本申请涉及计算机，具体涉及一种车道识别方法、装置、设备及计算机可读存储介质。
背景技术：
1、随着自动驾驶技术的不断发展，车道识别在自动驾驶领域有着举足轻重的地位，而如何有效识别车道成为了自动驾驶技术需要解决的核心技术问题之一。相关技术可以通过使用安装在车辆上的激光雷达等多种传感器进行数据采集与融合生成感知信息，识别车辆周围的车道。
2、然而，相关技术虽然可以通过多种传感器识别车辆周围的车道，但是安装多种传感器需要大量成本，受限于成本与使用场景，传感器无法采集到足够的数据，并且车道元素类型的分辨效率不高，导致识别出来的车道信息不准确，而单一的车道线信息获取方法也无法帮助车辆识别出完整的车道，大大降低了车道识别的准确性，影响了车辆自动驾驶的安全性，降低了用户的体验感。
技术实现思路
1、本申请实施例提供一种车道识别方法、装置、设备及计算机可读存储介质，可降低车辆对激光雷达产品的依赖，并完整地识别出车道和对应的车道类型，提高车道识别的准确率，保证车辆自动驾驶的安全性。
2、本申请实施例提供一种车道识别方法，包括：
3、获取目标车辆预设范围内的车道图像，并按照车道元素类别将所述车道图像转化为掩码图片，所述掩码图片至少包含车道线或地面交通标识；
4、对所述掩码图片中车道线元素的像素位置进行逆投影转换，得到转换后的车道元素图像；
5、确定所述车道元素图像中车道线元素的像素分布信息，并基于所述像素分布信息对所述车道元素图像对应的像素集合进行极大后验概率计算，得到每一车道线的车道线起始点；
6、按照预设步长从所述车道元素图像中提取位于每一车道线对应的所述车道线起始点之后的多个车道线模拟点，并根据所述多个车道线模拟点拟合得到对应的车道线曲线；
7、根据所述车道线曲线和地面交通标识进行车道识别。
8、相应的，本申请实施例提供一种车道识别装置，包括：
9、获取单元，用于获取目标车辆预设范围内的车道图像，并按照车道元素类别将所述车道图像转化为掩码图片，所述掩码图片至少包含车道线和地面交通标识；
10、转换单元，用于识别所述掩码图片中车道元素的像素位置，并将所述像素位置进行逆投影转换，得到转换后的车道元素图像；
11、计算单元，用于确定所述车道元素图像中车道线元素的像素分布信息，并基于所述像素分布信息对所述车道元素图像对应的像素集合进行极大后验概率计算，得到每一车道线的车道线起始点；
12、提取单元，用于按照预设步长从所述车道元素图像中提取位于每一车道线对应的所述车道线起始点之后的多个车道线模拟点，并根据所述多个车道线模拟点拟合得到对应的车道线曲线；
13、识别单元，用于根据所述车道线曲线和地面交通标识进行车道识别。
14、在一些实施例中，计算单元，还用于：
15、按照所述像素分布信息，对所述车道元素图像对应的像素集合进行投影转换，得到车道线对应的像素正态分布图；
16、获取所述预设范围内的车道线数量；
17、基于极大后验概率算法，从所述像素正态分布图中确定所述车道线数量对应的多个高密度分布点；
18、根据所述多个高密度分布点，确定每一车道线的车道线起始点。
19、在一些实施例中，计算单元，还用于：
20、从所述像素正态分布图中，确定每一车道线对应的像素分布点集；
21、基于极大后验概率算法，从所述每一车道线对应的像素分布点集中计算出每一车道线对应的高密度分布点。
22、在一些实施例中，车道识别装置还包括模拟单元，用于：
23、获取模拟点提取窗口；
24、以所述每一车道线对应的所述车道线起始点为起始坐标点，依序从所述车道元素图像的每一车道线中提取每一预设步长下所述模拟点提取窗口包含的多个像素位置坐标；
25、对所述多个像素位置坐标进行均值计算，得到在每一预设步长下提取的车道线模拟点。
26、在一些实施例中，获取单元，还用于：
27、提取车道图像中信息特征，并根据信息特征确定各个车道元素对应的车道元素类别；
28、根据车道元素类别，对车道图像中的车道元素进行分割处理，得到车道图像对应的掩码图片。
29、在一些实施例中，转换单元，还用于：
30、构建掩码图片对应的图像平面坐标系，并确定掩码图片中的车道元素在图像平面坐标系中的像素位置；
31、将车道元素的像素位置在三维空间上进行逆投影变换，得到包含车道元素的三维空间像素位置的车道元素图像。
32、在一些实施例中，识别单元，还用于：
33、根据车道线曲线，确定目标车辆的预设范围内包含的车道；
34、根据地面交通标识，识别地面交通标识关联的车道的车道类型。
35、此外，本申请实施例还提供一种计算机设备，包括处理器和存储器，存储器存储有计算机程序，处理器用于运行存储器内的计算机程序实现本申请实施例提供的车道识别方法中的步骤。
36、此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有多条信令，信令适于处理器进行加载，以执行本申请实施例所提供的任一种车道识别方法中的步骤。
37、此外，本申请实施例还提供一种计算机程序产品，计算机程序产品包括计算机信令，计算机信令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机信令，处理器执行该计算机信令，使得该计算机设备执行本申请实施例所提供的任一种车道识别方法中的步骤。
38、本申请实施例可以获取目标车辆预设范围内的车道图像，并按照车道元素类别将车道图像转化为掩码图片，掩码图片至少包含车道线和地面交通标识，对掩码图片中车道元素的像素位置进行逆投影转换，得到转换后的车道元素图像，确定车道元素图像中车道线元素的像素分布信息，并基于像素分布信息对车道元素图像对应的像素集合进行极大后验概率计算，得到每一车道线的车道线起始点；按照预设步长从车道元素图像中提取位于每一车道线对应的车道线起始点之后的多个车道线模拟点，并根据多个车道线模拟点拟合得到对应的车道线曲线最后根据车道线曲线和地面交通标识进行车道识别。由此可得，本方案可先对车道图像进行分割处理，得到对应的掩码图片，并实现对车道线像素点的坐标变换，从而提取出车道线的模拟点，拟合出对应的车道线，进而结合车道线和地面交通标识进行完整车道识别；以此，可以将车载摄像装置作为车辆信息的输入源，降低车辆对激光雷达产品的依赖，利用车道线对应像素点在图像中的分布信息确定出对应的车道线曲线，进而完整地识别出车道和对应的车道类型，提高了车道识别的准确率，保证了车辆自动驾驶的安全性。
1.一种车道识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述像素分布信息对所述车道元素图像对应的像素集合进行极大后验概率计算，得到每一车道线的车道线起始点，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于极大后验概率算法，从所述像素正态分布图中确定所述车道线数量对应的多个高密度分布点，包括：
4.根据权利要求1所述的方法，其特征在于，所述按照预设步长从所述车道元素图像中提取位于每一车道线对应的所述车道线起始点之后的多个车道线模拟点，包括：
5.根据权利要求1所述的方法，其特征在于，所述按照车道元素类别将所述车道图像转化为掩码图片，包括：
6.根据权利要求1所述的方法，其特征在于，所述对所述掩码图片中车道线元素的像素位置进行逆投影转换，得到转换后的车道元素图像，包括：
7.根据权利要求1所述的方法，其特征在于，所述根据所述车道线曲线和地面交通标识进行车道识别，包括：
8.一种车道识别装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序实现权利要求1至7任一项所述的车道识别方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质为计算机可读并存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的车道识别方法中的步骤。
