车道线关联程度确定方法、装置、设备及存储介质与流程

1.本发明涉及自动驾驶技术领域，尤其涉及一种车道线关联程度确定方法、装置、设备及存储介质。


背景技术：

2.在获得感知检测模型输出的车道线之后，需要将不同帧的多个车道线检测结果关联，构建一个局部的语义地图。该局部高精语义地图不仅包含当前帧车辆检测到的图像，还包括当前时刻之前时刻或者距离内的图像检测结果。为了能融合不同时刻不同帧中车道线检测结果，需要将不同帧的车道线关联并拟合成为一条完整的车道线。
3.现有的自动驾驶车辆所行驶的道路，一般由三条车道线和两个车道组成。假设自动驾驶车辆的摄像头的可视距离为100米，当自动驾驶车辆从道路一侧往道路另一侧高速行驶时，感知系统连续检测并输出不同帧的车道线检测结果。在将不同帧中相同的三条车道线融合时，需要计算不同的车道线检测结果之间的关联程度评分，两个物体关联程度越高，该评分越高。
4.在传统的物体检测跟踪的评分系统中，通常采用重叠度(iou，intersection over union)计算方式，且应用场景的物体表达形式主要为检测框。重叠度和检测框很好匹配得益于检测框能覆盖整个被检测物体。而将重叠度和检测框应用于车道线的检测场景，存在车道线关联程度评分准确性差的问题。


技术实现要素：

5.本发明提供了一种车道线关联程度确定方法、装置、设备及存储介质，用于在不同帧的车道线之间存在偏移距离，且相对错位时，提高每两帧车道线检测图像数据间关联车道线的评分准确性。
6.为实现上述目的，本发明第一方面提供了一种车道线关联程度确定方法，包括：获取多帧车道线检测图像数据，各帧车道线检测图像数据包括多条已检测车道线；对所述多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值；根据所述多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线。
7.一种可行的实施方式中，所述获取多帧车道线检测图像数据，包括：接收预设传感器发送的道路环境图像数据；通过预设感知检测模型对所述道路环境图像数据进行目标检测，得到多帧车道线检测图像数据。
8.一种可行的实施方式中，所述对所述多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值，包括：对各帧车道线检测图像数据对应的各条已检测车道线进行长度测量，得到各条已检测车道线对应的车道线长度值；对各帧车道线检测图像数据对应的各条已检测车道线进行离散处理，得到各条已检测车道线对应的多个离散点；根据各条已检测车道线对应的车道线长度值和各条
已检测车道线对应的多个离散点确定每两帧车道线检测图像数据间的多个车道线关联程度分值。
9.一种可行的实施方式中，所述根据各条已检测车道线对应的车道线长度值和各条已检测车道线对应的多个离散点确定每两帧车道线检测图像数据间的多个车道线关联程度分值，包括：将每两帧车道线检测图像数据间任意两条已检测车道线对应的车道线长度值相加，得到每两帧车道线检测图像数据间的多个待关联车道线长度总和；根据各条已检测车道线对应的多个离散点计算每两帧车道线检测图像数据间的多个待关联车道线距离总和；根据所述多个待关联车道线长度总和与所述多个待关联车道线距离总和确定每两帧车道线检测图像数据间的多个车道线关联程度分值，各待关联车道线长度总和、各待关联车道线距离总和以及各车道线关联程度分值之间存在一一对应关系。
10.一种可行的实施方式中，所述根据所述多个待关联车道线长度总和与所述多个待关联车道线距离总和确定每两帧车道线检测图像数据间的多个车道线关联程度分值，包括：判断各待关联车道线距离总和是否小于各待关联车道线长度总和；若各待关联车道线距离总和小于各待关联车道线长度总和，则计算各待关联车道线距离总和与各待关联车道线长度总和之间的目标比值，计算预设目标值与所述目标比值之间的目标差值，并设置每两帧车道线检测图像数据间的各车道线关联程度分值为所述目标差值；若各待关联车道线距离总和大于或等于各待关联车道线长度总和，设置每两帧车道线检测图像数据间的各车道线关联程度分值为预设分值。
11.一种可行的实施方式中，所述根据所述多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线，包括：当各车道线关联程度分值等于预设分值时，确定每两帧车道线检测图像数据间各车道线关联程度分值对应的已检测车道线不关联；当各车道线关联程度分值大于预设分值时，将各车道线关联程度分值对应的已检测车道线设置为每两帧车道线检测图像数据间的关联车道线。
