一种车道定位方法、系统、电子设备及存储介质与流程

1.本发明实施例涉及导航定位技术领域，具体涉及一种车道定位方法、系统、电子设备及存储介质。


背景技术：

2.目前车道级别导航定位技术，由于摄像头受外部干扰后(如车辆遮挡、车线不清晰、逆光、天气等因素影响)，或者由于物理原因造成车线磨损或者被遮挡，也会导致摄像头识别不准确，容易出现车线误识别或者车线无法识别的情况，导致车道级导航定位精度低、稳定性差。
3.另外，现在车道定位过程中数据库数据更新慢，数据更新流程包括道路数据采集、数据编译、数据审图、数据发布，一次数据更新需要至少要3个月以上，但是车线数据变化快，如交通规则变化，地图数据中原先预存的虚线车线，实际中已经变更为实线了，如果更新不及时，同样会导致车道定位出错。


技术实现要素：

4.本发明实施例的目的在于提供一种车道定位方法、系统、电子设备及存储介质，用以解决现有现在车道级别导航定位精度低、稳定性差的问题。
5.为实现上述目的，本发明实施例主要提供如下技术方案：
6.第一方面，本发明实施例提供了一种车道定位方法，所述方法包括：
7.收集各个车辆的车线数据和车辆轨迹数据，所述车线数据包括车线类型和车线颜色；
8.基于获取的所述车线数据和车辆轨迹数据进行终端自学习分析，得到车辆轨迹数据中每一数据选取点的第一自学习分析结果；
9.将所述数据选取点的第一自学习分析结果串联，得到对应长度线段的第二自学习分析结果；
10.基于所述第二自学习分析结果得到第一目标车线数据；
11.根据所述第一目标车线数据和所述车辆轨迹数据得到第一车道定位数据。
12.第二方面，本发明实施例提供了一种车道定位方法，所述方法包括：
13.收集预设范围内各个车辆的采集设备信息、车线数据和车辆轨迹数据，所述车线数据包括车线类型和车线颜色；
14.基于获取的所述采集设备信息、车线数据和车辆轨迹数据进行全数据自学习分析，得到车辆轨迹数据中每一数据选取点的第三自学习分析结果；
15.将所述数据选取点的所述第三自学习分析结果串联，得到预设长度线段的第四自学习分析结果；
16.基于所述第四自学习分析结果得到第二目标车线数据；
17.根据所述第二目标车线数据和所述车辆轨迹数据得到第二车道定位数据。
18.第三方面，本发明实施例提供了一种车道定位方法，所述方法包括：
19.基于车辆当前位置分别进行终端自学习分析和全数据自学习分析；
20.若车辆当前位置学习分析得到第一目标车线数据和第二目标车线数据；
21.对比所述车辆当前位置的车线数据与所述第二目标车线数据是否一致；
22.若两者一致，则将所述第二车道定位数据作为输出结果，
23.若两者不一致，则基于所述第四自学习分析结果对所述车辆当前位置的车线数据进行校正，并将第二校正结果作为输出结果。
24.第四方面，本发明实施例还提供一种车道定位系统，所述系统包括：
25.第一数据收集模块，用于收集各个车辆的车线数据和车辆轨迹数据，所述车线数据包括车线类型和车线颜色；
26.第一自学习分析模块，用于基于获取的所述车线数据和车辆轨迹数据进行终端自学习分析，得到车辆轨迹数据中每一数据选取点的第一自学习分析结果；
27.第二自学习分析模块，用于将预设个数的数据选取点的所述第一自学习分析结果串联，得到预设长度线段的第二自学习分析结果；
28.第一确定模块，用于基于所述第二自学习分析结果得到第一目标车线数据；
29.第一车道定位模块，用于根据所述第一目标车线数据和所述车辆轨迹数据得到第一车道定位数据。
30.第五方面，本发明实施例还提供一种车道定位系统，所述系统包括：
31.第二数据收集模块，用于在预设范围内收集各个车辆的采集设备信息、车线数据和车辆轨迹数据，所述车线数据包括车线类型和车线颜色；
32.第三自学习分析模块，用于基于获取的所述采集设备信息、车线数据和车辆轨迹数据进行全数据自学习分析，得到车辆轨迹数据中每一数据选取点的第三自学习分析结果；
33.第四自学习分析模块，用于将预设个数的数据选取点的所述第三自学习分析结果串联，得到预设长度线段的第四自学习分析结果；
34.第二确定模块，用于基于所述第四自学习分析结果得到第二目标车线数据；
