车道线识别方法及装置与流程

1.本技术实施例涉及地图技术领域，尤其涉及一种车道线识别方法及装置。


背景技术：

2.在高精地图的数据生产过程中，可能会生成大量冗余及噪声类型的车道线，例如针对同一个采集对象输出了多条车道线，并且多条车道线方向不一致。
3.为了保证高精地图的数据准确性，需要针对冗余及噪声类型的车道线进行识别并进行去重处理，目前现有技术中在识别冗余及噪声类型的车道线时，通常是工作人员根据车道线噪声的特征人工定义识别策略，之后根据该识别策略分析各个车道线，以识别异常的车道线。
4.然而传统的技术方案依赖于人工定义规则识别噪声车道线，存在识别准确率不高的问题。


技术实现要素：

5.本技术实施例提供一种车道线识别方法及装置，以克服异常车道线识别准确率不高的问题。
6.第一方面，本技术实施例提供一种车道线识别方法，包括：
7.获取多条待识别的车道线；
8.将各待识别的车道线划分为多个线段；
9.针对任一个所述线段，根据所述线段所属车道线的车道线属性，确定所述线段对应的初始特征向量，所述初始特征向量不反映所述车道线的方向；
10.根据各所述线段对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇；
11.针对任一个所述聚类簇，根据所述聚类簇中的各个线段所属车道线的方向属性，对所述各个线段进行分类处理，得到至少一个类别；
12.根据所述至少一个类别对应的线段的数量，识别异常车道线。
13.第二方面，本技术实施例提供一种车道线识别装置，包括：
14.获取模块，用于获取多条待识别的车道线；
15.划分模块，用于将各待识别的车道线划分为多个线段；
16.确定模块，用于针对任一个所述线段，根据所述线段所属车道线的车道线属性，确定所述线段对应的初始特征向量，所述初始特征向量不反映所述车道线的方向；
17.处理模块，用于根据各所述线段各自对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇；
18.分类模块，用于针对任一个所述聚类簇，根据所述聚类簇中的各个线段所属车道线的方向属性，对所述各个线段进行分类处理，得到至少一个类别；
19.识别模块，用于根据所述至少一个类别对应的线段的数量，识别异常车道线。
20.第三方面，本技术实施例提供一种电子设备，包括：
21.存储器，用于存储程序；
22.处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
23.第四方面，本技术实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
24.第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计中任一所述的方法。
25.本技术实施例提供一种车道线识别方法及装置，该方法包括：获取多条待识别的车道线；将各待识别的车道线划分为多个线段；针对任一个线段，根据线段所属车道线的车道线属性，确定线段对应的初始特征向量，初始特征向量不反映车道线的方向；根据各线段对应的初始特征向量对多个线段进行聚类处理，得到至少一个聚类簇；针对任一个聚类簇，根据聚类簇中的各个线段所属车道线的方向属性，对各个线段进行分类处理，得到至少一个类别；根据至少一个类别对应的线段的数量，识别异常车道线。通过将多条车道线划分为多个线段，之后基于正常车道线和冗余车道线各方面属性都比较相似，只是方向不同的特性，根据每个线段的不反映车道线的方向属性的初始特征向量进行聚类处理，以实现将正常车道线和冗余车道线的线段聚类在同一个聚类簇中，之后再加上方向属性对分类簇中的线段进行分类，以实现将聚类簇中的线段划分为至少两个类别，其中不同类别对应的线段所属车道线的方向不同，以实现将聚类簇中的正常车道线和冗余车道线的线段区分开，然后再根据各个类别各自对应的线段的数量，就可以有效并准确的识别出异常车道线。
附图说明
26.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一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
27.图1为本技术实施例提供的冗余车道线的示意图；
28.图2为本技术实施例提供的车道线识别方法的流程图；
29.图3为本技术实施例提供的特征相似的车道线示意图；
30.图4为本技术实施例提供的车道线识别方法的流程图二；
31.图5为本技术实施例提供的将车道线划分为线段的实现示意图；
32.图6为本技术实施例提供的超平面示意图；
33.图7为本技术实施例提供的识别异常车道线的处理示意图；
34.图8为本技术实施例提供的车道线识别装置的结构示意图；
35.图9为本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
36.为使本技术实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
37.为了更好的理解本技术的技术方案，下面对本技术所涉及的相关技术进行进一步的详细介绍。
38.在高精地图的数据生产过程中，可能会生成大量冗余及噪声类型的车道线，例如针对同一个采集对象输出了多条车道线，并且多条车道线方向不一致，那么其中必然存在识别错误和冗余的车道线。此处介绍的采集对象可以理解为实际场景中的车道线。
39.例如可以结合图1对本技术的应用场景进行理解，图1为本技术实施例提供的冗余车道线的示意图。
40.如图1所示，假设当前根据某个路段的点云数据进行高精地图生产，输出了图1中示意的车道线a～车道线f这6条车道线，其中每条车道线都对应有各自的方向，在图1中用箭头进行了示意。
41.参照图1可以确定的是，车道线c和车道线d的距离非常相近，但是距离是相反的，这是因为在实际场景中在该位置只存在一条车道线，也就是说车道线c和车道线d中至少有一条车道线是冗余的车道线，并且这条冗余车道线的方向也是错误的。
