本发明涉及数据处理，特别是指一种道路边缘识别控制方法及装置。
背景技术：
1、随着城市智能交通系统的日益发展，对道路边缘识别的准确性和实时性要求也越来越高，道路边缘识别是智能交通管理等领域中的关键技术。然而，现有的道路边缘识别技术在实际应用中可能还存在一些缺陷。
2、例如，现有的道路边缘识别方法有的是基于传统的图像处理技术，如边缘检测算子和形态学操作等。这些方法在处理包含大量噪声和干扰的图像时表现得尤为敏感，可能会产生误识别或漏识别的情况。特别是在繁忙的交通场景中，车辆、行人以及其他动态元素的干扰会对道路边缘的识别造成极大的干扰。
技术实现思路
1、本发明要解决的技术问题是提供一种道路边缘识别控制方法及装置，能够有效提取并保留道路数据的关键特征，从而提高道路边缘识别的准确性。
2、为解决上述技术问题，本发明的技术方案如下：
3、第一方面，一种道路边缘识别控制方法，所述方法包括：
4、获取当前环境下的道路数据；
5、对当前环境下的道路数据进行预处理，以得到预处理后的道路数据；
6、对预处理后的道路数据进行分解，以得到第一数据和第二数据；
7、分别计算第一数据和第二数据的平均值，以得到融合后的第一数据和第二数据；
8、计算动态影响因子，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据；
9、对融合数据中的车道线进行预定位，并对车道线上的数据点进行拟合，得到一个车道线形态变化模型；
10、根据车道线形态变化模型，计算最终的道路边缘数据。
11、进一步的，对预处理后的道路数据进行分解，以得到第一数据和第二数据，包括：
12、根据预处理后的道路数据的复杂度和所需的信息粒度，确定小波分解的层数；
13、对预处理后的道路数据进行小波分解；
14、在第一层分解中，预处理后的道路数据通过一个低通滤波器和一个高通滤波器进行水平方向的滤波，再每隔一行或一列取一个像素，得到初始的低频近似子图和初始的高频细节子图；
15、对初始的低频近似子图在垂直方向上进行滤波和下采样，以得到第一数据；
16、对初始的高频细节子图在垂直方向上进行高通滤波和下采样，以得到第二数据。
17、进一步的，计算动态影响因子，包括：
18、通过计算动态影响因子，其中， c表示低频对比度，表示低频对比度的最大值， s表示低频清晰度，表示低频清晰度的最大值， d表示高频细节强度，表示高频细节强度的最大值， co表示高频一致性，表示高频一致性的最大值，和表示低频质量因子的权重系数，和表示高频质量因子的权重系数，表示低频相关性因子，表示高频相关性因子。
19、进一步的，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据，包括：
20、根据动态影响因子，通过计算融合数据，其中，表示融合数据在位置( i， j)的像素值，表示第 k个第二数据的权重，代表低频图像在坐标( i， j)的像素值，表示第 k个高频分解层在( i， j)坐标位置的像素值； i和 j是二维图像中的坐标索引，分别代表行和列， k表示多尺度的高频分解层。
21、进一步的，对融合数据中的车道线进行预定位，包括：
22、对融合数据中的车道线进行高斯滤波，以得到滤波数据；
23、计算滤波数据中每个数据点的梯度强度和方向，沿梯度方向，抑制非极大值的响应，并通过双阈值法确定边缘，连接边缘线段，得到二值化的边缘数据；
24、初始化霍夫空间，将边缘数据中的每个边缘点转换为霍夫空间中的曲线或直线，并在对应的参数空间中进行累加，获取霍夫空间中各个参数点的累加值；
25、根据霍夫空间中各个参数点的累加值，设定一个区分阈值；
26、根据区分阈值，筛选最终的直线，以实现对车道线进行预定位。
27、进一步的，对车道线上的数据点进行拟合，得到一个车道线形态变化模型，包括：
28、从边缘数据中提取一组车道线数据点的坐标数据；
29、根据车道线的形状和复杂性，确定二次多项式数学模型；
30、根据二次多项式数学模型，构建观测矩阵，所述观测矩阵包含用于拟合数学模型的基函数在车道线数据点位置上的取值；
31、将车道线数据点的纵坐标组装成一个观测向量；
32、通过观测矩阵和观测向量求解二次多项式数学模型的参数，其中，二次多项式数学模型的参数为车道线形态变化模型的系数。
33、进一步的，根据车道线形态变化模型，计算最终的道路边缘数据，包括：
34、根据车道线形态变化模型，在边缘数据中设定一个搜索区域，用于寻找实际的车道线边缘；
35、在设定的搜索区域内，检测边缘；
36、将检测到的边缘与车道线形态变化模型进行匹配，以得到匹配的边缘点；
37、根据匹配的边缘点，再次进行拟合，以得到最终的车道线形状；
38、根据最终的车道线形状，确定道路的边缘位置。
39、第二方面，一种道路边缘识别控制装置，包括：
40、获取模块，用于获取当前环境下的道路数据；
41、预处理模块，用于对当前环境下的道路数据进行预处理，以得到预处理后的道路数据；
42、分解模块，用于对预处理后的道路数据进行分解，以得到第一数据和第二数据；分别计算第一数据和第二数据的平均值，以得到融合后的第一数据和第二数据；
43、计算模块，用于计算动态影响因子，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据；
44、处理模块，用于对融合数据中的车道线进行预定位，并对车道线上的数据点进行拟合，得到一个车道线形态变化模型；根据车道线形态变化模型，计算最终的道路边缘数据。
45、第三方面，一种计算设备，包括：
46、一个或多个处理器；
47、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
48、第四方面，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程序，该程序被处理器执行时实现所述的方法。
49、本发明的上述方案至少包括以下有益效果：
50、通过分解预处理后的道路数据，得到低频和第二数据，再分别计算其平均值进行融合，这一过程能够有效提取并保留道路数据的关键特征，从而提高道路边缘识别的准确性。
51、通过设置动态影响因子，使得融合数据能够根据不同环境条件下的图像特性进行动态调整，增强了识别方法的鲁棒性和适应性。
52、通过对车道线的预定位和数据点拟合，建立了一个车道线形态变化模型，能够更精确地描述车道线的形状和走向，从而进一步提升道路边缘识别的精度。
1.一种道路边缘识别控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的道路边缘识别控制方法，其特征在于，对预处理后的道路数据进行分解，以得到第一数据和第二数据，包括：
3.根据权利要求2所述的道路边缘识别控制方法，其特征在于，计算动态影响因子，包括：
4.根据权利要求3所述的道路边缘识别控制方法，其特征在于，根据融合后的第一数据和第二数据以及动态影响因子，得到融合数据，包括：
5.根据权利要求4所述的道路边缘识别控制方法，其特征在于，对融合数据中的车道线进行预定位，包括：
6.根据权利要求5所述的道路边缘识别控制方法，其特征在于，对车道线上的数据点进行拟合，得到一个车道线形态变化模型，包括：
7.根据权利要求6所述的道路边缘识别控制方法，其特征在于，根据车道线形态变化模型，计算最终的道路边缘数据，包括：
8.一种道路边缘识别控制装置，其特征在于，包括：
9.一种计算设备，其特征在于，包括：
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中存储有程序，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
