车道线分割方法和装置的制造方法
【技术领域】
[0001] 本发明实施例设及地图技术，尤其设及一种车道线分割方法和装置。
【背景技术】
[0002] 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。
[0003] 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。
[0004] 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。
【发明内容】
[0005] 有鉴于此，本发明实施例提供一种车道线分割方法和装置，W提高分割的车道线 的精确度。
[0006] 第一方面，本发明实施例提供了一种车道线分割方法，所述方法包括：
[0007] 采集车道线图像；
[000引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；
[0009] 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。
[0010] 第二方面，本发明实施例还提供了 一种车道线分割装置，所述装置包括：
[0011] 车道线采集模块，用于采集车道线图像；
[0012] 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；
[001引细分害臘块，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。
[0014] 本发明实施例的技术方案，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】
[0015] 图1是本发明实施例一提供的一种车道线分割方法的流程图；
[0016] 图2是本发明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；
[0017] 图3是本发明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；
[0018] 图4是本发明实施例中对图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；
[0019] 图5是本发明实施例二提供的一种车道线分割方法的流程图；
[0020] 图6是本发明实施例Ξ提供的一种车道线分割方法的流程图；
[0021] 图7是本发明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】
[0022] 下面结合附图和实施例对本发明作进一步的详细说明。可W理解的是，此处所描 述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便 于描述，附图中仅示出了与本发明相关的部分而非全部内容。
[0023] 本发明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发明实施例的讨论范围内。
[0024] 实施例一
[0025] 图1是本发明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W由车道线分割装置来执 行，所述车道线分割装置可W集成于计算机或者移动终端等终端中，具体包括如下：
[00%] S110,采集车道线图像。
[0027] 当定位到车道线时，通过控制摄像头采集车道线图像。
[0028] 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。
[00巧]其中，卷积神经网络（Convolutional化ural Network,C順)是一种前馈神经网 络，它的人工神经元可W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。
[0030] 图2是本发明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Ξ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Ξ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Ξ个池化层S2的特征映射图。运些映射图再进 过滤波得到卷积层C3。运个层级结构再和池化层S2-样产生池化层S4。最终，运些像素值被 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。
[0031] -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W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W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。
[0032] 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。
[0033] 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。
[0034] 其中，图割模型即利用图割(Gra地化t)算法来实现图像分割。图像分割可W看成 像素标记问题，目标的标记设为1，背景的标记设为0,运个过程可W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。
[0035] 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。
[0036] 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。
[0037] 在上述技术方案的基础上，利用卷积神经网络对所述车道线图像进行处理，得到 粗分割结果优选包括：
[0038] 将所述车道线图像分成同样大小的正方形图像块；
[0039] 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；
[0040] 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；
[0041] 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。
[0042] 首先，对整体的车道