道路分割物的检测方法和装置与流程

本发明涉及对象检测领域，更具体地涉及道路分割物检测方法和装置。

背景技术：

驾驶辅助系统的应用日渐普及。而道路或车道警告系统(Lane/Road detection warning,LDW/RDW)是驾驶辅助系统的子系统，可以避免碰撞，更准确地确定驾驶方向等。道路或车道检测对于LDW/RDW系统非常关键，只有在知道了道路信息的基础上才可能做进一步的处理，例如警告。一般通过检测道路分割物来检测道路或车道。

道路分割物包括车道线、路肩石、栅栏以及其他能够标识路的区域和车道的物体，车道线又可以包括白线、黄线等等。

在现有方法中，在检测车道线时，通常是通过提取图像中车道线上的特征点并基于这些特征点创建车道线模型来检测车道线的具体位置。在该类方法中，由于车道线特征点的检测存在误差，因此此类算法侧重于创建复杂的车道线模型和后处理来获取车道线的精确位置。这是一项繁琐耗时的工作，并不能很好地适用于实时性要求极高的车辆辅助驾驶系统。

技术实现要素：

考虑到以上问题，希望提供能够减少计算复杂度并且能够提升道路分割物检测的准确度的方法和装置。

根据本发明的一个方面，提供了道路分割物的检测方法，该方法可以包括：获得包括道路区域的图像；检测在该图像中的道路分割物区域；检测在该图像的道路分割物区域中的道路分割物的特征点；以及根据所检测的道路分割物区域中的道路分割物的特征点确定道路分割物。

在一个实施例中，检测在该图像的道路分割物区域中的道路分割物的特征点可以包括：检测该图像中的所有道路分割物的特征点，以及提取在所检测的道路分割物区域中的道路分割物的特征点。其中检测该图像中的所有道 路分割物的特征点可以包括：检测该图像中的所有特征点；以及根据道路分割物的图像特征从检测的所有特征点中提取道路分割物的特征点。

在另一实施例中，所述检测在该图像的道路分割物区域中的道路分割物的特征点可以包括：仅在所检测的道路分割物区域中检测道路分割物的特征点。其中在所检测的道路分割物区域中检测道路分割物的特征点可以包括：检测该道路分割物区域中的图像的所有特征点；以及根据道路分割物的图像特征从检测的所有特征点中提取道路分割物的特征点。

所述检测在该图像中的道路分割物区域可以包括：生成该图像的所有显著性子区域；获得每个显著性子区域的图像特征；基于每个显著性子区域的图像特征，从所有显著性子区域中选取包含道路分割物的子区域；基于选取的子区域生成道路分割物区域。

所述基于每个显著性子区域的图像特征从所有显著性子区域中选取包含道路分割物的子区域可以包括：利用预先训练的子区域分类器，基于每个显著性子区域的图像特征判断该显著性子区域是否属于包含道路分割物的子区域。

所述基于选取的子区域生成道路分割物区域可以包括：基于选取的每个子区域的图像特征进行聚类，使得被聚类到同一道路分割物区域的所有子区域的图像特征具有最小的类内方差以及最大的类间方差。

所述根据所检测的道路分割物区域中的道路分割物的特征点确定道路分割物可以包括：利用所述道路分割物的特征点对道路分割物模型进行拟合，以确定该图像中的道路分割物。

根据本发明的另一方面，提供了道路分割物的检测装置。该检测装置可以包括：第一获得部件，获得包括道路区域的图像；区域检测部件，检测在该图像中的道路分割物区域；特征点检测部件，检测在该图像的道路分割物区域中的道路分割物的特征点；以及确定部件，根据该特征点检测部件检测的道路分割物的特征点确定道路分割物。

在一个实施例中，所述特征点检测部件可以检测该图像中的所有特征点，并根据道路分割物的图像特征从检测的所有特征点中提取道路分割物的特征点，并且基于区域检测部件的检测结果而提取在所检测的道路分割物区域中的道路分割物的特征点。

在另一实施例中，所述特征点检测部件可以基于区域检测部件的检测结 果而仅在所检测的道路分割物区域中检测该道路分割物区域中的图像的所有特征点，并根据道路分割物的图像特征从检测的所有特征点中提取道路分割物的特征点。