42.之所以会出现上述情况，是因为在车道线的生成过程中，通常是根据沿一个行驶方向某趟采集资料的点云数据集生成该行驶方向的车道线，而为了保证数据的完备性，会尽可能的多采集一些要素，并且单趟采集的车道线的方向和当前点云数据对应的行驶方向是一致的，这也就导致在两个车辆行驶方向的交界处，容易出现上述冗余情况，甚至在非交界处也可能出现上述情况。总的来说，实际场景中某个位置实际上只有一条车道线，但地图资料的识别结果中该位置存在多条，其中，部分车道线的识别方向和实际方向可能不一致，造成高精地图存在噪声和冗余。
43.为了保证高精地图的数据准确性，需要针对冗余及噪声类型的车道线进行识别并进行去重处理，目前现有技术中在识别冗余及噪声类型的车道线时，通常是工作人员进行手动检查并标记出异常车道线，或者工作人员根据车道线噪声的特征人工定义识别策略，再根据该识别策略分析各个车道线，以识别异常的车道线。
44.然而，手动检查并标记出异常车道线的实现方式，存在自动化效率低下的问题。而人工定义识别策略的实现方式，通常都是先由人工分析噪声车道线的特征，然后再针对性的设置识别策略，那么针对上述介绍的场景，可能可以设置如下策略：距离相近但是方向相反的两条车道线中，会存在一条冗余车道线。
45.但是基于此策略，无法区分具体哪条车道线是冗余的，哪条车道线是正常的。例如可以再加上一些附加内容来进行区分，例如再分别判断这两条车道线各自和邻近车道线的距离远近、方向是否相同等等，但是始终无法定义出来一条通用的、准确的识别策略，来识别上述场景中介绍的冗余车道线，因此人工定义识别策略的识别准确率并不高。
46.因此，传统的方案依赖于人工操作或者人工定义规则，存在识别准确率不高，且自动化效率较低的问题。
47.针对上述技术问题，本技术提出了如下技术构思：上述场景中所识别出来的冗余车道线和正常车道线，存在距离相近但是方向相反的特征，因此可以将车道线划分为多个
线段，之后根据不带方向的车道线特征对多个线段进行聚类，从而能够将上述冗余车道线和正常车道线聚类在一起，然后再针对聚类在一起的聚类结果，根据带有方向的车道线特征进行分类，以根据分类结果识别出异常车道线。下面结合具体的实施例对本技术提供的车道线识别方法进行介绍，本技术中各实施例的执行主体可以为服务器、处理器、芯片等具备数据处理功能的设备，本实施例对具体的执行主体不做限制。
48.首先结合图2和图3进行说明，图2为本技术实施例提供的车道线识别方法的流程图，图3为本技术实施例提供的特征相似的车道线示意图。
49.如图2所示，该方法包括：
50.s201、获取多条待识别的车道线。
51.本实施例中需要识别出冗余的车道线，因此在待处理的数据集中会存在至少两条车道线，其中每条车道线中都包含多个形状点。
52.s202、将各待识别的车道线划分为多个线段。
53.本实施例中可以针对各个待识别的车道线分别进行划分，从而将各个车道线都划分为多个线段。例如针对其中的任意一条车道线，本实施例中可以根据车道线中包含的多个形状点，将车道线划分为多个线段，其中线段的端点就是形状点。
54.s203、针对任一个线段，根据线段所属车道线的车道线属性，确定线段对应的初始特征向量，初始特征向量不反映车道线的方向。
55.在划分得到各个线段之后，其中每个线段和车道线之间的对应关系仍然是保持不变的，也就是说每个线段都属于某一个车道线。以及本实施例中针对各个线段车道线均会进行相同的处理，下面以任一个线段为例进行说明。
56.在本实施例中，任一个线段所属车道线对应有车道线属性，其中车道线属性中例如可以包括车道线的位置、车道线的标识、车道线的类型、车道线所属的路段标识等等，本实施例对车道线属性的具体实现方式不做限制。
57.之后可以根据线段所属车道线的车道线属性，确定线段对应的初始特征向量，在本实施例中，初始特征向量不反映车道线的方向。示例性的，可以设置车道线属性中不包含车道线的方向，因为本实施例中的初始特征向量就是根据车道线属性得到的，用于反映车道线属性中所包含的各项属性信息，那么根据不包含车道线方向的车道线属性所确定的初始特征向量，自然就不反映车道线的方向。
58.因此在实际实现过程中，除车道线的方向之外任意的与车道线相关的属性信息，均可以作为本实施例中的车道线属性。
59.s204、根据各线段对应的初始特征向量对多个线段进行聚类处理，得到至少一个聚类簇。
60.之后，就可以根据各个线段各自对应的初始特征向量对多个线段进行聚类处理了，可以理解的是，同一车道线中的各个线段以及与相邻车道线中的各个线段的初始特征向量都是比较相似的，此处的相邻车道线可以包含上述图1介绍的车道线左右距离非常相近的情况，也可以包含图3示意的同一段道路中连续的多条车道线的情况，图3中示意的车道线a和车道线b就是同一段道路中连续的两条车道线，这两条车道线中的各个线段各自对应的初始特征向量也是比较相近的。
61.本实施例中在进行聚类处理之后可以得到至少一个聚类簇，在一个聚类簇中包含
的就是初始特征向量较为相似的多个线段。而基于上述介绍可以理解的是，针对实际场景中的一条车道线识别出冗余车道线的情况，正确车道线和冗余车道线往往各方面属性都是非常相似的，只是方向不同的。
62.而本实施例中的初始特征向量是不反映车道线的方向属性的，在排除方向属性的情况下，正确车道线和冗余车道线的其余属性都是非常相似的，那么上述介绍的正确车道线和冗余车道线的线段的初始特征向量同样也是非常相似的，因此会被聚类到同一个聚类簇中。在本实施例中，实现了将针对同一个车道线识别得到的正确车道线和冗余车道线首先归类到一个聚类簇中，当然在这个聚类簇中可能还包括其余的一些邻近车道线。
63.此处再对上述介绍的划分线段的原因进行说明，之所以要将车道线划分为多个线段，其中一方面是为了便于进行聚类处理，因为相较于根据数量相对较少以及长度较长的车道线进行聚类，根据数据量较大并且每一段的长度都很短的线段进行聚类，更容易实现将相似的车道线对应的线段聚类在一个聚类簇中，以保证聚类结果的准确性。
64.s205、针对任一个聚类簇，根据聚类簇中的各个线段所属车道线的方向属性，对各个线段进行分类处理，得到至少一个类别。