12.一种可行的实施方式中，在所述根据所述多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线之后，所述车道线关联程度确定方法还包括：对每两帧车道线检测图像数据间的关联车道线进行多帧融合，得到多帧融合车道线图像数据；根据所述多帧融合车道线图像数据生成局部语义地图。
13.本发明第二方面提供了一种车道线关联程度确定装置，包括：获取模块，用于获取多帧车道线检测图像数据，各帧车道线检测图像数据包括多条已检测车道线；关联模块，用于对所述多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值；确定模块，用于根据所述多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线。
14.一种可行的实施方式中，所述获取模块具体用于：接收预设传感器发送的道路环境图像数据；通过预设感知检测模型对所述道路环境图像数据进行目标检测，得到多帧车道线检测图像数据。
15.一种可行的实施方式中，所关联模块还包括：测量单元，用于对各帧车道线检测图像数据对应的各条已检测车道线进行长度测量，得到各条已检测车道线对应的车道线长度值；离散单元，用于对各帧车道线检测图像数据对应的各条已检测车道线进行离散处理，得到各条已检测车道线对应的多个离散点；确定单元，用于根据各条已检测车道线对应的车
道线长度值和各条已检测车道线对应的多个离散点确定每两帧车道线检测图像数据间的多个车道线关联程度分值。
16.一种可行的实施方式中，所述确定单元还包括：相加子单元，用于将每两帧车道线检测图像数据间任意两条已检测车道线对应的车道线长度值相加，得到每两帧车道线检测图像数据间的多个待关联车道线长度总和；计算子单元，用于根据各条已检测车道线对应的多个离散点计算每两帧车道线检测图像数据间的多个待关联车道线距离总和；确定子单元，用于根据所述多个待关联车道线长度总和与所述多个待关联车道线距离总和确定每两帧车道线检测图像数据间的多个车道线关联程度分值，各待关联车道线长度总和、各待关联车道线距离总和以及各车道线关联程度分值之间存在一一对应关系。
17.一种可行的实施方式中，所述确定子单元具体用于：判断各待关联车道线距离总和是否小于各待关联车道线长度总和；若各待关联车道线距离总和小于各待关联车道线长度总和，则计算各待关联车道线距离总和与各待关联车道线长度总和之间的目标比值，计算预设目标值与所述目标比值之间的目标差值，并设置每两帧车道线检测图像数据间的各车道线关联程度分值为所述目标差值；若各待关联车道线距离总和大于或等于各待关联车道线长度总和，设置每两帧车道线检测图像数据间的各车道线关联程度分值为预设分值。
18.一种可行的实施方式中，所述确定模块具体用于：当各车道线关联程度分值等于预设分值时，确定每两帧车道线检测图像数据间各车道线关联程度分值对应的已检测车道线不关联；当各车道线关联程度分值大于预设分值时，将各车道线关联程度分值对应的已检测车道线设置为每两帧车道线检测图像数据间的关联车道线。
19.一种可行的实施方式中，所述车道线关联程度确定装置还包括：融合模块，用于对每两帧车道线检测图像数据间的关联车道线进行多帧融合，得到多帧融合车道线图像数据；生成模块，用于根据所述多帧融合车道线图像数据生成局部语义地图。
20.本发明第三方面提供了一种车道线关联程度确定设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述车道线关联程度确定设备执行上述的车道线关联程度确定方法。
21.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的车道线关联程度确定方法。
22.本发明提供的技术方案中，获取多帧车道线检测图像数据，各帧车道线检测图像数据包括多条已检测车道线；对所述多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值；根据所述多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线。本发明实施例中，通过对多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值，并根据多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线，在不同帧的车道线之间存在偏移距离，且相对错位时，提高了每两帧车道线检测图像数据间关联车道线的评分准确性。
附图说明