所述区域检测部件可以包括：第一生成部件，生成该图像的所有显著性子区域；第二获得部件，获得每个显著性子区域的图像特征；子区域选取部件，基于每个显著性子区域的图像特征，从所有显著性子区域中选取包含道路分割物的子区域；第二生成部件，基于选取的子区域生成道路分割物区域。

所述子区域选取部件可以利用预先训练的子区域分类器，基于每个显著性子区域的图像特征判断该显著性子区域是否属于包含道路分割物的子区域。

所述第二生成部件可以基于选取的每个子区域的图像特征进行聚类，使得被聚类到同一道路分割物区域的所有子区域的图像特征具有最小的类内方差以及最大的类间方差。

所述确定部件可以利用所述道路分割物的特征点对道路分割物模型进行拟合，以确定该图像中的道路分割物。

根据本发明，检测图像中的道路分割物区域，该区域分布能够反映道路分割物的基本情况，基于所检测的道路分割物区域中的道路分割物特征点来确定道路分割物。由于是基于中层表达的道路分割物区域而不是纯粹的低层表达的像素来进行道路分割物的建模，因而，本发明的方法能够减小车道线建模和后处理算法的复杂度，并且能够提升车道线检测的准确度。

附图说明

图1是作为本发明应用环境的示例的车载系统示意图。

图2是根据本发明一个实施例的道路分割物检测方法的整体流程图。

图3是示例的道路分割物区域检测方法的流程图。

图4示出了所生成的显著性子区域的具体例子。

图5示出了从图4中所示的显著性子区域中选取的车道线子区域的例子。

图6示出了基于图5中所示的车道线子区域生成的车道线区域的例子。

图7示出了道路分割物的特征点检测结果的具体例子。

图8示出了基于图7中所示的道路分割物的特征点而获得的每个车道线区域内的车道线检测结果的示例。

图9示出了根据图8的检测结果而获得的最终的车道线拟合结果的示例。

图10是根据本发明的另一实施例的道路分割物检测装置的功能框图。

图11示出根据本发明的一个实施例的实现道路分割物检测的检测系统的硬件配置。

具体实施方式

为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明作进一步详细说明。

将按如下顺序进行描述：

1、发明思想概述

2、实施例

2.1、道路分割物检测的整体过程

2.2、道路分割物区域的检测

2.3、道路分割物特征点的检测

2.4、道路分割物检测装置

2.5、道路分割物检测系统

3、总结

<1、发明思想概述>

如之前所述，在现有的车道线检测方法中，通过提取图像中车道线上的特征点并基于这些特征点创建车道线模型来检测车道线的具体位置，导致基于这些特征点的建模算法复杂且耗时。

根据本发明，检测图像中每一条车道线的粗略区域，该区域分布能够反映车道的基本情况(下文中称为道路分割物区域或者车道线区域)。由此，后续的车道线建模算法是基于中层表达的车道线区域而不是纯粹的低层表达的像素。因而，本发明的方法能够减小车道线建模和后处理算法的复杂度，并且能够提升车道线检测的准确度。

图1是有助于理解本发明的、作为本发明应用环境的示例的车载系统示意图。本发明的软件或者硬件实现可以作为其中的道路检测部件。

<2、实施例>

<2.1道路分割物检测的整体过程>

图2是根据本发明一个实施例的道路分割物检测方法的整体流程图。如图2所示，根据此实施例的道路分割物检测方法200可以包括：步骤S210，获得包括道路区域的图像。可以通过相机对包含道路区域的目标场景实时拍摄而获得包括道路区域的图像，也可以通过网络获取该图像。或者，该图像也可以是由摄像机拍摄的视频中的视频帧。可以采用的图像可以包括但不限于彩色图像、灰度图像、深度图像等等。

在获得了包括道路区域的图像之后，在步骤S220中，可以检测在该图像中的道路分割物区域。道路分割物区域是所获得的图像中的包含了道路分割物的区域，这些区域分布能够反映道路分割物的基本情况。将在下文中参考图3-6详细描述道路分割物区域的检测方法的示例。

在步骤S230中，检测在该图像的道路分割物区域中的道路分割物的特征点。例如，可以基于道路分割物的诸如颜色特征(比如白色或者黄色的车道线等)、边缘特征(连续的直线等)的特征来检测道路分割物的特征点。将在下文中详细描述道路分割物特征点的检测方法的示例。