35.第二车道定位模块，用于根据所述第二目标车线数据和所述车辆轨迹数据得到第二车道定位数据。
36.第六方面，本发明实施例还提供一种电子设备，包括：至少一个处理器和至少一个存储器；
37.所述存储器用于存储一个或多个程序指令；
38.所述处理器，用于运行一个或多个程序指令，用以执行如第一方面～第三方面所述的一种车道定位方法。
39.第七方面，本发明实施例还提供一种计算机可读存储介质，包含一个或多个程序指令，所述一个或多个程序指令用于被执行如第一方面～第三方面所述的一种车道定位方法。
40.本发明实施例提供的技术方案至少具有如下优点：
41.本发明实施例提供的一种车道定位方法、系统、电子设备及存储介质，在车线定位技术基础上，利用网络大数据，达到快速智能自学习，并且能够充分学习，从而智能的给出
车线定位，提高车线定位准确性。具体地，利用从选定用户终端获取的历史数据进行终端自学习分析，当摄像头识别数据不准确时，利用自学习分析得到的结果对当前车线数据进行校正，避免了出现车线误识别或者车线无法识别的情况，提高了车道级导航定位精度和稳定性。
附图说明
42.图1为本发明第一个实施例公开的一种车道定位方法的流程示意图一。
43.图2为本发明第一个实施例公开的一种车道定位方法的流程示意图二。
44.图3为本发明第一个实施例中基于获取的所述车线数据和车辆轨迹数据进行终端自学习分析的流程示意图。
45.图4为本发明第一个实施例中基于所述第二自学习分析结果得到第一目标车线数据的流程示意图。
46.图5为本发明实施例公开的用户终端存储的某路段车道的车线数据示意图。
47.图6为本发明实施例公开的某路段车道的车线数据发生变化后的示意图。
48.图7为本发明第二个实施例中公开的一种车道定位方法的流程示意图。
49.图8为本发明第二个实施例中基于获取的所述车线数据和车辆轨迹数据进行终端自学习分析的流程示意图。
50.图9为本发明第三个实施例中公开的一种车道定位方法的流程示意图。
51.图10为本发明第四个实施例中公开的一种车道定位系统的结构示意图。
52.图11为本发明第五个实施例中公开的一种车道定位系统的结构示意图。
53.图12为本发明第五个实施例中公开的一种电子设备的结构示意图。
具体实施方式
54.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
55.在本发明的描述中，需要理解的是，术语“多个”表示至少一个，可以是两个，也可以是两个以上。此外，术语“第一”和“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
56.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“连接”应做广义理解，例如可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
57.目前车道级别导航定位技术，只是单纯的结合地图数据准确性和摄像头识别车线数据进行匹配做车道定位，经常会产生车线定位错误。
58.第一方面
59.本发明实施例提供了一种车道定位方法，如图1所示，所述方法包括以下步骤：
60.s11：收集各个车辆的车线数据和车辆轨迹数据，所述车线数据包括车线类型和车线颜色；
61.s12：基于获取的所述车线数据和车辆轨迹数据进行终端自学习分析，得到车辆轨迹数据中每一数据选取点的第一自学习分析结果；
62.s13：将所述数据选取点的第一自学习分析结果串联，得到对应长度线段的第二自学习分析结果；
63.s14：基于所述第二自学习分析结果得到第一目标车线数据；
64.s15：根据所述第一目标车线数据和所述车辆轨迹数据得到第一车道定位数据。
65.在本发明实施例中，是基于收集到的各个车辆的数据，进行终端自学习分析，得到每个车辆轨迹中每个数据选取点的学习结果，该点学习成功或失败，及该点的属性，将学习得到的第一自学习结果串联，得到对应长度线段的第二自学习分析结果，该线段学习成功或失败，及该线段的属性，最终得到各个线段的车线属性，进而结合车辆轨迹得到车道定位数据。
66.进一步地，在本实施例中，如图2所示，所述方法还包括以下处理步骤：