23.图1为本发明实施例中车道线关联程度确定方法的一个实施例示意图；
24.图2为本发明实施例中每两帧车道线检测图像数据间关联车道线的计算示意图；
25.图3为本发明实施例中车道线关联程度确定方法的另一个实施例示意图；
26.图4为本发明实施例中车道线关联程度确定装置的一个实施例示意图；
27.图5为本发明实施例中车道线关联程度确定装置的另一个实施例示意图；
28.图6为本发明实施例中车道线关联程度确定设备的一个实施例示意图。
具体实施方式
29.本发明实施例提供了一种车道线关联程度确定方法、装置、设备及存储介质，用于在不同帧的车道线之间存在偏移距离，且相对错位时，提高每两帧车道线检测图像数据间关联车道线的评分准确性。
30.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”、“第四”等(如果存在)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。此外，术语“包括”或“具有”及其任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
31.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中车道线关联程度确定方法的一个实施例包括：
32.101、获取多帧车道线检测图像数据，各帧车道线检测图像数据包括多条已检测车道线。
33.其中，多帧车道线检测图像数据用于指示无人驾驶车辆在不同视距下检测的包含车道线的彩色或黑白色的路面图像数据。各帧车道线检测图像数据之间存在关联关系，各帧车道线检测图像数据包括多条已检测车道线，还包括由多条已检测车道线组合的车道，各条已检测车道线包括实线方式表示的车道线和虚线方式表示的车道线。在一些实施例中，服务器接收预设传感器发送的道路环境图像数据，其中，预设传感器可以为摄像头，预设传感器也可以为激光雷达，具体此处不做限定，道路环境图像数据用于指示无人驾驶车辆行驶过程中采集的行驶环境图像信息；服务器通过预设感知检测模型对道路环境图像数据进行目标检测，得到多帧车道线检测图像数据，也就是，服务器通过预设感知检测模型对道路环境图像数据进行车道线检测，得到多帧车道线检测图像数据，以确保各帧车道线检测图像数据均包括多条已检测车道线。其中，预设感知检测模型为预先训练好的感知检测模型，预设感知检测模型可以属于神经网络模型，也可以为深度学习模型，具体此处不做限定。进一步地，服务器将多帧车道线检测图像数据存储于预设数据库中。
34.可以理解的是，本发明的执行主体可以为车道线关联程度确定装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
35.102、对多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值。
36.也就是，服务器对每两帧车道线检测图像数据中的各帧车道线检测图像数据进行重叠度计算处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值。需要说
明的是，每两帧车道线检测图像数据间的各条已检测车道线之间存在偏移距离，且相对错位。本发明适用于实线类型的已检测车道线，也适用于虚线类型的已检测车道线，本实施例仅以实线类型的已检测车道线举例说明，如图2所示，包括已检测车道线a、已检测车道线b、已检测车道线c和已检测车道线d，其中，a和c属于同一帧(也就是相同帧)车道线检测图像数据，b和d属于同一帧车道线检测图像数据。a分别与b和d之间存在偏移距离，且相对错位，c分别与b和d之间存在偏移距离，且相对错位，也就是，服务器需要确定a分别与b和d之间的车道线关联程度分值，以及c分别与b和d之间的车道线关联程度分值。
37.在一些实施例中，服务器分别对多帧车道线检测图像数据提取各自对应的车道线感兴趣区域；服务器对各帧车道线检测图像数据对应的车道线感兴趣区域进行霍夫直线检测，以提取各帧车道线检测图像数据对应的多条已检测车道线，各条已检测车道线具有对应的车道线长度值；服务器将各帧车道线检测图像数据对应的各条已检测车道线离散化为对应的多个离散点，例如，如图2所示，已检测车道线a、已检测车道线b、已检测车道线c和已检测车道线d均被离散化为多个离散点；服务器根据各条已检测车道线对应的多个离散点计算每两帧车道线检测图像数据间各条已检测车道线之间的车道线距离；服务器根据各条已检测车道线对应的车道线长度值和各条已检测车道线之间的车道线距离进行车道线关联程度评分处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值。其中，各车道线关联程度分值可以小于预设分值，也可以大于预设分值，具体此处不做限定。预设分值可以为0，也可以为其他数值，具体此处不做限定。如图2所示，例如，服务器确定已检测车道线a与已检测车道线b之间的车道线关联程度分值大于0且小于或等于1，服务器确定已检测车道线c与已检测车道线d之间的车道线关联程度分值大于0且小于或等于1，服务器确定已检测车道线a与已检测车道线d之间的车道线关联程度分值小于0，服务器确定已检测车道线c与已检测车道线b之间的车道线关联程度分值小于0。