在步骤S240中，根据所检测的道路分割物区域中的道路分割物的特征点确定道路分割物。例如，可以基于每个道路分割物区域中的特征点对道路分割物模型进行拟合，以获得每个道路分割物区域中的道路分割物片段，并且基于各个道路分割物片段拟合出该图像中的道路分割物。

<2.2、道路分割物区域的检测>

下面参考图3-6描述检测图像中的道路分割物区域的方法的一个例子。图3示出了示例的道路分割物区域检测方法300的流程图。如图3所示，该方法300可以包括：步骤S310，生成该图像的所有显著性子区域；步骤S320，获得每个显著性子区域的图像特征；步骤S330，基于每个显著性子区域的图像特征，从所有显著性子区域中选取包含道路分割物的子区域；以及步骤S340，基于选取的子区域生成道路分割物区域。

在步骤S310中，生成图像中的所有显著性子区域。这些子区域通常是一些具有显著性的区域，比如在包含道路区域的图像中的车辆、建筑物、行人、道路分割物等等。可以通过任何传统的方法来生成显著性子区域，比如视差聚类的方法。

图4示出了所生成的显著性子区域的一个具体例子。需要注意的是，虽 然在图4中将所有显著性子区域示出为矩形，但是显著性子区域的形状不限于此，也可以采用任何其他适当的形状。

在获得了图像中的所有显著性子区域之后，在步骤S320中，获得每个显著性子区域的图像特征。可以应用的图像特征包括但不限于图像的灰度、梯度、视差等等的特征。在步骤S320中，通常可以获得显著性子区域的任意几个特征的组合。当然，对特征的数量没有具体限制，也可以采用一个特征，可采用的特征取决于所获得的图像的情况以及具体应用场景而定。

例如，可以将获取的特征表示为F＝{f_i，i＝1,…,K}其中，K是所获取的特征的种类，f_i为每一类特征的特征值。

在获得了每个显著性子区域的图像特征后，在步骤S330中，可以基于每个显著性子区域的图像特征，从所有显著性子区域中选取包含道路分割物的子区域。例如，可以利用预先训练的子区域分类器，基于每个显著性子区域的图像特征判断该显著性子区域是否属于包含道路分割物的子区域。

例如，一种示例的分类器分类表达公式如下公式(1)所示：

$S_n=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{f}_i---\left(1\right)$

其中，S_n表示对于任意一个显著性子区域n的分类器结果值，并且如上所述，K是对于该显著性子区域n所获取的特征的种类，f_i为每一类特征的特征值。ω_i表示每个特征f_i的权重，并且可以通过训练得到。

例如，可以通过利用预先获得的用于训练的正负样本集来训练得到最优权重其中在以车道线作为道路分割物的具体例子的情况下，正样本为包含车道线的子区域(下文中称为车道线子区域)的图像，负样本为不包含车道线子区域(下文中称为非车道线子区域)的图像。这样的训练样本集可以通过用户对于任意已有输入图像中的子区域的指定而获得，即预先指定已知图像中的哪些显著性子区域属于车道线子区域以及哪些子区域不属于车道线子区域。或者，也可以采用通过任何其他方法预先获得的子区域分类结果作为训练样本集。

然后，提取包括正样本和负样本在内的每个训练样本(即车道线子区域和非车道线子区域)的图像特征，如上所述该图像特征可以是灰度、梯度、视差等等的特征中的任意一个或任意组合，并且表示为F＝{f_i，i＝1,…,K}。根据以上公式(1)计算每个样本的S_n。然后，可以如以下公式(2)所示优化 权重

$\widehat{\mathrm{\&omega;}}=\min \frac{1}{N}\sqrt{\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{(S_n-C_n)}^2}---\left(2\right)$

其中，N是训练样本集中的子区域的数目，C_n是每一个子区域的训练标签。作为一种最简单的情况，对于正样本，可以将C_n取为1，并且对于负样本，可以将C_n取为-1。当然，这仅仅是举例，C_n的取值可以视具体应用情况而定。

也就是说，根据以上公式(2)，使得N个样本中的每个样本n的(S_n-C_n)²的值最小的ω即为最优权重由此，通过训练得到了公式(1)中所示的分类器S_n。

因而，可以利用训练得到的该分类器S_n对在步骤S310中生成的图像中的所有显著性子区域进行分类。例如，可以如以下公式(3)所示对这些显著性子区域进行分类：

也就是说，对于每个显著性子区域，根据在步骤S320中所获取的该子区域的图像特征F利用上述公式(1)计算分类器值S_n，当S_n>0时，认为该子区域属于车道线子区域，当S_n≤0时，认为该子区域不属于车道线子区域。