65.在实现将针对同一个车道线识别得到的正确车道线和冗余车道线的线段聚类在同一个聚类簇中之后，因为正确车道线和冗余车道线的车道线方向是不同的，因此就可以进一步根据车道线的方向属性对聚类簇中的各个线段进行分类，以实现正确车道线和冗余车道线的区分，本实施例中针对各个聚类簇的处理方式都是类似的，因此以任一个聚类簇为例进行介绍。
66.本实施例中，可以根据聚类簇中的各个线段各自所属车道线的方向属性，对各个线段进行分类处理，从而得到至少一个类别，其中不同类别的线段所对应的车道线的方向不同。
67.在本实施例中，并不需要确定每一个线段对应的车道线具体是什么方向，只需要将不同的车道线方向对应的线段划分为不同的类别即可，比如说将聚类簇中的线段划分为第一类别和第二类别，实际上并不需要知道第一类别实际对应的是哪个车道线方向，以及第二类别也类似，只需要知道第一类别的线段和第二类别的线段所对应的车道线方向不同即可，也就是说本实施例中只需要对线段进行分类，并不需要知道类别具体的含义，以在能够实现方案目的的基础上节省了计算资源，避免进行不必要的操作。
68.s206、根据至少一个类别各自对应的线段的数量，识别异常车道线。
69.在将聚类簇中的线段进行分类之后，就可以根据至少一个类别各自对应的线段的数量识别异常车道线。
70.示例性的，可以首先根据类别的数量确定是否存在异常车道线。若类别数量为一个的话，则表示聚类簇中的各个线段都被划分到了同一类别中，那也就表示该类别中的线段所对应的车道线都是同一方向的，相应的也就可以确定不存在异常车道线。
71.然而，若类别数量大于或等于2，则表示聚类簇中的线段被划分到了不同的类别中，其中不同类别的线段所对应的车道线的方向不同，相应的也就可以确定存在异常车道线。
72.在确定存在异常车道线的情况下，因为在整体的车道线数据中，噪声和冗余的车道线始终是小部分的数据，因此通常情况下在一个聚类簇中，冗余车道线对应的线段也是
小部分的数据，因此各个类别各自对应的线段的数量，就可以反映出来当前聚类簇所对应车道线的正确方向，所以本实施例中可以根据各个类别各自对应的线段的数量，识别异常车道线。
73.本技术实施例提供的车道线识别方法，包括：获取多条待识别的车道线；将各待识别的车道线划分为多个线段；针对任一个线段，根据线段所属车道线的车道线属性，确定线段对应的初始特征向量，初始特征向量不反映车道线的方向；根据各线段对应的初始特征向量对多个线段进行聚类处理，得到至少一个聚类簇；针对任一个聚类簇，根据聚类簇中的各个线段所属车道线的方向属性，对各个线段进行分类处理，得到至少一个类别；根据至少一个类别对应的线段的数量，识别异常车道线。在本实施例中，通过将多条车道线划分为多个线段，之后基于正常车道线和冗余车道线各方面属性都比较相似，只是方向不同的特性，根据每个线段的不反映车道线的方向属性的初始特征向量进行聚类处理，以实现将正常车道线和冗余车道线的线段聚类在同一个聚类簇中，之后再根据方向属性对聚类簇中的线段进行分类，以实现将聚类簇中的线段划分为至少两个类别，其中不同类别对应的线段所属车道线的方向不同，以实现将聚类簇中的正常车道线和冗余车道线的线段区分开，然后再根据各个类别各自对应的线段的数量，就可以有效并准确的识别出异常车道线。
74.在上述介绍内容的基础上，下面再结合图4至图7对本技术提供的车道线识别方法进行进一步的详细说明，图4为本技术实施例提供的车道线识别方法的流程图二，图5为本技术实施例提供的将车道线划分为线段的实现示意图，图6为本技术实施例提供的超平面示意图，图7为本技术实施例提供的识别异常车道线的处理示意图。
75.如图4所示，该方法包括：
76.s401、针对任一条车道线，将车道线中每两个相邻的形状点依次连接，得到车道线划分后的多个线段。
77.在本实施例中，在将车道线划分为多个线段时，在一种可能的实现方式中，可以将车道线每两个相邻的形状点依次进行连接，其中一次连接就得到一个线段，从而可以得到车道线划分后的多个线段。
78.例如可以结合图5进行理解，如图5所示，假设当前存在一条车道线，该车道线包含图5所示的形状点1～形状点6这6个形状点，之后将该车道线中每两个相邻的形状点依次进行连接，从而得到5个线段。参照图5，将相邻的点1和点2进行连接，可以得到点1-点2组成的线段，以及将相邻的点2和点3进行连接，可以得到点2-点3组成的线段，依次类推，就可以得到图5中所示意的5个线段。
79.在本实施例中，通过将车道线中每两个相邻的形状点依次进行连接，从而得到车道线划分后的多个线段，从而可以有效的保证划分后的每一个线段都是尽可能短的，并且划分后的线段数量是尽可能多的，以为后续的聚类处理提供大量以及简单的聚类样本，一般聚类样本的数量越多，聚类分析的结果越准确，因此本实施例可以有效提升聚类结果的准确性。
80.在实际实现过程中，例如还可以根据连续的多个(例如3个或者4个)形状点划分得到为一个线段，那么线段的两个端点就是这连续的多个形状点中的第一个和最后一个，以及在实际实现过程中，可以按照上述介绍的方式，采用固定数量的形状点划分得到各个线段，以使得各个线段的长度都是相同的，或者还可以不限制各个线段的长度都相同，也就是
说每个线段所覆盖的形状点的数量可以不一样。本技术中对将车道线划分为多个线段的具体实现方式不做限制，其可以根据实际需求进行选择和设置，只要可以实现对车道线的至少一次划分即可。
81.s402、针对任一个线段，根据线段所属车道线的车道线属性，确定线段对应的初始特征向量，初始特征向量不反映车道线的方向。
82.其中，s402的实现方式与s202的实现方式类似，此处不再赘述。
83.s403、将各线段对应的初始特征向量映射至高维特征空间，得到各初始特征向量对应的高维特征向量互相之间的向量距离。
84.在得到各个线段各自对应的初始特征向量之后，本实施例中就可以根据初始特征向量对各个线段进行聚类处理了。在一种可能的实现方式中，本实施例中可以首先将各个线段各自对应的初始特征向量映射至高维特征空间，以得到各初始特征向量各自对应的高维特征向量互相之间的向量距离，此处的向量距离具体是各个线段的高维特征向量在高维特征空间中互相之间的向量距离。