67.s21：获取车辆当前位置的车线数据；
68.s22：比对所述车辆当前位置的车线数据与所述第一目标车线数据是否一致；
69.s23：若两者一致，则将所述第一车道定位数据作为输出结果；
70.s24：若两者不一致，则基于所述第二自学习分析结果对所述车辆当前位置的车线数据进行校正，并将第一校正结果作为输出结果。
71.本发明上述实施例在车线定位技术基础上，利用网络大数据，达到快速智能自学习，并且能够充分学习，从而智能的给出车线定位，提高车线定位准确性。具体地，利用从选定用户终端获取的历史数据进行终端自学习分析，当摄像头识别数据不准确时，利用自学习分析得到的结果对当前车线数据进行校正，避免了出现车线误识别或者车线无法识别的情况，提高了车道级导航定位精度和稳定性。
72.进一步地，在本实施例中，如图3所示，所述基于获取的所述车线数据和车辆轨迹数据进行终端自学习分析之前需要进行以下步骤s31-s33，而进一步地得到车辆轨迹中每一数据选取点的第一自学习分析结果，继续进行以下步骤 s34-s37：
73.s31：统计车辆轨迹数据中每一数据选取点的各个车线数据的第一出现次数；
74.s32：判断所述各个车线数据的第一出现次数是否满足第一阈值，若否，则跳转至步骤s33，若是，则跳转至步骤s34；
75.s33：将各个数据选取点对应的各个车线数据保存为第一中间结果；
76.s34：统计每一数据选取点的各个车线数据的第一权值，所述第一权值为所述各个车线数据的出现概率；
77.s35：判断所述第一权值是否满足第二阈值，若是，则跳转至步骤s36，若否，则跳转至步骤s37；
78.s36：该数据选取点学习成功，将该数据选取点对应的车线数据作为第一自学习分析结果；
79.s37：该数据选取点学习失败。
80.具体地，列举以下实例进行说明，以车线类型为例，每个点的车线类型有实线、虚线、点虚线、实虚线、双实线等，在车辆轨迹数据中，可以每隔一米打一个点，得到所述的数据选取点，经过一段时间积累，所述的数据选取点被多次经过，每次经过均打点，统计每次打点的各个车线类型的第一出现次数以及第一权值，例如该点a的各个车线类型的第一出现次数为：实线(m＝100 次)，虚线(n＝9次)，点虚线(l＝1次)，实虚线(k＝1次)，双实线(i
25点未成功，26-46成功，且若0-20和26-46点的车线类型都是实线，则0-46区间为实线；若0-20点的车线类型为实线，26-46 点的车线类型为虚线，21-25点没有学习结果，判断该段为过度阶段，学习完成后，21-25的前后两区间平分，则0-23为实线，24-46点为虚线。
95.当连续10个以上的数据选取点学习失败时，该连续子线段的学习结果则采用数据库数据(db)存储的数据。如列举的实例，例如0-3点成功，第4 点失败，6-10点成功，第11点失败，12-23成功，则0-11点没有学习结果， 12-23有学习结果，该0-11点未学习成功的，则采用数据库数据(db)存储的数据，12-23成功这段仍然采用学习结果的车线类型。又如0-20点学习成功， 21-32点未成功，33-53点学习成功，因为21-32未学习成功，此时超过10个点未学习成功，该21-32点这段未学习成功的，则采用数据库数据(db)存储的数据，即0-20点这段是学习结果的车线类型，21-32点这段采用数据库数据(db)存储的车线类型，33-53点这段仍然采用学习结果的车线类型。
96.进一步地，所述方法还包括：
97.获取各个车辆的采集设备信息；将每个车辆的采集设备信息与该车辆的基于所述第二自学习分析结果得到的第一目标车线数据关联存储。如图5所示，对于第四车线，图中显示为点虚线，不同款采集设备(摄像头)识别效果不一样，如果该款摄像头容易将点虚线识别成实线，经过大数据对比，发现该款摄像头的90％用户(用户数需要超过50个以上)将该地点的第四车线识别成实线，则将摄像头硬件型号和第四车线的车线类型为实线在生产云端数据中保存起来。下次这类用户再将该地点第四车线的车线类型识别成实线时，虽然和存储的点虚线匹配不上，但是和云端数据能匹配上。则也算匹配成功。不会因为该车线的车线类型匹配错误导致车线定位错误。
