用于检测道路的方法和装置与流程

本申请涉及计算机技术领域，具体涉及一种用于检测道路的方法和装置。

背景技术：

随着经济的快速发展，地物目标，尤其是道路在非常迅速的扩张。地图中路网的更新在经济建设、军事、抗震救灾等领域具有重大意义。目前，检测道路的方法主要有两类，一类是人工采集，例如巡航车可以采集和捕获当前的道路信息以及周边的环境信息；另一类是通过获取的卫星或航拍的遥感影像，采用图像处理和计算机视觉的方法进行道路检测。

然而人工数据采集效率较低，通过获取的卫星图像信息进行道路检测时，若存在道路被严重遮挡的情况(比如云雾，路边树木的阴影等)，道路检测的准确性会受到影响。

技术实现要素：

本申请的目的在于提出一种改进的用于检测道路的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种用于检测道路的方法，该方法包括：获取预定区域的图像；对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率；获取目标终端的历史位置信息集合；响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率；将第二概率大于预设阈值的像素对应的区域确定为道路区域。

在本实施例中，对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率，包括：将图像导入预先训练的全卷积网络模型，得到与图像中各个像素对应的区域为道路区域的第三概率；将图像中各个像素作为条件随机场中的节点，并将图像中像素与像素间的关系作为条件随机场中的边，根据第三概率和预先训练的条件随机场模型确定第一概率。

在本实施例中，历史位置信息包括目标终端在预定时间段内上传的坐标信息；以及根据历史位置信息校正第一概率，得到第二概率，包括：统计与图像中各个像素对应的区域内包括的坐标信息所指示的坐标点的数量；根据数量确定与图像中各个像素对应的区域为道路区域的第四概率；根据预先设置的权重对各像素的第一概率和第四概率加权得到各像素的第二概率。

在本实施例中，统计与图像中各个像素对应的区域内包括的坐标信息所指示的坐标点的数量，包括：根据坐标信息建立坐标点的分布图；对分布图进行图像滤波降噪处理，得到分布图中的非噪声坐标点；统计与图像中各个像素对应的区域内包括的非噪声坐标点的数量。

在本实施例中，获取目标终端的历史位置信息集合，包括：获取目标终端中预设进程和/或预设线程启动时上传的位置信息集合，其中，预设进程和预设线程用于实现导航功能。

第二方面，本申请实施例提供了一种用于检测道路的装置，该装置包括：第一获取单元，用于获取预定区域的图像；语义分割单元，用于对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率；第二获取单元，用于获取目标终端的历史位置信息集合；校正单元，用于响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率；确定单元，用于将第二概率大于预设阈值的像素对应的区域确定为道路区域。

在本实施例中，语义分割单元，包括：全卷积网络模型子单元，用于将图像导入预先训练的全卷积网络模型，得到与图像中各个像素对应的区域为道路区域的第三概率；条件随机场模型子单元，用于将图像中各个像素作为条件随机场中的节点，并将图像中像素与像素间的关系作为条件随机场中的边，根据第三概率和预先训练的条件随机场模型确定第一概率。

在本实施例中，历史位置信息包括目标终端在预定时间段内上传的坐标信息；以及校正单元，包括：统计子单元，用于统计与图像中各个像素对应的区域内包括的坐标信息所指示的坐标点的数量；确定子单元，用于根据数量确定与图像中各个像素对应的区域为道路区域的第四概率；加权子单元，用于根据预先设置的权重对各像素的第一概率和第四概率加权得到各像素的第二概率。

在本实施例中，统计子单元，包括：建立模块，用于根据坐标信息建立坐标点的分布图；滤波模块，用于对分布图进行图像滤波降噪处理，得到分布图中的非噪声坐标点；统计模块，用于统计与图像中各个像素对应的区域内包括的非噪声坐标点的数量。

在本实施例中，第二获取单元，进一步配置用于：获取目标终端中预设进程和/或预设线程启动时上传的位置信息集合，其中，预设进程和预设线程用于实现导航功能。

第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面上述的方法。

本申请实施例提供的用于检测道路的方法和装置，通过获取预定区域的图像，并对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率，而后获取目标终端的历史位置信息集合，响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率，最后将第二概率大于预设阈值的像素对应的区域确定为道路区域，提高了道路检测的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于检测道路的方法的一个实施例的示意性流程图；