由此，在步骤S330中，基于每个显著性子区域的图像特征从所有显著性子区域中选取出车道线子区域。图5示出了从图4中所示的显著性子区域中选取的车道线子区域的一个例子，其中的多个白色矩形表示车道线子区域。

以上所采用的分类器以及分类器的训练方法仅仅是为了是本领域技术人员清楚地理解本发明的实现而给出的一个具体例子，本发明可以采用任何种类的分类器，包括但不限于例如最近邻分类器(KNN)、支持向量机(SVM)、Adaboost、神经网络、贝叶斯网络等。

在选取了显著性子区域中的所有包含道路分割物的子区域之后，在步骤S340中，可以基于选取的这些包含道路分割物的子区域生成道路分割物区域。例如，这可以通过聚类的过程来实现。

具体地，仍以车道线为例，因为属于同一车道线的区域的各个子区域必然具有非常相似的图像特征，而属于不同车道线的区域的各个子区域之间的 图像特征通常具有较大的差别，因而可以基于选取的每个车道线子区域的图像特征进行聚类，使得被聚类到同一车道线区域的所有子区域的图像特征具有最小的类内方差以及最大的类间方差。

类内方差和类间方差的计算如以下公式(4)-(7)所示：

$\stackrel{\&OverBar;}{f_i}=\frac{1}{n_i}\underset{f\&Element;\mathrm{classi}}{\mathrm{\&Sigma;}}f---\left(4\right)$

$\stackrel{\&OverBar;}{f}=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_n---\left(5\right)$

$S_{\mathrm{between}}=\underset{i=1}{\overset{C}{\mathrm{\&Sigma;}}}{n}_i(\stackrel{\&OverBar;}{f_i}-\stackrel{\&OverBar;}{f}){(\stackrel{\&OverBar;}{f_i}-\stackrel{\&OverBar;}{f})}^T---\left(6\right)$

$S_{\mathrm{within}}=\underset{i=1}{\overset{C}{\mathrm{\&Sigma;}}}\underset{f\&Element;\mathrm{classi}}{\mathrm{\&Sigma;}}(\stackrel{\&OverBar;}{f_i}-f){(\stackrel{\&OverBar;}{f_i}-f)}^T---\left(7\right)$

其中，表示被聚类到第i个车道线区域的车道线子区域的图像特征的均值，n_i表示被聚类到第i个车道线区域的车道线子区域的数量，N表示所有要被聚类的车道线子区域的数量，表示要被聚类的所有N个车道线子区域的图像特征的均值，S_within和S_between分别表示类内方差和类间方差，C表示车道线子区域的聚类结果。

如上所述，最优的聚类结果应该是使得被聚类到同一车道线区域的所有车道线子区域的图像特征的类内方差S_within具有最小值并且类间方差S_between具有最大值的聚类结果，即，应该满足以下公式(8)：

$\hat{C}=\min \frac{S_{\mathrm{within}}}{S_{\mathrm{between}}}---\left(8\right)$

在实际应用时，为了去除噪声等，可以将S_within和S_between分别限制在一定的范围内，即，使S_within和S_between分别小于各自的预定阈值。这些预定阈值可以由本领域技术人员根据实际应用情况而定。

由此，在步骤S340中，可以获得子区域的最优聚类结果生成道路分割物区域。图6示出了基于图5中所示的车道线子区域生成的车道线区域的例子，其中，包含了若干个小矩形的黑色矩形框表示车道线区域。虽然在此例子中检测的车道线区域为矩形，但是本发明的道路分割物区域的形状不限于此，并且可以是任何其他适当的形状。

根据此实施例的道路分割物区域方法300，能够检测出图像中的道路分割物区域，这些区域能够反映道路分割物的基本情况，为随后的道路分割物检测提供了基础，使得降低道路分割物建模的复杂度并提升检测的准确度。

<2.3、道路分割物特征点的检测>

以下描述上述的步骤S230中的道路分割物特征点的检测方法的一个具体例子。

例如，可以首先检测在步骤S210中所获得的图像中的所有特征点。特征点是反映图像的特征的关键点，可以是例如图像的极值点、线段的起点和终点、曲线曲率最大的点或者水平或者竖直方向上属性最大的点等等。可以采用任何常用的特征点检测方法来进行检测，比如通过SIFT特征、SURF特征、Harris角点等来检测。