85.可以理解的是，初始特征向量相对于对应的高维特征向量来讲，可以理解为低维特征向量，此处的高维和低维是相对而言的概念，因此本实施例中并不限制高维特征限量和初始特征向量的具体维度。其中高维特征向量的特征表达相较于低维特征向量的特征表达，具有特征更加丰富和完善的特点，因此将初始特征向量映射到高维特征空间，之后再基于高维特征向量互相之间的向量距离进行聚类处理，可以进一步的提升聚类结果的准确性。
86.在确定各个初始特征向量各自对应的高维特征向量互相之间的向量距离时，存在一种实现方式是将各个线段各自对应的初始特征向量映射至高维特征空间，首先得到各个初始特征向量各自对应的高维特征向量，之后再根据各个高维特征向量确定互相之间的向量距离，然而这种实现方式需要首先根据映射关系求得高维特征向量，之后再根据高维特征向量进行处理，因为高维特征向量的维度较多，因此计算复杂度也会非常高。
87.然而，将特征向量映射到高维特征空间，然后在高维特征空间中计算向量距离，和直接计算特征向量的向量距离，然后再进行高维特征空间的映射，这两者的结果是一样的。因此为了解决这个问题，本实施例中采用核函数(kernel function)进行处理，其中核函数可以直接输出两个特征向量映射在高维特征空间中的内积，其中内积用于反映两个特征向量之间的向量距离，因此无需在有高维特征空间中进行计算，也就是说核函数可以使得不需要确定映射函数具体是怎么映射的，甚至不需要选取映射函数，就能够得到特征向量在高维特征空间中的向量距离。
88.其中可以核函数表达为：假设在低维特征空间中存在特征向量x和特征向量x`,以及在低维特征空间中存在某个函数k(x,x`)，它恰好等于特征向量x和特征向量x`在高维特征空间中的映射特征向量的内积，即征空间中的映射特征向量的内积，即为映射函数，就表示特征向量x映射到高维特征空间中的高维特征向量，φ(x`)就表示特征向量x`映射到高维特征空间中的高维特征向量，因此本实施例中不用计算复杂的非线性变换，由这个核函数k(x,x`)就可以直接得到高维特征空间中的向量距离，大大简化了计算。这样的k(x,x`)函数就称为核函数。
89.以各线段各自对应的初始特征向量中的任意两个初始特征向量为例，本实施例中
可以将这两个初始特征向量输入至核函数，得到核函数输出的这两个初始特征向量各自对应的高维特征向量之间的内积，然后两个高维特征向量的内积就可以反映这两个高维特征向量之间的向量距离。针对多个初始特征向量中的任意两个初始特征向量(也可以理解为每两个)均进行上述处理，从而得到各初始特征向量各自对应的高维特征向量互相之间的向量距离。
90.例如当前存在n个线段，这n个线段各自对应的初始特征向量分别为初始特征向量1～初始特征向量n，其中n为大于等于1的整数。
91.则可以将初始特征向量1和初始特征向量2输入至核函数，得到这两个初始特征向量1各自对应的高维特征向量互相之间的内积。以及再将初始特征向量1和初始特征向量3输入至核函数，得到这两个向量在高维特征空间中对应的内积。以及再将初始特征向量1和初始特征向量4输入，等等，依次类推，直至针对任意的两个初始特征向量，都得到了各自对应的高维特征向量互相之间的内积。
92.s404、根据各初始特征向量对应的高维特征向量互相之间的向量距离，对多个线段进行聚类处理，得到至少一个聚类簇。
93.在得到各初始特征向量各自对应的高维特征向量互相之间的向量距离之后，就可以根据向量距离进行聚类处理，可以理解的是，聚类处理就是将特征向量较为相似的线段聚类在一个聚类簇中，而特征向量互相之间得到向量距离就可以直接反映向量是否相似，因此可以高效并且准确的实现对多个线段的聚类处理，以得到至少一个聚类簇。
94.s405、针对任一个聚类簇中的任一个线段，根据线段所属车道线的方向属性，得到线段对应的进阶特征向量。
95.在每个聚类簇中都包含多个线段，其中一个聚类簇中的线段都是特征比较相似的，其对应的车道线可能是上述介绍的左右距离相近的，也可能是同一段道路中连续的。之后本实施例中针对每一个聚类簇均会进行相同的处理，因此下面以任意一个聚类簇为例进行说明。
96.本实施例中针对聚类簇中的任一个线段，根据线段所属车道线的方向属性，得到线段对应的进阶特征向量，其中进阶特征向量就可以反映线段对应车道线的方向。可以理解的是，在生成高精地图时，针对每一条车道线都会标记其对应的方向，此处的方向属性就是针对车道线所标记的方向。
97.可以理解的是，此处的进阶特征向量与上述介绍的初始特征向量相比，进阶特征向量会包含线段对应的车道线的方向特征，而初始特征向量是不包含这个特征的。
98.示例性的，还可以根据线段所属车道线的车道线属性以及方向属性，共同得到线段对应的进阶特征向量，其中车道线属性与上述实施例介绍的类似。在这种情况下，进阶特征向量除了可以反映线段对应的车道线的方向之外，还可以反映线段对应的车道线的位置、标识、类型、路段标识等等的属性信息。在这种实现方式下，因为进阶特征向量包含了更加丰富的特征信息，因此可以在一定程度上提升分类的正确性。
99.s406、将各线段各自对应的进阶特征向量映射至高维特征空间，得到各进阶特征向量各自对应的高维特征向量互相之间的向量距离。
100.在得到各个线段各自对应的进阶特征向量之后，本实施例中同样会将各线段各自对应的进阶特征向量映射至高维特征空间，以得到各进阶特征向量各自对应的高维特征向
量互相之间的向量距离，此处的实现方式与上述s403的实现方式类似。
101.因此，同样可以以各线段各自对应的进阶特征向量中的任意两个进阶特征向量为例，本实施例中可以将这两个进阶特征向量输入至核函数，得到核函数输出的这两个进阶特征向量各自对应的高维特征向量之间的内积，然后两个高维特征向量的内积就可以反映这两个高维特征向量之间的向量距离。针对多个进阶特征向量中的任意两个进阶特征向量(也可以理解为每两个)均进行上述处理，从而得到各进阶特征向量各自对应的高维特征向量互相之间的向量距离。