98.图5为本发明一个实施例中公开的用户终端存储的某路段车道的车线数据示意图。图中以车线类型为例进行说明，用户终端存储的该路段的车道信息为从左至右共有四个车道和五条车线，四个车道分别为第一至第四车道，五条车线分别为第一至第五车线，第一至第五车线对应的车线类型的数据库数据存储为实线、虚线、虚线、点虚线、实线。图中箭头代表车辆，即车辆在第二车道行驶时，假如，存在80％以上用户终端将上述第一至第四车线的车线类型识别为实线、虚线、虚线、实线。此时，第一至第三车线对应的车线类型(实线、虚线、虚线)是能与存储的车线类型匹配上，本发明实施例利用上述终端自学习分析，通过大数据样本数累积，一旦有超过200用户，上述路段的第一至第三车线对应的车线类型都识别成实线、虚线、虚线，则将第一至第三车线对应的车线类型作为历史数据的自学习分析结果录入云端数据中。则当个别用户车辆行驶在左数第二车道时，如果由于第一车线受到车辆遮挡、下雨遮挡、临时障碍物干扰等，将第一车线误识别成虚线时，则通过对比该路段云端学习的数据，将第一车线误识别的信息校正。从而防止由于摄像头误识别，导致的车道定位错误。在车线定位技术基础上，利用网络大数据，达到快速智能自学习，并且能够充分学习，从而智能的给出车线定位，提高车线定位准确性。
99.而如图6所示，同样地，用户终端存储的该路段的车道信息为从左至右共有四个车道和五条车线，四个车道分别为第一至第四车道，五条车线分别为第一至第五车线。对于第四车线，对比上述图5，假设第三车线由于交通规则变化，已经从虚线变成实线，但是由于数据库数据采集更新慢，用户使用的数据库数据(db)中的第一至第五车线对应的车线类型仍然是上图图5所示的(实线、虚线、虚线、点虚线、实线)，这样用户在车线类型变更后，该地点
定位错误的概率将大大提升，因此通过收集第三车线的车线类型，经过学习分析，将第三车线的车线类型从稳定的虚线变成稳定的实线。则将调整后的第三车线的车线类型更新到云端数据中。下次终端再识别成实线时，则通过云端数据即可匹配上，从而提高定位的准确性。
100.第二方面
101.本发明实施例提供了一种车道定位方法，如图7所示，所述方法包括以下步骤：
102.s51：收集预设范围内各个车辆的采集设备信息、车线数据和车辆轨迹数据，所述车线数据包括车线类型和车线颜色；
103.s52：基于获取的所述采集设备信息、车线数据和车辆轨迹数据进行全数据自学习分析，得到车辆轨迹数据中每一数据选取点的第三自学习分析结果；
104.s53：将所述数据选取点的所述第三自学习分析结果串联，得到预设长度线段的第四自学习分析结果；
105.s54：基于所述第四自学习分析结果得到第二目标车线数据；
106.s55：根据所述第二目标车线数据和所述车辆轨迹数据得到第二车道定位数据。
107.在本发明实施例中，是基于收集到的各个车辆的数据，进行终端自学习分析，得到每个车辆轨迹中每个数据选取点的学习结果，该点学习成功或失败，及该点的属性，将学习得到的第一自学习结果串联，得到对应长度线段的第二自学习分析结果，该线段学习成功或失败，及该线段的属性，最终得到各个线段的车线属性，进而结合车辆轨迹得到车道定位数据。
108.进一步地，在本实施例中，所述方法还包括：
109.获取车辆当前位置的车线数据；比对所述车辆当前位置的车线数据与所述第二目标车线数据是否一致；若两者一致，则将所述第二车道定位数据作为输出结果，若两者不一致，则基于所述第四自学习分析结果对所述车辆当前位置的车线数据进行校正，并将第二校正结果作为输出结果。具体地，此部分的处理过程和实施例一对第二自学习分析结果进行校正的处理过程相同，再此不再赘述。
110.进一步地，在本实施例中，如图8所示，所述基于获取的所述采集设备信息、车线数据和车辆轨迹数据进行全数据自学习分析之前需要进行以下步骤 s61-s63，而进一步地得到车辆轨迹数据中每一数据选取点的第三自学习分析结果，继续进行以下步骤s64-s637：
111.s61：统计车辆轨迹数据中每一数据选取点的各个车线数据的第二出现次数；
112.s62：判断所述各个车线数据的第二出现次数是否满足第三阈值，若否，则跳转至步骤s63，若是，则跳转至步骤s64；
