；将训练图像输入预设的机器学习模型，得到预测道路车道分组；以采用多个车道线和车道分段线获得的道路车道分组标注为标签，根据预测道路车道分组对预设的机器学习模型进行训练，以得到分组模型；其中，道路车道分组的边界为车道线或车道分段线，道路车道分组内的各个车道线属性信息一致，用于表征道路上可行驶区域。
105.可选地，在本技术实施例的一种示例中，训练模块604还用于将采用多个车道线和车道分段线进行分组后获得的道路车道分组，与多个车道线进行叠加，得到道路车道分组标注。
106.可选地，在本技术实施例的一种示例中，本技术实施例还提供了另一种车道线处理装置，该车道线处理装置用于利用上述训练完成的分组模型进行道路车道分组，具体地，车道线处理装置用于获取根据多个车道线、车道分段线和车道线行车箭头渲染成的目标图像；将目标图像输入分组模型，得到目标图像的道路车道分组；根据道路车道分组对应信息中所包括的像素坐标，还原得到道路的经纬度坐标；根据道路的经纬度坐标将道路车道分组内的车道线分为一组，构建道路上可行驶区域。
107.本技术实施例的车道线处理装置用于实现前述多个方法实施例中相应的车道线处理方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本技术实施例的车道线处理装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。
108.实施例五、
109.基于上述实施例一至实施例三描述的任一项车道线处理方法，本技术实施例提供了一种电子设备，如图7所示，图7为本技术实施例提供的一种电子设备的结构示意图，本技术具体实施例并不对电子设备的具体实现做限定。
110.该电子设备70可以包括：处理器(processor)702、通信接口(communications interface)704、存储器(memory)706、以及通信总线708。
111.其中：处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通
信。
112.通信接口704，用于与其它电子设备或服务器进行通信。
113.处理器702，用于执行计算机程序710，具体可以执行上述车道线处理方法实施例中的相关步骤。
114.具体地，计算机程序710可以包括程序代码，该程序代码包括计算机操作指令。
115.处理器702可能是cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
116.存储器706，用于存放计算机程序710。存储器706可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
117.计算机程序710中各步骤的具体实现可以参见上述车道线处理方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
118.实施例六、
119.基于上述实施例一至实施例三所描述的车道线处理方法，本技术实施例提供了一种计算机存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现如实施例一至实施例三所描述的车道线处理方法。
120.需要指出，根据实施的需要，可将本技术实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本技术实施例的目的。
121.上述根据本技术实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如cd rom、ram、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如asic或fpga)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，ram、rom、闪存等)，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的车道线处理方法。此外，当通用计算机访问用于实现在此示出的车道线处理方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的车道线处理方法的专用计算机。
122.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术实施例的范围。
123.以上实施方式仅用于说明本技术实施例，而并非对本技术实施例的限制，有关技术领域的普通技术人员，在不脱离本技术实施例的精神和范围的情况下，还可以做出各种
变化和变型，因此所有等同的技术方案也属于本技术实施例的范畴，本技术实施例的专利保护范围应由权利要求限定。