102.s407、通过支持向量机根据各高维特征向量互相之间的向量距离进行分类处理，以得到支持向量机输出的各线段各自对应的类别。
103.在得到各个线段各自对应的高维特征向量互相之间的向量距离之后，就可以针对聚类簇中的各个线段来进行分类处理了，在一种可能的实现方式中，本实施例中可以通过支持向量机进行分类处理。
104.其中，支持向量机(support vector machine,svm)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的超平面，也就是说支持向量机会找到一个超平面作为分类标准，在这个超平面的同一侧所有数据点是第一类，另一侧所有数据点是第二类。
105.其中将数据集分隔开来的决策边界就称为超平面，假如数据集是n维的，那么超平面就是n-1维的，其中超平面可以简单理解为线性表达，在二维中超平面是一根直线，三维中超平面是一个平面。
106.基于上述介绍可以理解的是，要实现数据分类，一定要找到一个超平面将两类数据分隔开，然而对于分类，有些数据集是线性可分的，也就是说可以通过一条直线将数据集中不同类别的数据分开，而有些数据集是线性不可分的，也就是说无法通过一条直线将不同类别的数据分开。
107.比如说参照图6中的(a)，数据集中的数据可以分为两个类别，两种类别分别用星形和圆形表示，在图6(a)所示的低维空间中，无法找到一条直线将两类数据分割开。然而参照图6(b)，若将数据集映射至高维空间中，在高维空间中就可以找到一个超平面将两种不同类别的数据分割开了。
108.因此在本实施例中，确定进阶特征向量在高维特征空间中的向量距离，除了上述介绍的高维特征空间中向量的特征表达更丰富的原因之外，还有一个原因就是线段对应的进阶特征向量在高维特征空间中才可以实现分类。
109.而支持向量机在进行分类处理的时候，也只关心数据之间的内积，而不关心进阶特征向量在高维特征空间中的向量表达，因此本实施例中通过核函数对进阶特征向量进行处理，以得到各个进阶特征向量的高维特征向量两两之间的向量距离，之后再通过支持向量机根据各高维特征向量互相之间的向量距离进行分类处理，就可以有效的得到支持向量机输出的各线段各自对应的类别，因此本技术的技术方案中可以准确有效的实现对聚类簇中的线段的分类处理。
110.本实施例中介绍的支持向量机为二分类的，在类别数量大于1的情况下，本实施例中线段对应的类别可以表示为第一类别或第二类别，需要说明的是，本实施例中其实并不需要确定第一类别和第二类别具体对应的是什么方向，也就是说不关心类别的含义，只需
要将对应不同车道线方向的线段分为两类即可，就可以实现后续的方案目的，因此本技术的技术方案避免进行不必要的分析处理，有效的节省计算资源。
111.或者在实际实现过程中，还可以采用其余多分类的分类模型进行当前介绍的分类处理，那么相应的分类得到的线段的类别也不限于当前介绍的第一类别和第二类别。
112.s408、根据聚类簇中的各线段对应的类别，对各个线段进行分类处理，得到至少一个类别。
113.本实施例中会针对聚类簇中的每一个线段都确定各自对应的类别，在确定聚类簇中的各个线段各自对应的类别之后，就可以对各个线段进行分类处理，从而得到至少一个类别。
114.例如各个线段各自对应的类别均为同一个类别的话，那么分类处理就可以得到一个类别，该类别中就包含了当前聚类簇中的所有线段。
115.如果各个线段各自对应的类别并不完全相同的话，例如部分线段对应的类别为上述介绍的第一类别，部分线段对应的类别为上述介绍的第二类别，那么就可以确定分类处理得到了第一类别和第二类别。
116.s409、若分类处理后得到的类别数量大于1，则确定存在异常车道线。
117.在分类处理之后，可以首先判断分类处理后的类别数量是否大于1，在类别数量大于1的情况下，才可以确定存在异常车道线，进而再执行后续的处理。
118.若类别数量等于1，则可以确定并不存在异常车道线，因此可以直接结束当前流程。
119.s410、根据第一类别的线段的数量和聚类簇中的线段总数量，确定第一类别的线段的数量对应的第一占比。
120.之后就可以根据第一类别的线段的数量和第二类别的线段的数量来识别异常车道线了，需要说明的是，在进行聚类处理的时候，会将特征相似的线段都聚类在一个聚类簇中，上述介绍的针对同一个车道线识别得到的正确车道线和冗余车道线的特征是相似的，同时同一个路段中连续的多条车道线的特征可能也是比较相似的，因此在一个聚类簇中可能会包含当前介绍的这些车道线的线段。
121.也就是说在一个聚类簇中的车道线的线段数量是非常多的，因为冗余类型的车道线相对于整体的车道线数据而言始终是小部分数据，因此在一个聚类簇中冗余类型的车道线所对应的线段数量也是占小部分的，因此本实施例中可以确定各个类别的线段在聚类簇中的数量占比，从而识别出异常的线段。
122.因此本实施例中可以根据第一类别的线段的数量和聚类簇中的线段总数量，确定第一类别的线段的数量对应的第一占比。
123.比如说可以参照图7进行理解，假设当前聚类簇中的线段总数量为2000，其中第一类别的线段的数量为1900，则可以确定第一类别的线段的数量对应的第一占比为95％。
124.s411、根据第二类别的线段的数量和聚类簇中的线段总数量，确定第二类别的线段的数量对应的第二占比。
125.同样的，本实施例中可以根据第二类别的线段的数量和聚类簇中的线段总数量，确定第二类别的线段的数量对应的第二占比。
126.比如说可以参照图7进行理解，假设当前聚类簇中的线段总数量为2000，其中第二
类别的线段的数量为100，则可以确定第一类别的线段的数量对应的第一占比为5％。
127.s412、将第一占比和第二占比中的目标值和预设阈值进行比较，以识别异常车道线。
128.其中，目标值为较大值或者较小值。也就是说，可以首先将第一占比和第二占比进行比较，以确定第一占比和第二占比中的较大值或者较小值，可以理解的是，其中较大值所对应的类别，实际上就是当前聚类簇中的大部分线段所对应的类别，那么相应的也就表示这些线段所对应的车道线的方向是正常的。以及，其中较小值所对应的类别，实际上就是当前聚类簇中的小部分线段所对应的类别，那么相应的也就表示这些线段所对应的车道线的方向是异常的。