38.103、根据多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线。
39.需要说明的是，各车道线关联程度分值用于确定每两帧车道线检测图像数据间各车道线关联程度分值对应的任意两条已检测车道线的关联程度。也就是，各车道线关联程度分值大于预设分值，则服务器确定各车道线关联程度分值对应的任意两条已检测车道线相关联，各车道线关联程度分值小于预设分值，则服务器确定各车道线关联程度分值对应的任意两条已检测车道线不关联。
40.在一些实施例中，服务器判断各车道线关联程度分值是否大于预设分值；若各车道线关联程度分值大于预设分值，则服务器将各车道线关联程度分值对应的任意两条已检测车道线设置为每两帧车道线检测图像数据间的关联车道线；若各车道线关联程度分值小于或等于预设分值，则服务器确定各车道线关联程度分值对应的任意两条已检测车道线不关联。如图2所示，例如，若预设分值为0，已检测车道线a与已检测车道线b之间的车道线关联程度分值为0.22，已检测车道线c与已检测车道线d之间的车道线关联程度分值为0.34，已检测车道线a与已检测车道线d之间的车道线关联程度分值为-1，已检测车道线c与已检测车道线b之间的车道线关联程度分值为-1，则服务器确定已检测车道线a与已检测车道线b为两帧车道线检测图像数据间的关联车道线，以及已检测车道线c与已检测车道线d为两帧车道线检测图像数据间的关联车道线。进一步地，服务器还可以对已检测车道线a与已检
测车道线b，以及已检测车道线c与已检测车道线d分别进行车道线融合和车道线拟合处理等操作。
41.本发明实施例中，通过对多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值，并根据多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线，在不同帧的车道线之间存在偏移距离，且相对错位时，提高了每两帧车道线检测图像数据间关联车道线的评分准确性。
42.请参阅图3，本发明实施例中车道线关联程度确定方法的另一个实施例包括：
43.301、获取多帧车道线检测图像数据，各帧车道线检测图像数据包括多条已检测车道线。
44.该步骤301的具体执行过程与步骤101的具体执行过程相似，具体此处不再赘述。
45.302、对各帧车道线检测图像数据对应的各条已检测车道线进行长度测量，得到各条已检测车道线对应的车道线长度值。
46.其中，各帧车道线检测图像数据包含多条已检测车道线，还包含由多条已检测车道线组合的车道，也包含其他道路标识信息(例如，直行标识和限速标识等)，具体此处不做限定。在一些实施例中，服务器对各帧车道线检测图像数据进行角点特征提取和车道线提取，得到各帧车道线检测图像数据对应的各条已检测车道线；服务器根据各帧车道线检测图像数据对应的各条已检测车道线计算各帧车道线检测图像数据对应的像素精度；服务器根据各帧车道线检测图像数据对应的像素精度和预设传感器对应的预设畸变参数确定各条已检测车道线对应的车道线长度值。例如，如图2所示，各条已检测车道线分别为a、b、c和d，已检测车道线a对应的车道线长度值为la，已检测车道线b对应的车道线长度值为lb，已检测车道线c对应的车道线长度值为lc以及已检测车道线d对应的车道线长度值为ld。
47.303、对各帧车道线检测图像数据对应的各条已检测车道线进行离散处理，得到各条已检测车道线对应的多个离散点。
48.也就是，服务器按照预设离散化规则将各帧车道线检测图像数据对应的各条已检测车道线离散化成各条已检测车道线对应的多个离散点。其中，预设离散化规则用于指示每隔预设距离对各帧车道线检测图像数据对应的各条已检测车道线进行采样点处理。预设距离可以为1米，也可以为1.5米，具体此处不做限定。例如，如图2所示，各条已检测车道线分别为a、b、c和d，服务器在已检测车道线a、已检测车道线b、已检测车道线c和已检测车道线d上分别每隔一米采样1个点，相应的，已检测车道线a对应的多个离散点为a1、a2、a3、a4和a5，已检测车道线b对应的多个离散点为b1、b2、b3、b4和b5，已检测车道线c对应的多个离散点为c1、c2、c3、c4和c5，已检测车道线b对应的多个离散点为d1、d2、d3、d4和d5。