图3是根据本申请的用于检测道路的方法的又一个实施例的示意性流程图；

图4是根据本申请的用于检测道路的方法的应用场景的示意图；

图5是根据本申请的用于检测道路的装置的一个实施例的示例性结构图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于检测道路的方法或用于检测道路的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104、服务器105和数据库106。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如，地图类应用、电子商务类应用、通讯类应用、搜索类应用等。

终端设备101、102、103可以是具有定位功能和通讯功能的各种电子设备，可以向服务器发送其位置信息，和/或显示功能和通讯功能的各种电子设备，可以接收服务器下发的路网数据并进行显示，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的地图类应用提供路网数据更新服务的服务器。上述处理服务器可以从数据库106获取预定区域的图像；对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率；获取终端设备101、102、103的历史位置信息集合；响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率；将第二概率大于预设阈值的像素对应的区域确定为道路区域。

数据库106是可以是存储文字、图像、终端的历史位置信息或路网数据的存储单元，上述数据库106存储的图像可以是卫星、航空拍摄获取的图像，或其他的未经处理的图像，也可以是经处理后的图片。

需要说明的是，本申请实施例所提供的用于检测道路的方法可以由服务器105执行，相应地，用于检测道路的装置可以设置于服务器105中。

应该理解，图1中的终端设备、网络、服务器和数据库的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络、服务器和数据库。

继续参考图2，示出了根据本申请的用于检测道路的方法的一个实施例的流程200。该用于检测道路的方法，包括以下步骤：

步骤201，获取预定区域的图像。

在本实施例中，用于检测道路的方法运行于其上的电子设备(例如图1所示的服务器)可以首先获取预定区域的图像。图像可以是卫星图像或其他航拍图像，卫星图像通常由分级的地图瓦片组成，每一个地图瓦片是一幅256x256的像素图像。地图瓦片可分为19级，不同级别的地图瓦片中，地面分辨率不同，可以根据实际需要确定使用哪一级的地图瓦片。作为示例，可以使用17级的地图瓦片，17级的地图瓦片在图像上1个像素对应2米。预定区域可以是本次道路检测的目标区域，也可以是目标区域的一部分，例如，确定使用17级的地图瓦片后，可以根据目标区域的坐标信息，获取目标区域的地图瓦片，目标区域较大时可能获取到多张17级的地图瓦片，预定区域可以是其中一张或多张地图瓦片所对应的区域。预定区域可以是城市、郊区、农村、山区以及一些危险区域。

步骤202，对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率。

在本实施例中，上述电子设备可以对步骤201中获取的图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率。图像分割就是把图像分成若干个特定的、具有独特性质的区域，是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。图像语义分割，简单而言就是给定一张图片，对图片上的每一个像素点分类，对于道路的检测，可以通过判断卫星图像中的像素点的颜色值所在的范围确定出各个像素点属于道路的概率值，在深度学习领域，可以使用多层神经网络模型，例如深度神经网络、卷积神经网络等来进行图像的语义分割。

步骤203，获取目标终端的历史位置信息集合。

在本实施例中，上述电子设备可以获取目标终端的历史位置信息集合。目标终端可以是安装有预设应用的终端，或愿意向服务器共享其位置信息的终端，预定应用可以是具有导航功能的应用或其他有获取终端位置信息的权限的应用。目标终端的历史位置信息集合可以是自这些应用的后台服务器获取的该目标终端在过去一段时间内上传的位置信息的集合。可选地，历史位置信息可以包括经纬度信息，若历史位置信息是用户开启导航时产生的数据，历史位置信息还可以包括处于所述历史位置时的目标终端的运动方向信息。历史位置信息集合可以是对目标终端上传的数据进行脱敏处理后的信息的集合，例如，可以去除其包括的用户敏感信息如用户标识信息。

步骤204，响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率。

在本实施例中，上述电子设备可以响应于步骤203中获取的历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率。历史位置信息集合中的位置信息与预定区域可能不是一一对应的，所以可以先确定出历史位置信息集合中存在的，所指示的历史位置处于预定区域内的历史位置信息，而后根据确定出的历史位置信息校正第一概率，得到第二概率。

步骤205，将第二概率大于预设阈值的像素对应的区域确定为道路区域。

在本实施例中，上述电子设备可以将步骤204中得到的第二概率大于预设阈值的像素对应的区域确定为道路区域。例如，在一些可选的实现方式中，预设阈值可以根据经验来设置(示意性地，例如可以设为0.5)，将第二概率大于0.5的像素对应的区域确定为道路区域。或者，在另一些可选的实现方式中，预设阈值也可以基于机器学习方法来学习得到。例如，可以将地图软件中经验证过的路网数据作为训练数据来训练阈值生成模型，从而训练得到最优的预设阈值。本实施例结合了基于图像分割结果和历史位置信息的道路检测的优缺点，提高了道路检测的准确性。