113.s63：则将各个数据选取点的车线数据保存为第二中间结果；
114.s64：统计每一数据选取点的各个车线数据的第二权值，所述第二权值为所述各个车线数据的累计权重；
115.s65：判断所述第二权值是否满足第四阈值，若是，则跳转至步骤s66，若否，则跳转至步骤s67；
116.s66：该数据选取点学习成功，将该数据选取点对应的车线数据作为第三自学习分析结果；
117.s67：该数据选取点学习失败。
118.进一步地，在本实施例中，所述统计每一数据选取点的各个车线数据的第二权值，具体为：基于车辆轨迹数据中每一数据选取点的各个车线数据，统计各类采集设备类型的第三出现次数；并获取各类采集设备类型对应的第三权值；进而根据所述各类采集设备类型的第三出线次数和相对应的所述第三权值的乘积，得到各类采集设备类型的权重；最后计算各类采集设备类型的权重之和，得到所述第二权重。
119.具体地，每条车线都有对应采样的数据，选择多功能摄像头(mfk)识别的车线数据总是数据库数据(db)存储的车线数据一致的车线，每隔一米打一个点，方法和终端自学习分析类似，不过多了摄像头硬件类型权重，即以车线类型为例，每个点的车线类型有实线、虚线、点虚线、实虚线、双实线等，其中，第二权值是根据硬件的好坏给出的不同参数赋值，为自定义的经验值。通过上述实施例，通过计算得到各个车线类型的累计权重；例如，某点的各个车线类型的累计权重分别为：实线：m＝100次
×
硬件a(0.7) 120次
×
硬件 b(0.5)，虚线：n＝9次
×
硬件a(0.7) 7次
×
硬件c(0.3)，点虚线：l＝20 次
×
硬件c(0.3)，实虚线：k＝5次
×
硬件d(0.1)，双实线：i＝0次。每个车线类型累计权重达到200(该项为自定义的经验值)，并且该累计权重占总体权重比例达到90％，即，(m/(m n l k i)))≥90％，上述为预设条件，此时，将对应的车线数据作为该数据选取点的第三自学习分析结果。
120.进一步地，在本实施例中，所述将各数据选取点的所述第三自学习分析结果串联，得到对应长度线段的第四自学习分析结果，具体为：将第三自学习分析结果相同的连续的所述数据选取点串联，得到各连续子线段的学习结果，作为所述第四自学习分析结果。具体地，此部分的处理过程和实施例一对第一自学习分析结果进行串联的处理过程相同，再此不再赘述。
121.进一步地，在本实施例中，所述基于所述第四自学习分析结果得到第二目标车线数据，具体为：根据道路类型确定学习结果判断阈值；
122.当连续子线段包含的数据选取点的个数大于等于所述学习结果判断阈值；且该所述连续子线段的学习结果为成功，则将该连续子线段的车线数据作为所述第二目标车线数据；或该所述连续子线段的学习结果为失败，则获取地图数据库中该线段存储的车线数据，作为所述第二目标车线数据。
123.所述基于所述第四自学习分析结果得到第二目标车线数据，还包括：
124.当连续子线段包含的数据选取点的个数小于所述学习结果判断阈值；且该所述连续子线段前后相邻的连续子线段包含的数据选取点的个数大于等于所述学习结果判断阈值，该所述连续子线段前半段和后半段，分别采用的其相邻的连续子线段的车线数据，作为所述第二目标车线数据；该所述连续子线段前和/或后相邻的连续子线段包含的数据选取点的个数小于所述学习结果判断阈值，则获取地图数据库中该线段存储的车线数据，作为所述第二目标车线数据。
125.本发明实施例中，当摄像头有问题时，可以通过其他摄像头学习的数据，矫正摄像头识别错误。例如对于同一条车线的车线类型，数据库数据存储为实线，例如有200台车辆采集设备(摄像头)，195台识别的是实线，5台其他线，那么这5台的摄像头大概率是没经过校验学习，或者安装角度有问题。如当数据库数据(db)有问题，则可以通过整体摄像头学习的数据矫正该问题。例如同一条车线的车线类型，数据库数据(db)存储为虚线，有200台车辆采集设备(摄像头)，195台识别的是实线，5台为虚线。那么这条车线的车线类型大概率是