49.需要说明的是，各条已检测车道线a、b、c和d上分别对应的离散点数量可以相同，也可以不相同，具体此处不做限定。
50.304、根据各条已检测车道线对应的车道线长度值和各条已检测车道线对应的多个离散点确定每两帧车道线检测图像数据间的多个车道线关联程度分值。
51.需要说明的是，自动驾驶车辆所行驶的道路至少包括三条车道线和两个车道，每两帧车道线检测图像数据间的关联车道线至少为三对车道线，相应的每两帧车道线检测图像数据间的道线关联程度分值数量至少为3个。在一些实施例中，服务器将每两帧车道线检测图像数据间任意两条已检测车道线对应的车道线长度值相加，得到每两帧车道线检测图
像数据间的多个待关联车道线长度总和，如图2所示，例如，各条已检测车道线分别为a、b、c和d，各条已检测车道线a、b、c和d分别对应的车道线长度值为la、lb、lc和ld，其中，已检测车道线a分别与已检测车道线b和已检测车道线d为待关联车道线，已检测车道线c分别与已检测车道线b和已检测车道线d为待关联车道线，相应的，每两帧车道线检测图像数据间的多个待关联车道线长度总和l分别为la lb，la ld，lc lb以及lc ld；服务器根据各条已检测车道线对应的多个离散点计算每两帧车道线检测图像数据间的多个待关联车道线距离总和；服务器根据多个待关联车道线长度总和与多个待关联车道线距离总和确定每两帧车道线检测图像数据间的多个车道线关联程度分值，各待关联车道线长度总和、各待关联车道线距离总和以及各车道线关联程度分值之间存在一一对应关系。
52.进一步地，服务器在执行根据各条已检测车道线对应的多个离散点计算每两帧车道线检测图像数据间的多个待关联车道线距离总和步骤时，在一些实施例中，服务器获取各条已检测车道线对应的离散点数量，并分别统计每两帧车道线检测图像数据间的各条已检测车道线对应的多个离散点之间的距离，得到各待关联车道线对应的多个离散点距离值；服务器将各待关联车道线对应的多个离散点距离值累加，得到各待关联车道线对应的离散点距离值和；服务器根据各待关联车道线对应的离散点距离值和与各条已检测车道线对应的离散点数量确定每两帧车道线检测图像数据间的多个待关联车道线距离总和。例如，如图2所示，已检测车道线a对应的多个离散点为a1、a2、a3、a4和a5，已检测车道线b对应的多个离散点为b1、b2、b3、b4和b5，已检测车道线a对应的离散点数量na为5，已检测车道线b对应的离散点数量nb为5，服务器将已检测车道线a上离散点a1作为起始点，服务器查找已检测车道线b上距离离散点a1的最近离散点b1，然后服务器再查找已检测车道线a上距离离散点b1最近的离散点a3，并将离散点b1与离散点a3之间的距离作为离散点a1到已检测车道线b的距离以此类推，服务器将离散点b1与离散点a3之间的距离作为离散点a2到已检测车道线b的距离服务器将离散点b1与离散点a3之间的距离作为离散点a3到已检测车道线b的距离服务器将离散点b2与离散点a4之间的距离作为离散点a4到已检测车道线b的距离服务器将离散点b3与离散点a5之间的距离作为离散点a5到已检测车道线b的距离其中，和均为待关联车道线对应的多个离散点距离值。服务器遍历已检测车道线a中所有离散点获取已检测车道线a距离已检测车道线b的距离为服务器遍历已检测车道线b中所有离散点获取已检测车道线b距离已检测车道线a的距离为每两帧车道线检测图像数据间的待关联车道线距离总和为d＝da db。每两帧车道线检测图像数据间的其他待关联车道线距离总和的计算方式类似，具体此处不再赘述。
53.进一步地，服务器在执行根据多个待关联车道线长度总和与多个待关联车道线距离总和确定每两帧车道线检测图像数据间的多个车道线关联程度分值步骤时，在一些实施例中，服务器判断各待关联车道线距离总和是否小于各待关联车道线长度总和；若各待关
联车道线距离总和小于各待关联车道线长度总和，则服务器计算各待关联车道线距离总和与各待关联车道线长度总和之间的目标比值，服务器计算预设目标值与目标比值之间的目标差值，并设置每两帧车道线检测图像数据间的各车道线关联程度分值为目标差值；若各待关联车道线距离总和大于或等于各待关联车道线长度总和，服务器设置每两帧车道线检测图像数据间的各车道线关联程度分值为预设分值。例如，如图2所示，已检测车道线c和已检测车道线d分别对应的离散点数量均为5，已检测车道线c对应的车道线长度值为4米，已检测车道线d对应的车道线长度值为4米，则已检测车道线c和已检测车道线d对应的待关联车道线长度总和l为8米，当已检测车道线c和已检测车道线d对应的待关联车道线距离总和d为0.10米时，车道线关联程度分值为0.988，当已检测车道线c和已检测车道线d对应的待关联车道线距离总和d为3.00米时，车道线关联程度分值为0.625，当已检测车道线c和已检测车道线d对应的待关联车道线距离总和d为10.00米时，车道线关联程度分值为0。