在获得了图像中的所有特征点之后，可以根据道路分割物的图像特征从检测的所有特征点中提取道路分割物的特征点。取决于所检测的具体道路分割物，道路分割物的特征可以包括颜色特征(比如车道线的白色、黄色等颜色特征)、边缘特征(比如连续的直线)等等。当然，本领域技术人员完全可以构思出任何其他能够用来区分道路分割物的图像特征，以从所有特征点中提取道路分割物的特征点。

图7示出了道路分割物的特征点检测结果的一个具体例子。

在检测出图像中的所有道路分割物的特征点之后，可以提取出在通过步骤S220检测的道路分割物区域中的特征点，以便在步骤S240中根据道路分割物区域中的道路分割物的特征点确定道路分割物。

也就是说，在此例子中，可以先进行步骤S230以便先检测出图像中的所有道路分割物特征点，然后在进行步骤S220以检测出道路分割物区域，从而可以提取在所检测的道路分割物区域中的道路分割物的特征点。

然而，在另一例子中，可以先进行步骤S220以检测出道路分割物区域，然后在进行步骤S230，以仅在所检测出的道路分割物区域内检测图像的特征点以及提取其中的道路分割物的特征点。

或者，检测图像中的道路分割物区域以及检测图像中的道路分割物的特征点可以并行进行，在获得两者的检测结果后，提取道路分割物区域内的道路分割物的特征点。

总之，本发明不限制道路分割物区域检测以及道路分割物特征点的先后执行顺序，只要最终能够获得道路分割物区域内的道路分割物的特征点即可。

由此，通过步骤S230获得了道路分割物区域内的道路分割物的特征点之后，可以基于这些特征点检测道路分割物。

图8示出了基于图7中所示的道路分割物的特征点而获得的每个车道线区域内的车道线检测结果的示例，图9示出了根据图8的检测结果而获得的最终的车道线拟合结果的示例。

可以使用任何车道线模型创建拟合方法，例如霍夫变换(Hough transform)、随机抽样一致(RANSAC)、样条曲线(Catmull-Rom spline)、主动轮廓线模型(Snake model)等。根据这些建模方法确定道路分割物对于本领域技术人员而言是很容易实现的，在此不再赘述。

根据本发明的道路分割物检测方法200，检测图像中的道路分割物区域，该区域分布能够反映道路分割物的基本情况，基于所检测的道路分割物区域中的道路分割物特征点来确定道路分割物。由于是基于中层表达的道路分割物区域而不是纯粹的低层表达的像素来进行道路分割物的建模，因而，本发明的方法能够减小车道线建模和后处理算法的复杂度，并且能够提升车道线检测的准确度，非常适合于驾驶辅助系统的自适应实时检测需求。

<2.4、道路分割物检测装置>

以下参考图10描述根据本发明的另一实施例的道路分割物检测装置。图10示出了该道路分割物检测装置的功能框图。如图10所示，该检测装置1000可以包括：第一获得部件1010，获得包括道路区域的图像；区域检测部件1020，检测在该图像中的道路分割物区域；特征点检测部件1030，检测在该图像的道路分割物区域中的道路分割物的特征点；以及确定部件1040，根据该特征点检测部件检测的道路分割物的特征点确定道路分割物。

其中，其中所述特征点检测部件1030可以检测该图像中的所有特征点，并根据道路分割物的图像特征从检测的所有特征点中提取道路分割物的特征点，并且基于区域检测部件1020的检测结果而提取在所检测的道路分割物区域中的道路分割物的特征点。

或者，所述特征点检测部件1030可以基于区域检测部件1020的检测结果而仅在所检测的道路分割物区域中检测该道路分割物区域中的图像的所有特征点，并根据道路分割物的图像特征从检测的所有特征点中提取道路分割物的特征点。

可选地，该区域检测部件可以包括：第一生成部件，生成该图像的所有显著性子区域；第二获得部件，获得每个显著性子区域的图像特征；子区域选取部件，基于每个显著性子区域的图像特征，从所有显著性子区域中选取 包含道路分割物的子区域；第二生成部件，基于选取的子区域生成道路分割物区域。

