【技术实现步骤摘要】
本专利技术实施例涉及地图技术,尤其涉及一种车道线分割方法和装置。
技术介绍
在自然场景中,精确的车道线分割能够帮助高精度地图关键交通要素的生成,是自动驾驶和辅助驾驶的主要依赖技术。现有技术中,对于车道线的分割一般是基于图像处理的方法,首先定位出采集到的图像中的车道线,求取车道线附近的图像梯度,将响应最为强烈的地方作为车道线的边界。现有技术利用一个局部区域的信息来求取图像梯度,容易受到噪声影响,当存在阴影、遮挡或车道线模糊不清等问题时误差较大;对于非单根车道线(例如双线、实虚线等),无法定位出精确的车道线。因此,现有技术存在着分割的车道线不精确的缺陷。
技术实现思路
有鉴于此,本专利技术实施例提供一种车道线分割方法和装置,以提高分割的车道线的精确度。第一方面,本专利技术实施例提供了一种车道线分割方法,所述方法包括:采集车道线图像;利用卷积神经网络对所述车道线图像进行处理,得到粗分割结果;根据所述粗分割结果和所述车道线图像,构建图割模型对所述车道线图像进行细分,确定车道线区域。第二方面,本专利技术实施例还提供了一种车道线分割装置,所述装置包括:车道线采集模块,用于采集车道线图像;粗分割模块,用于利用卷积神经网络对所述车道线图像进行处理,得到粗分割结果;细分割模块,用于根据所述粗分割结果和所述车道线图像,构建图割模型对所述车道线图像进行细分,确定车道线区域。< ...
【技术保护点】
一种车道线分割方法,其特征在于,所述方法包括:采集车道线图像;利用卷积神经网络对所述车道线图像进行处理,得到粗分割结果;根据所述粗分割结果和所述车道线图像,构建图割模型对所述车道线图像进行细分,确定车道线区域。
【技术特征摘要】
1.一种车道线分割方法,其特征在于,所述方法包括:
采集车道线图像;
利用卷积神经网络对所述车道线图像进行处理,得到粗分割结果;
根据所述粗分割结果和所述车道线图像,构建图割模型对所述车道线图像
进行细分,确定车道线区域。
2.根据权利要求1所述的方法,其特征在于,利用卷积神经网络对所述车
道线图像进行处理,得到粗分割结果包括:
将所述车道线图像分成同样大小的正方形图像块;
提取所述正方形图像块在色彩空间模型中的图像数据,并对所述图像数据
进行归一化;
将归一化后的图像数据输入训练完成的卷积神经网络中进行识别,得到识
别结果;
将所述识别结果归一化为与所述正方形图像块同样大小的图像,得到粗分
割结果。
3.根据权利要求1所述的方法,其特征在于,根据所述粗分割结果和所述
车道线图像,构建图割模型对所述车道线图像进行细分,确定车道线区域包括:
根据所述粗分割结果,确定所述车道线图像中的绝对前景区域、绝对背景
区域和不确定区域;
根据所述绝对前景区域、绝对背景区域和所述车道线图像,构建图割模型
并求解,得到细分割结果;
确定所述细分割结果中的最大连通域为车道线区域。
4.根据权利要求3所述的方法,其特征在于,根据所述粗分割结果,确定
所述车道线图像中的绝对前景区域、绝对背景区域和不确定区域包括:
对所述粗分割结果进行二值化处理,得到二值化图像;
对所述二值化图像进行腐蚀操作,确定车道线图像的绝对前景区域;
对所述二值化图像进行膨胀操作,确定车道线图像的绝对背景区域;
将所述车道线图像中除所述绝对前景区域和绝对背景区域以外的区域作为
车道线图像的不确定区域。
5.根据权利要求3所述的方法,其特征在于,根据所述绝对前景区域、绝
对背景区域和所述车道线图像,构建图割模型并求解,得到细分割结果包括:
根据如下公式构建所述车道线图像的图割模型:
argminbE=Edata+Esmoothness=Σp=(x,y)ωpαp+Σq∈Npωpqc||bq-bp||]]>其中,b为车道线图像中的像素点属于前景的概率,E为所述车道线图像的
能量函数,Edata为车道线图像的能量函数中的数据项,Esmoothness为车道线图像的
能量函数中的平滑项,αp为像素点p属于前景的概率,ωp为像素点p属于前景
的权重,(x,y)为像素点p在车道线图像中的坐标,为相邻像素点p和q的颜
色差异的权重,Np为像素点p的邻域,bp为像素点p属于前景的概率,bq为像
素点q属于前景的概率,其中,cp为像素点p的彩
色值,cq为像素点q的彩色值,σc为预设加权阈值;
分别构建车道线图像中绝对前景区域和绝对背景区域的高斯混合模型,根
据如下公式确定像素点p属于前景的概率αp和权重ωp:
αp=GMMfg/(GMMfg+GMMbg)
其中,GMMfg为车道线图像中绝对前景区域的高斯混合模型,GMMbg为车
\t道线图像中绝对背景区域的高斯混合模型,fg为车道线图像中的绝对前景区
域,bg为车道线图像中的绝对背景区域;
利用最大流最小割算法对车道线图像的图割模型进行求解,得到车道线图
像中的像素点属于前景的概率b,当像素点属于前景的概率大于预设概率阈值
时,确定该像素点属于前景;
至少两个相邻像素点属于前景时,构成连通域。
6.根据权利要求1-5任一所述的方法,其特征在于,在确定车道线区域之
后,还包括:
对车道线区域的边缘点进行校验,确定车道线的轮廓。
7.根据权利要求6所述的方法,其特征在于,对车道线区域的边缘点进行
校验,确定车道线的轮廓包括:
采集位于车道线区域的同一边缘的两个边缘点;
对所述两个边缘点进行直线拟合;
计算满足直线拟合结果的边缘点的数目;
确定所述数目最多的直...
【专利技术属性】
技术研发人员:何贝,晏涛,晏阳,贾相飞,
申请(专利权)人:百度在线网络技术北京有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。