129.例如在图7的示例中，第一占比为95％，第二占比为5％，那么可以确定第一占比为其中的较大值，那么可以确定其中第一类别的各个线段所对应的车道线的方向为正常的方向，相应的，第二类别的各个线段所对应的车道线方向应该就是存在异常的。
130.但是此处需要注意的是，要达到上述分析目的，有一个前提是某个类别对应的数量占比是明显比较大的，那么就可以确定占比明显较大的这个类别所对应的车道线方向为正常方向。或者反过来讲，要某个类别对应的数量占比是明显比较小的，那么就可以确定占比明显较小的这个类别所对应的车道线方向为异常方向。如果说两个类别对应的数量占比是相差不大的，那么此时据此分析出来的车道线的正常方向就难以保证准确性。
131.因此本实施例中设置了预设阈值，以限制第一占比和第二占比中的目标值要明显较大会较小，才可进行后续判断。
132.在一种可能的实现方式中，若目标值为较大值，则需要第一占比和第二占比中的较大值大于或等于第一预设阈值，才认为可以正确的判断出车道线的正常方向，之后可以将较大值所对应的类别确定为正常类别，并且将第一占比和第二占比中的较小值所对应的类别确定为异常类别，之后再将聚类簇中异常类别的线段所属的车道线，确定为异常车道线。
133.比如说参照图7进行理解，当前第一占比和第二占比中的较大值为95％，假设预设阈值为80％，则可以确定较大值是大于预设阈值的，因此可以将第一类别确定为正常类别，以及将第二类别确定为异常类别，并且将聚类簇中第二类别的线段所属的车道线确定为异常车道线，比如说图7中示意了第二类别的线段所属的车道线包括车道线d和车道线n，因此可以将这两条车道线确定为异常车道线，或者说冗余车道线。
134.若第一占比和第二占比中的较大值小于预设阈值，则表示当前两个类别的线段数量占比并没有非常压倒性的差异，例如第一占比为46％，第二占比为54％，在这种情况下无法正确的分析出哪个分类是正常分类，哪个分类是异常分类，也就难以分清具体哪个车道线的方向是正常的，这种情况可能是因为存在数量较多的多段连续冗余车道线，和正常车道线被聚类在一个聚类簇中了，因此本实施例中可以对当前聚类簇进行标记，并输出所述聚类簇中的各个线段以及各所述线段各自对应的类别，以使得后续再通过特殊的分类处理或者人工识别的方式进行正确的异常车道线识别。
135.在另一种可能的实现方式中，若目标值为较小值，则需要第一占比和第二占比中的较小值大于或等于第二预设阈值，才认为可以正确的判断出车道线的正常方向，之后可以将较小值所对应的类别确定为异常类别，并且将第一占比和第二占比中的较大值所对应
的类别确定为正常类别，之后再将聚类簇中异常类别的线段所属的车道线，确定为异常车道线。
136.其中，第一预设阈值是针对较大值所设置的，第二预设阈值是针对较小值所设置的，因此第一预设阈值大于第二预设阈值。
137.因此本实施例中通过将第一占比和第二占比中的目标值首先与预设阈值进行比较，在目标值满足与预设阈值的大小关系时，才在第一分类和第二分类中确定正常分类和异常分类，之后将异常分类的线段所对应的车道线确定为异常车道线，可以有效的保证识别出的异常车道线的准确性。
138.或者，在可选的实现方式中，还可以确定第一类别的线段的数量和第二类别的线段的数量的比值，之后将比值和相应的阈值进行比较，以确定哪个类别的线段数量在聚类簇中是占大部分的。例如可以确定较大值和较小值的比值，或者还可以去确定较小值和较大值的比值，那么相应的阈值或者和阈值的比较方式就会存在相应的差异。
139.例如确定较大值和较小值的比值，那么相应的比较阈值通常设置的比较大，在比值大于或等于预设预值时，按照与上述类似的方式确定异常车道线，在比值小于预设阈值时，对聚类簇进行标记并输出。
140.相应的，若确定较小值和较大值的比值，则比较的阈值通常设置的比较小，在比值小于或等于预设阈值时，按照与上述类似的方式确定异常车道线，在比值大于预设阈值时，对聚类簇进行标记并输出。
141.在实际实现过程中，根据各个类别的线段数量识别异常车道线的具体实现方式可以根据实际需求进行选择和设置，只要根据各个类别的线段数量确定出在聚类簇中数量占大部分的类别，之后就可以相应的确定异常车道线，因此本实施例对确定异常车道线的具体实现方式不做限制。
142.综上所述，本技术实施例提供的车道线识别方法，通过首先根据不包括方向的车道线属性将车道线的线段进行聚类，从而实现将针对同一个车道线识别得到的正确车道线和冗余车道线聚类在同一个聚类簇中。之后针对各个聚类簇中的各个线段，再进一步根据车道线的方向属性，将聚类簇中的线段进行分类，并且根据分类后的各个分类中的线段数量，确定出异常类别的线段，并将异常类别的线段所对应的车道线识别为异常车道线，从而可以自动化实现对异常或者说冗余车道线的正确识别，以提升识别效率和准确性。
143.以及需要说明的是，本技术提供的车道线识别方法，除了可以进行上述介绍的针对同一个车道线识别得到的正确车道线和冗余车道线的分类之外，针对在道路中距离相近但是某一方面属性相差较远的车道线都可以进行相应的分类，只要将上述介绍的方向属性替换为上述介绍的相差较远的属性即可，具体的实现方式可以参照上述实施例的介绍，此处不再赘述。
144.图8为本技术实施例提供的车道线识别装置的结构示意图。如图8所示，该装置80包括：获取模块801、划分模块802、确定模块803、分类模块804以及识别模块805。
145.获取模块801，用于获取多条待识别的车道线；
146.划分模块802，用于将各待识别的车道线划分为多个线段；
147.确定模块803，用于针对任一个所述线段，根据所述线段所属车道线的车道线属性，确定所述线段对应的初始特征向量，所述初始特征向量不反映所述车道线的方向；
148.处理模块，用于根据各所述线段各自对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇；
149.分类模块804，用于针对任一个所述聚类簇，根据所述聚类簇中的各个线段所属车道线的方向属性，对所述各个线段进行分类处理，得到至少一个类别；
