车道线分割方法和装置制造方法及图纸

本发明专利技术公开了一种车道线分割方法和装置。该方法包括：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。本发明专利技术由于在构建图割模型时，使用了整个车道线图像的信息，且图割模型分割的比较精确，提高了分割的车道线的精确度。

【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。<br>本专利技术实施例的技术方案，通过在采集到车道线图像后，利用卷积神经网络对所述车道线图像进行处理，得到对车道线的粗分割结果，再根据粗分割结果和车道线图像，构建图割模型对车道线图像进行细分，确定车道线区域，由于在构建图割模型时，使用了整个车道线图像的信息，且图割模型分割的比较精确，提高了分割的车道线的精确度。附图说明图1是本专利技术实施例一提供的一种车道线分割方法的流程图；图2是本专利技术实施例提供的车道线分割方法中的卷积神经网络的示例网络结构示意图；图3是本专利技术实施例提供的车道线分割方法中用到的车道线图像的示例图像；图4是本专利技术实施例中对图3中的车道线图像利用卷积神经网络进行识别得到的粗分割结果的图像；图5是本专利技术实施例二提供的一种车道线分割方法的流程图；图6是本专利技术实施例三提供的一种车道线分割方法的流程图；图7是本专利技术实施例四提供的一种车道线分割装置的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部内容。本专利技术实施例所述的车道线分割方法和装置，基于车道线的定位结果开展，车道线的定位方法有很多，具体如何进行定位不在本专利技术实施例的讨论范围内。实施例一图1是本专利技术实施例一提供的一种车道线分割方法的流程图，本实施例可适用于根据定位到的车道线图像分割其中的车道线的情况，该方法可以由车道线分割装置来执行，所述车道线分割装置可以集成于计算机或者移动终端等终端中，具体包括如下：S110，采集车道线图像。当定位到车道线时，通过控制摄像头采集车道线图像。S120，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。其中，卷积神经网络(ConvolutionalNeuralNetwork，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。图像的空间联系也是局部的像素联系较为紧密，而距离较远的像素相关性则较弱。因而，每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。图2是本专利技术实施例提供的车道线分割方法中的卷积神经网络的示例网络结构示意图，如图2所示，卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成，输入图像通过和三个可训练的滤波器和可加偏置进行卷积，卷积后在卷积层C1产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个池化层S2的特征映射图。这些映射图再进过滤波得到卷积层C3。这个层级结构再和池化层S2一样产生池化层S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络B5，得到输出结果。一种典型的卷积神经网络结构为“输入图像-卷积层-池化层-卷积层-池化层-……-池化层-全连接层-全连接层-输出结果”。其中，卷积层通过卷积运算，可以使原图像中的信号特征增强，并且降低噪音；池化层利用图像局部相关性的原理，对图像进行子抽样，可以减少数据处理量的同时保留有用信息；全连接层用于学习局部及全局的特征。在利用卷积神经网络对所述车道线图像进行处理之前，要利用大量的样本对卷积神经网络进行训练学习，得到训练完成的卷积神经网络，再将车道线图像输入训练完成的卷积神经网络中，输出结果便为粗分割结果，在粗分割结果中，每个像素点的值域为0-1，代表了属于车道线的可能性，越接近1，表示属于车道线的概率越大。S130，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。其中，图割模型即利用图割(GraphCut)算法来实现图像分割。图像分割可以看成像素标记问题，目标的标记设为1，背景的标记设为0，这个过程可以通过最小化图割来最小化能量函数得到，目的是将目标与背景分割开。图割算法仅需要在前景(目标)和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似的赋权图，并通过求解最小割区分前景和背景。该算法是基于颜色统计采样的方法，对前景背景相差较大的图像效果较佳。根据所述粗分割结果，确定车道线图像的绝对前景区域和绝对背景区域，并利用图割算法构建图割模型，来对车道线图像进行细分，得到车道线图中的各个像素点与前景背景相似的赋权图，进而根据权值将前景和背景分割开，确定的前景即为车道线区域。本实施例的技术方案，通过在采集到车道线图像后，利用卷积神经网络对所述车道线图像进行处理，得到对车道线的粗分割结果，再根据粗分割结果和车道线图像，构建图割模型对车道线图像进行细分，确定车道线区域，由于在构建图割模型时，使用了整个车道线图像的信息，且图割模型分割的比较精确，提高了分割的车道线的精确度。在上述技术方案的基本文档来自技高网...

【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