存储数据存在问题，不是摄像头存在问题。而当车辆采集设备 (摄像头)不存在问题，数据库数据(db)也无问题，但是车线被物理磨损了。例如对于同一条车线，数据库数据(db)存储虚线，但是由于车线磨损了，摄像头识别不出来了。例如有200台车辆采集设备(摄像头)，195台识别失败，5台为虚线。则认为此处车线本身存在问题，同样可以通过上述实施例中的大数据分析数据规律解决该问题。
126.第三方面
127.本发明实施例提供了一种车道定位方法，如图9所示，所述方法包括以下步骤：
128.s71：基于车辆当前位置分别进行终端自学习分析和全数据自学习分析；
129.s72：若车辆当前位置学习分析得到第一目标车线数据和第二目标车线数据；
130.s73：对比所述车辆当前位置的车线数据与所述第二目标车线数据是否一致，若是，则跳转至步骤s74，若否，则跳转至步骤s75；
131.s74：将所述第二车道定位数据作为输出结果；
132.s75：基于所述第四自学习分析结果对所述车辆当前位置的车线数据进行校正，并将第二校正结果作为输出结果。
133.本发明实施例中中，当将云端学习(全数据自学习分析)的结果下发给相同硬件类型的终端，终端直接基于云端学习的结果继续学习(终端自学习分析)，从而解决车辆刚出产未学习、车线定位稍差的问题。
134.另外，在学习分析结束之后，还可以测试验证学习结果是否可以用，主要是拿最近客户上传的轨迹，加学习的车线数据，通过学习分析结果，确认该处车道定位没有异常跳车道动作，进而对于学习分析结果进行测试。
135.而针对用户投诉的路段，分析对比数据，例如：其他硬件类型的车辆，使用同一个db，大部分并无跳路情况，证明该处车线没有问题，是该车辆摄像头识别该处路况可能有问题，然后统计分析该处摄像头经常识别出的结果，只使用该用户的摄像头数据学习，并将此处数据做成摄像头识别的类型，从而让指定车辆在该处车道定位准确。如果是其他硬件类型的车辆，使用同一个db，也有很多跳路情况，分析可能是车线有变更或者物理磨损或者有障碍物遮挡等，则参考其他车辆的数据，学出一个准确的车线数据。或是抽取用户用户投诉的问题点附近的轨迹数据，进行人工分析，然后根据分析结果，确定车道经常被定位错误的原因，经过排查摄像头和车线数据，如果是硬件或者车线数据原因，则通过人工采集(包括工作人员采集，悬赏用户上传，图商数据等获得实际车线数据)的车线数据对比，确认是数据问题，人工制作该区域车线数据，确定是摄像头问题，就人工分析摄像头特性，根据摄像头特效制作数据，如果是车道定位算法问题，则转给车道定位算法解决，并最终生产校正结果下发到投诉用户的终端上。
136.更进一步地，在上述三个方面列举的实施例的基础上，所述的车线数据还包含车道数量、车道宽度、车线宽度、车线曲率及曲率变化率，停止线、斑马线、道路箭头的位置，基于获取的停止线、斑马线、道路箭头及直线、左转、掉头、直线加掉头和直线加左转的道路箭头方向等各属性，针对各属性采用不同学习方法进行处理，具体来说，
137.所述车线数据包含车道数量、车道宽度、车线宽度、车线曲率及曲率变化率，基于获取的每一数据选取点的车道数量、车道宽度、车线宽度、车线曲率及曲率变化率，通过卡尔曼滤波算法学习得到第五自学习分析结果；或
138.所述车线数据包含停止线、斑马线、道路箭头的位置，基于获取的停止线、斑马线、道路箭头的位置经纬度值，通过平均值法学习得到第六自学习分析结果；或
139.所述车线数据包含直线、左转、掉头、直线加掉头和直线加左转的道路箭头方向，基于获取的每一数据选取点的各类道路箭头方向的次数分别进行累加，统计出次数最多的结果作为第七自学习分析结果。
140.第四方面
141.本发明实施例还提供一种车道定位系统，如图10所示，所述系统包括：
142.第一数据收集模块80，用于收集各个车辆的车线数据和车辆轨迹数据，所述车线数据包括车线类型和车线颜色；
143.第一自学习分析模块81，用于基于获取的所述车线数据和车辆轨迹数据进行终端自学习分析，得到车辆轨迹数据中每一数据选取点的第一自学习分析结果；
144.第二自学习分析模块82，用于将预设个数的数据选取点的所述第一自学习分析结果串联，得到预设长度线段的第二自学习分析结果；
145.第一确定模块83，用于基于所述第二自学习分析结果得到第一目标车线数据；