150.识别模块805，用于根据所述至少一个类别对应的线段的数量，识别异常车道线。
151.所述处理模块具体用于：
152.将各所述线段对应的初始特征向量映射至高维特征空间，得到各所述初始特征向量对应的高维特征向量互相之间的向量距离；
153.根据各所述初始特征向量对应的高维特征向量互相之间的向量距离，对所述多个线段进行聚类处理，得到至少一个聚类簇。
154.在一种可能的设计中，所述处理模块具体用于：
155.针对各所述线段对应的初始特征向量中的任意两个初始特征向量，将所述两个初始特征向量输入至核函数，得到所述核函数输出的所述两个初始特征向量对应的高维特征向量之间的内积；
156.其中，所述内积用于反映两个高维特征向量互相之间的向量距离。
157.在一种可能的设计中，所述识别模块805具体用于：
158.若所述分类处理后得到的类别数量大于1，则确定存在异常车道线，所述至少一个类别中包括第一类别和第二类别；
159.针对任一所述聚类簇，根据所述聚类簇内第一类别对应的线段的数量和所述聚类簇中的线段总数量，确定所述第一类别对应的线段的数量的第一占比；
160.根据所述聚类簇内第二类别对应的线段的数量和所述聚类簇中的线段总数量，确定所述第二类别对应的线段的数量的第二占比；
161.将所述第一占比和所述第二占比中的目标值和预设阈值进行比较，以识别异常车道线，所述目标值为较大值或较小值。
162.在一种可能的设计中，所述识别模块805具体用于：
163.若所述目标值为较大值，则在所述较大值大于或等于第一预设阈值时，将所述第一占比和第二占比中的较小值所对应的类别确定为异常类别，并将所述聚类簇中异常类别对应的线段所属车道线，确定为所述异常车道线；
164.若所述目标值为较小值，则在所述较小值小于或等于第二预设阈值时，将所述第一占比和第二占比中的较小值所对应的类别确定为异常类别，并将所述聚类簇中异常类别对应的线段所属车道线，确定为所述异常车道线；
165.所述第一预设阈值大于所述第二预设阈值。
166.在一种可能的设计中，所述分类模块804具体用于：
167.针对所述聚类簇中的任一个线段，根据所述线段所属车道线的方向属性，得到所述线段对应的进阶特征向量；
168.根据各所述线段对应的进阶特征向量，确定各所述进阶特征向量对应的高维特征向量互相之间的向量距离；
169.根据各所述进阶特征向量对应的高维特征向量互相之间的向量距离，确定各所述线段对应的类别；
170.根据所述聚类簇中的各所述线段对应的类别，对所述各个线段进行分类处理，得到至少一个类别。
171.在一种可能的设计中，所述分类模块804具体用于：
172.通过支持向量机根据各所述高维特征向量互相之间的向量距离进行分类处理，以得到所述支持向量机输出的各所述线段对应的类别，其中线段对应的类别为所述第一类别或第二类别。
173.在一种可能的设计中，所述划分模块802具体用于：
174.针对任一条车道线，将所述车道线中每两个相邻的形状点依次连接，得到所述车道线划分后的多个线段。
175.本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
176.图9为本技术实施例提供的电子设备的硬件结构示意图，如图9所示，本实施例的电子设备90包括：处理器901以及存储器902；其中
177.存储器902，用于存储计算机执行指令；
178.处理器901，用于执行存储器存储的计算机执行指令，以实现上述实施例中车道线识别方法所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
179.可选地，存储器902既可以是独立的，也可以跟处理器901集成在一起。
180.当存储器902独立设置时，该电子设备还包括总线903，用于连接所述存储器902和处理器901。
181.本技术实施例还提供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计算机执行指令，当处理器执行所述计算机执行指令时，实现如上电子设备所执行的车道线识别方法。
182.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
183.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
184.上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(英文：processor)执行本技术各个实施例所述方法的部分步骤。
185.应理解，上述处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：
asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
186.存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
187.总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的总线。
188.上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。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。
189.本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
190.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，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，或者对其中部分或者全部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技术各实施例技术方案的范围。