其中，所述子区域选取部件可以利用预先训练的子区域分类器，基于每个显著性子区域的图像特征判断该显著性子区域是否属于包含道路分割物的子区域。

其中，所述第二生成部件可以基于选取的每个子区域的图像特征进行聚类，使得被聚类到同一道路分割物区域的所有子区域的图像特征具有最小的类内方差以及最大的类间方差。

其中，所述确定部件1040可以利用所述道路分割物的特征点对道路分割物模型进行拟合，以确定该图像中的道路分割物。

该检测装置1000的第一获得部件1010、区域检测部件1020、特征点检测部件1030和确定部件1040的具体操作过程可以参考在以上的步骤S220和S230中的描述，在此不再赘述。

根据该实施例的道路分割物检测装置1000，检测图像中的道路分割物区域，该区域分布能够反映道路分割物的基本情况，基于所检测的道路分割物区域中的道路分割物特征点来确定道路分割物。由于是基于中层表达的道路分割物区域而不是纯粹的低层表达的像素来进行道路分割物的建模，因而，本发明的方法能够减小车道线建模和后处理算法的复杂度，并且能够提升车道线检测的准确度，非常适合于驾驶辅助系统的自适应实时检测需求。

<2.5、道路分割物检测系统>

接下来，参考图11描述根据本发明的一个实施例的实现道路分割物检测的检测系统的硬件配置。如图11所示，检测系统1100包括：输入设备1110，用于从外部输入将要处理的图像，例如，该图像可以是彩色图像、灰度图像、深度图像等，该输入设备1110可以包括例如键盘、鼠标、以及通信网络及其所连接的远程输入设备等等；处理设备1120，用于实施上述的按照本发明实施例的道路分割物检测方法，或者实施为上述的按照本发明实施例的道路分割物装置，例如可以包括计算机的中央处理器或其它的具有处理能力的芯片等等，可以连接到诸如因特网的网络(未示出)，根据处理过程的需要而从网络获取需要的数据等；输出设备1130，用于向外部输出上述道路分割物的检测结果，比如检测得到的图像中的车道线，该输出设备1430可以包括例如显示器、打印机、以及通信网络及其所连接的远程输出设备等等；以及存储设 备1140，用于以易失或非易失的方式存储上述处理过程所涉及的图像、数据、所获得的结果、命令以及中间数据等等，该存储设备1440可以包括例如随机存取存储器(RAM)、只读存储器(ROM)、硬盘、或半导体存储器等等的各种易失或非易失性存储器。

当然，为了简化，图11中仅示出了该系统中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，系统1100还可以包括任何其他适当的组件。

<3.总结>

根据本发明，提供了道路分割物的检测方法、检测装置和检测系统。获得包括道路区域的图像，检测在该图像中的道路分割物区域，检测在该图像的道路分割物区域中的道路分割物的特征点，根据所检测的道路分割物区域中的道路分割物的特征点确定道路分割物。

根据上述的道路分割物的检测方法、检测装置以及检测系统，检测图像中的道路分割物区域，该区域分布能够反映道路分割物的基本情况，基于所检测的道路分割物区域中的道路分割物特征点来确定道路分割物。由于是基于中层表达的道路分割物区域而不是纯粹的低层表达的像素来进行道路分割物的建模，因而，本发明的方法能够减小车道线建模和后处理算法的复杂度，并且能够提升车道线检测的准确度，非常适合于驾驶辅助系统的自适应实时检测需求。

以上已经参考附图详细描述了根据本发明的实施例的道路分割物检测方法和装置。尽管在以上以车道线作为检测对象进行描述，但是本领域技术人员很清楚，本发明可应用的对象不限于此，并且也可以是诸如路肩石、栅栏以及其他能够标识路的区域和车道的物体。

本公开中涉及的装置、设备、系统的方框图仅作为例示性的例子，并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用 的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

本公开中的步骤流程图以及以上方法描述仅作为例示性的例子，并且不意图要求或暗示必须按照给出的顺序进行各个实施例的步骤。如本领域技术人员将认识到的，可以按任意顺序进行以上实施例中的步骤的顺序。诸如“其后”、“然后”、“接下来”等等的词语不意图限制步骤的顺序；这些词语仅用于引导读者通读这些方法的描述。此外，例如使用冠词“一个”、“一”或者“该”对于单数的要素的任何引用不被解释为将该要素限制为单数。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。