54.305、根据多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线。
55.也就是，服务器根据各车道线关联程度分值从多帧车道线检测图像数据中筛选每两帧车道线检测图像数据间的关联车道线。在一些实施例中，当各车道线关联程度分值等于预设分值时，服务器确定每两帧车道线检测图像数据间各车道线关联程度分值对应的已检测车道线不关联，如图2所示，已检测车道线a与已检测车道线d不关联，已检测车道线b与已检测车道线c不关联；当各车道线关联程度分值大于预设分值时，服务器将各车道线关联程度分值对应的已检测车道线设置为每两帧车道线检测图像数据间的关联车道线，如图2所示，已检测车道线a与已检测车道线b为关联车道线，已检测车道线c与已检测车道线d为关联车道线。其中，预设分值可以按照实际业务需求进行设置，例如，预设分值可以为0。
56.进一步地，服务器对每两帧车道线检测图像数据间的关联车道线进行多帧融合，得到多帧融合车道线图像数据；服务器根据多帧融合车道线图像数据生成局部语义地图。进而服务器通过每两帧车道线检测图像数据间的关联车道线提高了构建语义地图的精准性。
57.本发明实施例中，通过对多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值，并根据多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线，在不同帧的车道线之间存在偏移距离，且相对错位时，提高了每两帧车道线检测图像数据间关联车道线的评分准确性。
58.上面对本发明实施例中车道线关联程度确定方法进行了描述，下面对本发明实施例中车道线关联程度确定装置进行描述，请参阅图4，本发明实施例中车道线关联程度确定装置一个实施例包括：
59.获取模块401，用于获取多帧车道线检测图像数据，各帧车道线检测图像数据包括多条已检测车道线；
60.关联模块402，用于对所述多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值；
61.确定模块403，用于根据所述多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线。
62.本发明实施例中，通过对多帧车道线检测图像数据进行车道线离散点关联处理，
得到每两帧车道线检测图像数据间的多个车道线关联程度分值，并根据多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线，在不同帧的车道线之间存在偏移距离，且相对错位时，提高了每两帧车道线检测图像数据间关联车道线的评分准确性。
63.请参阅图5，本发明实施例中车道线关联程度确定装置另一个实施例包括：
64.获取模块401，用于获取多帧车道线检测图像数据，各帧车道线检测图像数据包括多条已检测车道线；
65.关联模块402，用于对所述多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值；
66.确定模块403，用于根据所述多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线。
67.可选的，所述获取模块401还可以具体用于：
68.对各帧车道线检测图像数据对应的各条已检测车道线进行长度测量，得到各条已检测车道线对应的车道线长度值；
69.对各帧车道线检测图像数据对应的各条已检测车道线进行离散处理，得到各条已检测车道线对应的多个离散点；
70.根据各条已检测车道线对应的车道线长度值和各条已检测车道线对应的多个离散点确定每两帧车道线检测图像数据间的多个车道线关联程度分值。
71.可选的，所述关联模块402还可以包括：
72.测量单元4021，用于对各帧车道线检测图像数据对应的各条已检测车道线进行长度测量，得到各条已检测车道线对应的车道线长度值；
73.离散单元4022，用于对各帧车道线检测图像数据对应的各条已检测车道线进行离散处理，得到各条已检测车道线对应的多个离散点；