技术特征：
1.一种车道线识别方法，其特征在于，包括：获取多条待识别的车道线；将各待识别的车道线划分为多个线段；针对任一个所述线段，根据所述线段所属车道线的车道线属性，确定所述线段对应的初始特征向量，所述初始特征向量不反映所述车道线的方向；根据各所述线段对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇；针对任一个所述聚类簇，根据所述聚类簇中的各个线段所属车道线的方向属性，对所述各个线段进行分类处理，得到至少一个类别；根据所述至少一个类别对应的线段的数量，识别异常车道线。2.根据权利要求1所述的方法，其特征在于，所述根据各所述线段对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇，包括：将各所述线段对应的初始特征向量映射至高维特征空间，得到各所述初始特征向量对应的高维特征向量互相之间的向量距离；根据各所述初始特征向量对应的高维特征向量互相之间的向量距离，对所述多个线段进行聚类处理，得到至少一个聚类簇。3.根据权利要求2所述的方法，其特征在于，所述将各所述线段对应的初始特征向量映射至高维特征空间，得到各所述初始特征向量对应的高维特征向量互相之间的向量距离，包括：针对各所述线段对应的初始特征向量中的任意两个初始特征向量，将所述两个初始特征向量输入至核函数，得到所述核函数输出的所述两个初始特征向量对应的高维特征向量之间的内积；其中，所述内积用于反映两个高维特征向量互相之间的向量距离。4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述至少一个类别对应的线段的数量，识别异常车道线，包括：若所述分类处理后得到的类别数量大于1，则确定存在异常车道线，所述至少一个类别中包括第一类别和第二类别；针对任一所述聚类簇，根据所述聚类簇内第一类别对应的线段的数量和所述聚类簇中的线段总数量，确定所述第一类别对应的线段的数量的第一占比；根据所述聚类簇内第二类别对应的线段的数量和所述聚类簇中的线段总数量，确定所述第二类别对应的线段的数量的第二占比；将所述第一占比和所述第二占比中的目标值和预设阈值进行比较，以识别异常车道线，所述目标值为较大值或较小值。5.根据权利要求4所述的方法，其特征在于，所述将所述第一占比和所述第二占比中的目标值和预设阈值进行比较，以识别异常车道线，包括：若所述目标值为较大值，则在所述较大值大于或等于第一预设阈值时，将所述第一占比和第二占比中的较小值所对应的类别确定为异常类别，并将所述聚类簇中异常类别对应的线段所属车道线，确定为所述异常车道线；若所述目标值为较小值，则在所述较小值小于或等于第二预设阈值时，将所述第一占
比和第二占比中的较小值所对应的类别确定为异常类别，并将所述聚类簇中异常类别对应的线段所属车道线，确定为所述异常车道线；所述第一预设阈值大于所述第二预设阈值。6.根据权利要求2所述的方法，其特征在于，所述根据所述聚类簇中的各个线段所属车道线的方向属性，对所述各个线段进行分类处理，得到至少一个类别，包括：针对所述聚类簇中的任一个线段，根据所述线段所属车道线的方向属性，得到所述线段对应的进阶特征向量；根据各所述线段对应的进阶特征向量，确定各所述进阶特征向量对应的高维特征向量互相之间的向量距离；根据各所述进阶特征向量对应的高维特征向量互相之间的向量距离，确定各所述线段对应的类别；根据所述聚类簇中的各所述线段对应的类别，对所述各个线段进行分类处理，得到至少一个类别。7.根据权利要求6所述的方法，其特征在于，所述根据各所述进阶特征向量对应的高维特征向量互相之间的向量距离，确定各所述线段对应的类别，包括：通过支持向量机根据各所述高维特征向量互相之间的向量距离进行分类处理，以得到所述支持向量机输出的各所述线段对应的类别，其中线段对应的类别为第一类别或第二类别。8.根据权利要求1-3任一项所述的方法，其特征在于，所述将各待识别的车道线划分为多个线段，包括：针对任一条车道线，将所述车道线中每两个相邻的形状点依次连接，得到所述车道线划分后的多个线段。9.一种车道线识别装置，其特征在于，包括：获取模块，用于获取多条待识别的车道线；划分模块，用于将各待识别的车道线划分为多个线段；确定模块，用于针对任一个所述线段，根据所述线段所属车道线的车道线属性，确定所述线段对应的初始特征向量，所述初始特征向量不反映所述车道线的方向；处理模块，用于根据各所述线段各自对应的初始特征向量对所述多个线段进行聚类处理，得到至少一个聚类簇；分类模块，用于针对任一个所述聚类簇，根据所述聚类簇中的各个线段所属车道线的方向属性，对所述各个线段进行分类处理，得到至少一个类别；识别模块，用于根据所述至少一个类别对应的线段的数量，识别异常车道线。10.一种电子设备，其特征在于，包括：存储器，用于存储程序；处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如权利要求1至8中任一所述的方法。11.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至8中任一所述的方法。

技术总结
本申请实施例提供一种车道线识别方法及装置，该方法包括：获取多条待识别的车道线。将各待识别的车道线划分为多个线段。针对任一个线段，根据线段所属车道线的车道线属性，确定线段对应的初始特征向量，初始特征向量不反映车道线的方向。根据各线段对应的初始特征向量对多个线段进行聚类处理，得到至少一个聚类簇。针对任一个聚类簇，根据聚类簇中的各个线段所属车道线的方向属性，对各个线段进行分类处理，得到至少一个类别。根据至少一个类别对应的线段的数量，识别异常车道线。本申请的技术方案可以有效并准确的识别出异常车道线。术方案可以有效并准确的识别出异常车道线。术方案可以有效并准确的识别出异常车道线。


技术研发人员：邹剑章 陈时远 张文太
受保护的技术使用者：高德软件有限公司
技术研发日：2023.07.24
技术公布日：2023/10/7