在本实施例的一些可选实现方式中，对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率，包括：将图像导入预先训练的全卷积网络模型，得到与图像中各个像素对应的区域为道路区域的第三概率；将图像中各个像素作为条件随机场中的节点，并将图像中像素与像素间的关系作为条件随机场中的边，根据第三概率和预先训练的条件随机场模型确定第一概率。

在本实现方式中，可以使用17级的路网栅格化的图像分割标签，基于深度学习的框架，以大量的卫星图像数据为支撑，将地图软件中经验证过的路网数据作为训练数据，训练一个基于全卷积网络的高效的道路图像分割模型。全卷积网络模型相比传统卷积神经网络模型，剔除了网络结构的中的全连接层，大大减少了模型的参数，同时通过上采样的方法，将图像分割转变成一个pixel-wise(像素对像素)的预测问题，相比传统的patch-wise(像素块对像素块)的方法节约了计算时间。而后，可以使用crf(conditionalrandomfieldalgorithm，条件随机场)和图像增强的方法进一步优化处理结果。

在本实施例的一些可选实现方式中，获取目标终端的历史位置信息集合，包括：获取目标终端中预设进程和/或预设线程启动时上传的位置信息集合，其中，预设进程和预设线程用于实现导航功能。

在本实现方式中，基于终端开启导航功能时产生的轨迹数据，进行道路发现与检测。用户在出行时会借助地图的导航进行路线规划，与此同时，地图应用类软件在开启的导航的过程中，也会记录下相应的轨迹数据。可以利用不同类型导航产生的轨迹数据来进行不同类型道路的检测，例如，检测车道时可以使用驾车的导航数据，检测自行车道可以使用骑行的导航数据，检测步行道路时可以使用步行的导航数据。导航产生的轨迹数据相比于其他功能运行产生的位置数据与道路检测的相关性更强，因为在其他功能运行时，用户在非道路的区域也上传位置信息的可能性更大，使用导航功能开启时获取的位置数据进一步提高了道路检测的准确性。

在本实施例的一些可选的实现方式中，可以根据与图像中各个像素对应的区域内包括的历史位置的个数是否大于预先设置的个数阈值来确定与图像中各个像素对应的区域是否为道路，个数阈值可以根据预定区域内各个像素包括的历史位置的数量的平均值确定，例如，平均值为6，个数阈值可以是9，实际的数值可以根据预定区域中历史位置的聚集程度确定；个数阈值也可以基于机器学习方法，将地图软件中经验证过的路网数据作为训练数据，训练得到个数阈值。由于定位系统精度或稳定性的原因，历史位置信息集合中可能存在一些错误的历史位置信息，例如，定位点可能存在漂移现象，所以可以通过图像滤波和降噪，将这些错误的历史位置信息去除，进一步提高道路检测的准确性。

在本实施例的一些可选的实现方式中，若历史位置过多可对历史位置进行采样，历史位置信息可以包括历史位置的经纬度。在将经纬度坐标进行墨卡托坐标转换后，可以建立一个白板图层，将历史位置通过坐标映射到白板图层，得到历史位置或采样后的历史位置的分布图,之后也可以根据坐标对齐历史位置分布图的图层与预定区域图像的图层。根据统计学的原理，当区域内的历史位置足够密集时，历史位置的分布是趋于稳定的。这时，历史位置的分布与区域内道路的分布有着很强的关联，即认为历史位置的分布密集的区域，也是属于道路的概率更大的区域，由此可以基于历史位置信息得到与图像中各个像素对应的区域为道路区域的概率。而后可以建立一个线性插值模型，以根据历史位置信息校正图像分割的结果。

本申请的上述实施例提供的方法通过获取预定区域的图像，并对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率，而后获取目标终端的历史位置信息集合，响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率，最后将第二概率大于预设阈值的像素对应的区域确定为道路区域，提高了道路检测的准确性。

请参考图3，图3是根据本实施例的用于检测道路的方法的又一个实施例的流程示意图。

在图3中，该用于检测道路的方法的流程300，包括以下步骤：

步骤301，获取预定区域的图像。

在本实施例中，用于检测道路的方法运行于其上的电子设备(例如图1所示的服务器)可以首先获取预定区域的图像。

步骤302，对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率。

在本实施例中，上述电子设备可以对步骤301中获取的图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率。