74.确定单元4023，用于根据各条已检测车道线对应的车道线长度值和各条已检测车道线对应的多个离散点确定每两帧车道线检测图像数据间的多个车道线关联程度分值。
75.可选的，所述确定单元4023还可以具体用于：
76.相加子单元40231，用于将每两帧车道线检测图像数据间任意两条已检测车道线对应的车道线长度值相加，得到每两帧车道线检测图像数据间的多个待关联车道线长度总和；
77.计算子单元40232，用于根据各条已检测车道线对应的多个离散点计算每两帧车道线检测图像数据间的多个待关联车道线距离总和；
78.确定子单元40233，用于根据所述多个待关联车道线长度总和与所述多个待关联车道线距离总和确定每两帧车道线检测图像数据间的多个车道线关联程度分值，各待关联车道线长度总和、各待关联车道线距离总和以及各车道线关联程度分值之间存在一一对应关系。
79.可选的，所述确定子单元40233还可以包括：
80.判断各待关联车道线距离总和是否小于各待关联车道线长度总和；若各待关联车道线距离总和小于各待关联车道线长度总和，则计算各待关联车道线距离总和与各待关联车道线长度总和之间的目标比值，计算预设目标值与所述目标比值之间的目标差值，并设置每两帧车道线检测图像数据间的各车道线关联程度分值为所述目标差值；
81.若各待关联车道线距离总和大于或等于各待关联车道线长度总和，设置每两帧车道线检测图像数据间的各车道线关联程度分值为预设分值。
82.可选的，所述确定模块403还可以具体用于：
83.当各车道线关联程度分值等于预设分值时，确定每两帧车道线检测图像数据间各车道线关联程度分值对应的已检测车道线不关联；
84.当各车道线关联程度分值大于预设分值时，将各车道线关联程度分值对应的已检测车道线设置为每两帧车道线检测图像数据间的关联车道线。
85.可选的，所述车道线关联程度确定装置还包括：
86.融合模块404，用于对每两帧车道线检测图像数据间的关联车道线进行多帧融合，得到多帧融合车道线图像数据；
87.生成模块405，用于根据所述多帧融合车道线图像数据生成局部语义地图。
88.本发明实施例中，通过对多帧车道线检测图像数据进行车道线离散点关联处理，得到每两帧车道线检测图像数据间的多个车道线关联程度分值，并根据多个车道线关联程度分值确定每两帧车道线检测图像数据间的关联车道线，在不同帧的车道线之间存在偏移距离，且相对错位时，提高了每两帧车道线检测图像数据间关联车道线的评分准确性。
89.上面图4和图5从模块化的角度对本发明实施例中的车道线关联程度确定装置进行详细描述，下面从硬件处理的角度对本发明实施例中车道线关联程度确定设备进行详细描述。
90.图6是本发明实施例提供的一种车道线关联程度确定设备的结构示意图，该车道线关联程度确定设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)610(例如，一个或一个以上处理器)和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对车道线关联程度确定设备600中的一系列计算机程序操作。更进一步地，处理器610可以设置为与存储介质630通信，在车道线关联程度确定设备600上执行存储介质630中的一系列计算机程序操作。
91.车道线关联程度确定设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图6示出的车道线关联程度确定设备结构并不构成对车道线关联程度确定设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
92.本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述车道线关联程度确定方法的步骤。
93.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，上述描述的系统，装置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。
94.所述集成的单元如果以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全部或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(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
95.以上所述，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。