146.第一车道定位模块84，用于根据所述第一目标车线数据和所述车辆轨迹数据得到第一车道定位数据。
147.与上述公开的一种车道定位方法相对应，本发明实施例还公开了一种车道定位系统。需要说明的是，本实施例的一种车道定位系统的具体实施方式与本发明实施例的一种车道定位方法的具体实施方式类似，具体参见一种车道定位方法部分的描述，为了减少冗余，不做赘述。
148.第五方面
149.本发明实施例还提供一种车道定位系统，如图11所示，所述系统包括：
150.第二数据收集模块90，用于在预设范围内收集各个车辆的采集设备信息、车线数据和车辆轨迹数据，所述车线数据包括车线类型和车线颜色；
151.第三自学习分析模块91，用于基于获取的所述采集设备信息、车线数据和车辆轨迹数据进行全数据自学习分析，得到车辆轨迹数据中每一数据选取点的第三自学习分析结果；
152.第四自学习分析模块92，用于将预设个数的数据选取点的所述第三自学习分析结果串联，得到预设长度线段的第四自学习分析结果；
153.第二确定模块93，用于基于所述第四自学习分析结果得到第二目标车线数据；
154.第二车道定位模块94，用于根据所述第二目标车线数据和所述车辆轨迹数据得到第二车道定位数据。
155.与上述公开的一种车道定位方法相对应，本发明实施例还公开了一种车道定位系统。需要说明的是，本实施例的一种车道定位系统的具体实施方式与本发明实施例的一种车道定位方法的具体实施方式类似，具体参见一种车道定位方法部分的描述，为了减少冗余，不做赘述。
156.第六方面
157.本发明实施例还提供一种电子设备，包括：至少一个处理器和至少一个存储器；
158.如图12所示，该电子设备包括处理器100、存储器110、输入装置120和输出装置
130；电子设备中处理器100的数量可以是一个或多个，图12中以一个处理器100为例；电子设备中的处理器100、存储器110、输入装置120 和输出装置130可以通过总线或其他方式连接，图12中以通过总线连接为例。
159.存储器110作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的动态库处理方法对应的程序指令/ 模块。处理器100通过运行存储在存储器110中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的动态库处理方法。
160.存储器110可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器110可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器110可进一步包括相对于处理器100 远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
161.第七方面
162.本发明实施例还提供一种计算机可读存储介质，包含一个或多个程序指令，所述一个或多个程序指令用于被执行如第一方面～第三方面所述的一种车道定位方法。
163.当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的动态库处理方法中的相关操作。
164.通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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，如计算机的软盘、只读存储器 (read-only memory,rom)、随机存取存储器(random access memory, ram)、闪存(flash)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
165.本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
166.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。