步骤303，获取目标终端的历史位置信息集合。

在本实施例中，上述电子设备可以获取目标终端的历史位置信息集合。

步骤304，响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据坐标信息建立坐标点的分布图。

在本实施例中，历史位置信息包括目标终端在预定时间段内上传的坐标信息，上述电子设备可以响应于步骤303中获取的历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据坐标信息建立坐标点的分布图。预定时间段可以是最近1周，最近1～3个月等，具体数值可以根据实际需要设置。坐标信息可以是经纬度，将经纬度坐标进行墨卡托坐标转换后，可以将各个坐标点映射到指预定区域坐标上。之后，对坐标点进行采样，建立一个白板图层，将坐标点映射到白板图层。

步骤305，对分布图进行图像滤波降噪处理，得到分布图中的非噪声坐标点。

在本实施例中，上述电子设备可以对步骤304中建立的分布图进行图像滤波处理，得到分布图中的非噪声坐标点。由于目标终端在非道路的区域时也可能上传位置信息，同时，定位系统也可能存在一定的位置偏移，所以需要将这些噪声点去除，以防对检测结果产生影响。对分布图进行图像滤波降噪处理可以通过维纳滤波、小波滤波来实现，也可以利用一些机器学习，优化，或者概率模型的方法进行图像降噪处理，以达到去除噪声点的目的。

步骤306，统计与图像中各个像素对应的区域内包括的非噪声坐标点的数量。

在本实施例中，上述电子设备可以统计图像中的各个像素对应的与图像中各个像素对应的区域内包括的步骤305得到的非噪声坐标点的数量。若步骤304中建立的坐标点的分布图与图像的坐标一致，可以直接统计图像中的各个像素对应的与图像中各个像素对应的区域内包括的非噪声坐标点的数量，若不一致，可以选择一个公共的坐标体系，例如，根据图像中的各个像素的经纬度范围，和各个非噪声坐标点的经纬度确定图像中的各个像素对应的与图像中各个像素对应的区域内包括的非噪声坐标点的数量。

步骤307，根据数量确定与图像中各个像素对应的区域为道路区域的第四概率。

在本实施例中，上述电子设备可以根据步骤306中统计的数量确定与图像中各个像素对应的区域为道路区域的第四概率。根据统计学的原理，当区域内的非噪声坐标点足够密集时，非噪声坐标点的分布是趋于稳定的。这时，非噪声坐标点的分布与区域内道路的分布有着很强的关联，即认为非噪声坐标点的分布密集的区域，也是属于道路的概率更大的区域。可以预先建立像素对应的区域内包括的非噪声坐标点的数量与像素对应的区域为道路区域的第四概率的对应关系，例如，数量为0时第四概率为0，数量与大于9小于15时第四概率为0.7，具体的数值可以根据非噪声坐标点的总数、非噪声坐标点的聚集程度等因素进行设置，也可以基于机器学习方法，将地图软件中经验证过的路网数据作为训练数据，训练得到最优的对应关系。

步骤308，根据预先设置的权重对各像素的第一概率和第四概率加权得到各像素的第二概率。

在本实施例中，上述电子设备可以根据预先设置的权重加权步骤302中得到的第一概率和步骤307中确定的第四概率得到第二概率。可以建立一个线性插值模型，以根据预先设置的权重对各像素的第一概率和第四概率加权得到各像素的第二概率。

p(x)＝λp1(x)+(1-λ)p2(x)；

其中，p1(x)为图像中某一个像素的语义分割得到的第一概率，p2(x)为根据处于该像素的区域内坐标点的数量得到的第四概率。λ是一个参数，取值范围在[0,1]，它的取值与预定区域内历史位置的密集程度相关，直观上，如果预定区域内的非噪声坐标点比较密集(例如，处于该预定区域内的非噪声坐标点的数量较多)，那么λ的值可以较小。

步骤309，将第二概率大于预设阈值的像素对应的区域确定为道路区域。

在本实施例中，上述电子设备可以将步骤308中得到的第二概率大于预设阈值的像素对应的区域确定为道路区域。

步骤301～步骤303、步骤309的实现细节和技术效果可以参考步骤201～步骤203、步骤205中的说明，在此不再赘述。

继续参见图4，图4是根据本实施例的道路检测方法的应用场景的一个示意图。在图4的应用场景中，检测道路的过程分为两个阶段，一个阶段是基于卫星图像和深度学习的图像分割，另一阶段是基于历史位置信息的数据处理。基于卫星图像和深度学习的图像分割的阶段包括通过全卷积网络深度学习模型进行图像分割的步骤401，通过条件随机场模型优化图像分割结果的步骤402，生成道路检测概率图的步骤403；其中，全卷积网络深度学习模型训练数据可以是地图软件中路网数据已验证的区域的卫星图像和与其对应的路网数据标签，若地图软件采用栅格地图，则标签为栅格化路网数据标签，若地图软件采用矢量地图，则标签为矢量化路网数据标签。基于历史位置信息的数据处理阶段包括对历史位置信息进行坐标转换与映射的步骤404，采样输出历史位置分布图的步骤405，对分布图进行滤波降噪处理的步骤406，步骤405中若历史位置数量较少，也可不进行采样，直接输出历史位置分布图。最后，步骤407综合以上两个阶段的结果，输出最终的道路检测结果。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于检测道路的方法的流程300突出了根据历史位置信息校正第一概率的步骤。由此，本实施例描述的方案进一步提高了道路检测的准确性。

进一步参考图5，作为对上述方法的实现，本申请提供了一种用于检测道路的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于检测道路的装置500包括：第一获取单元501，语义分割单元502，第二获取单元503，校正单元504，确定单元505，其中，第一获取单元501，用于获取预定区域的图像；语义分割单元502，用于对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率；第二获取单元503，用于获取目标终端的历史位置信息集合；校正单元504，用于响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率；确定单元505，用于将第二概率大于预设阈值的像素对应的区域确定为道路区域。

在本实施例中，第一获取单元501，语义分割单元502，第二获取单元503，校正单元504，确定单元505的具体处理可以参考图2对应实施例步骤201、步骤202、步骤203、步骤204、步骤205的详细描述，在此不再赘述。

在本实施例的一些可选实现方式中，语义分割单元502，包括：全卷积网络模型子单元(图中未示出)，用于将图像导入预先训练的全卷积网络模型，得到与图像中各个像素对应的区域为道路区域的第三概率；条件随机场模型子单元(图中未示出)，用于将图像中各个像素作为条件随机场中的节点，并将图像中像素与像素间的关系作为条件随机场中的边，根据第三概率和预先训练的条件随机场模型确定第一概率。

在本实施例的一些可选实现方式中，历史位置信息包括目标终端在预定时间段内上传的坐标信息；以及校正单元504，包括：统计子单元(图中未示出)，用于统计图像中的各个像素对应的与图像中各个像素对应的区域内包括的坐标信息指示的坐标信息所指示的坐标点的数量；确定子单元(图中未示出)，用于根据数量确定图像中的各个像素对应的与图像中各个像素对应的区域为道路区域的第四概率；加权子单元(图中未示出)，用于根据预先设置的权重加权第一概率和第四概率得到第二概率根据预先设置的权重对各像素的第一概率和第四概率加权得到各像素的第二概率。

在本实施例的一些可选实现方式中，统计子单元(图中未示出)，包括：建立模块(图中未示出)，用于根据坐标信息建立坐标点的分布图；滤波模块(图中未示出)，用于对分布图进行图像滤波降噪处理，得到分布图中的非噪声坐标点；统计模块(图中未示出)，用于统计与图像中各个像素对应的区域内包括的非噪声坐标点的数量。

在本实施例的一些可选实现方式中，第二获取单元503，进一步配置用于：获取目标终端中预设进程和/或预设线程启动时上传的位置信息集合，其中，预设进程和预设线程用于实现导航功能。

从图5中可以看出，本实施例中用于检测道路的装置500通过获取预定区域的图像，并对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率，而后获取目标终端的历史位置信息集合，响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率，最后将第二概率大于预设阈值的像素对应的区域确定为道路区域，提高了道路检测的准确性。

下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口606。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分，所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元，语义分割单元，第二获取单元，校正单元，确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取预定区域的图像的单元”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入服务器中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：获取预定区域的图像；对图像进行语义分割，得到与图像中各个像素对应的区域为道路区域的第一概率；获取目标终端的历史位置信息集合；响应于历史位置信息集合中存在所指示的历史位置处于预定区域内的历史位置信息，根据历史位置信息校正第一概率，得到第二概率；将第二概率大于预设阈值的像素对应的区域确定为道路区域。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。