一种包含有车道线的图像分割处理方法及装置与流程

本发明涉及图像处理技术领域，尤其涉及一种包含有车道线的图像分割处理方法及装置。

背景技术：

车道线是在道路上用于标记车道的标识，可提供每条车道的准确位置和形状。基于光学图像的车道线分割方法是现代驾驶辅助系统的关键组成部分，它是现代辅助和自动驾驶系统的关键技术之一。

然而，车道线的一些独特特性对分割方法提出了挑战。由于缺乏独特的特征，现有技术所采用的建模方法中的车道线容易被其他具有相似局部外观的对象混淆，导致模型的识别精度有限。

因此，如何避免上述缺陷，通过合理地建立用于车道线分割的图像分割处理模型，进而更加准确地进行车道线分割，成为亟须解决的问题。

技术实现要素：

针对现有技术存在的问题，本发明实施例提供一种包含有车道线的图像分割处理方法及装置。

本发明实施例提供一种包含有车道线的图像分割处理方法，包括：

获取待分割处理的图像；所述图像包含有车道线；

输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

本发明实施例提供一种包含有车道线的图像分割处理装置，包括：

获取单元，用于获取待分割处理的图像；所述图像包含有车道线；

分割单元，用于输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

本发明实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，

所述处理器执行所述程序时实现如下方法步骤：

获取待分割处理的图像；所述图像包含有车道线；

输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下方法步骤：

获取待分割处理的图像；所述图像包含有车道线；

输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

本发明实施例提供的包含有车道线的图像分割处理方法及装置，输入图像至通过训练卷积神经网络得到的预设图像分割处理模型，该卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构，能够合理地建立用于车道线分割的图像分割处理模型，进而更加准确地进行车道线分割。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明包含有车道线的图像分割处理方法实施例流程图；

图2为本发明实施例包含有车道线的图像示意图；

图3为本发明实施例车道线的分割处理结果示意图；

图4为本发明实施例卷积神经网络的网络结构示意图；

图5为本发明包含有车道线的图像分割处理装置实施例流程图；

图6为本发明实施例提供的电子设备实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明包含有车道线的图像分割处理方法实施例流程图，如图1所示，本发明实施例提供的一种包含有车道线的图像分割处理方法，包括以下步骤：

s101：获取待分割处理的图像；所述图像包含有车道线。

具体的，装置获取待分割处理的图像；所述图像包含有车道线。图2为本发明实施例包含有车道线的图像示意图，车道线如图2所示。

s102：输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

具体的，装置输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。图3为本发明实施例车道线的分割处理结果示意图，如图3所示，分割出来的白色区域对应车辆可行驶的车道区域。图4为本发明实施例卷积神经网络的网络结构示意图，如图4所示，卷积神经网络为7层网络结构，第1层网络结构至第4层网络结构为树状结构、第5层网络结构至第7层网络结构为倒金字塔状结构。

进一步地，树状结构中的各层网络结构分别包括数量为1、2、5、8的第一类神经网络块，即第1层网络结构为1个第一类神经网络块(图4中的第1层神经网络块)、第2层网络结构为2个第一类神经网络块(图4中的第2层①神经网络块和第2层②神经网络块)、第3层网络结构为5个第一类神经网络块(图4中的第3层①神经网络块、第3层网络子块①、第3层网络子块②、第3层②神经网络块和第3层③神经网络块)、第4层网络结构为8个第一类神经网络块(图4中的第4层①神经网络块、第4层网络子块①、第4层网络子块②、第4层②神经网络块、第4层网络子块③、第4层网络子块④、第4层③神经网络块和第4层④神经网络块)。

进一步地，第一类神经网络块包括依次相连的卷积层、激活层和最大池化层。以第1层神经网络块为例，其由依次设置的第一卷积层(convolution，conv)、第一激活层(activation，act)、第二卷积层、第二激活层、第一最大池化层(maxpooling，pool)组成；第1个神经网络块的输入端接收输入层的输出端输出的原始输入图像的r通道分量、g通道分量和b通道分量，第1层神经网络块的输出端输出32幅特征图，将32幅特征图构成的集合记为p1；其中，第一卷积层和第二卷积层的卷积核大小(kernel_size)均为3×3、卷积核个数(filters)均为32、补零(padding)参数均为“same”，第一激活层和第二激活层的激活方式均为“relu”，第一最大池化层的池化尺寸(pool_size)为2，p1中的每幅特征图的宽度为w/2、高度为h/2，其中，输入层的输入端接收的原始输入图像的宽度为w、高度为h。对应其他各第一类神经网络块的说明不再赘述。

进一步地，倒金字塔状结构中的各层网络结构分别包括数量为3、2、1的第二类神经网络块。即第5层网络结构为3个第二类神经网络块(图4中的第5层①神经网络块、第5层②神经网络块和第5层③神经网络块)、第6层网络结构为2个第二类神经网络块(图4中的第6层①神经网络块和第6层②神经网络块)、第7层网络结构为1个第二类神经网络块(图4中的第7层神经网络块)。

进一步地，所述第二类神经网络块包括依次相连的上采样层、卷积层和激活层。以第5层①神经网络块为例，其先由第4层①神经网络块和第4层②神经网络块作相加(add)操作，其输出依次连接第一上采样层、第十五卷积层、第十五激活层，相加操作为将第4层①神经网络块和第4层②神经网络块中每幅特征图中的对应位置的像素点相加。第5层①神经网络块的输入端接收p7和p8中的所有特征图(p7和p8分别对应第4层①神经网络块和第4层②神经网络块中的特征图)，第5层①神经网络块的输出端输出128幅特征图，将128幅特征图构成的集合记为u1；其中，第一上采样层上采样尺度(size)为2，第十五卷积层卷积核大小均为1×1、卷积核个数均为128、补零参数为“same”，第十五激活层的激活方式为“relu”，u1中的每幅特征图的宽度为w/8、高度为h/8。对应其他各第二类神经网络块的说明不再赘述。

本发明实施例预设图像分割处理模型的建模过程包括训练阶段和测试阶段两个过程。

所述的训练阶段过程的具体步骤为：

步骤1_1：选取q幅原始的车辆行驶图像及每幅原始的车辆行驶图像对应的真实语义分割图像，并构成训练集，将训练集中的第q幅原始的车辆行驶图像记为{i^q(i,j)}，将训练集中与{i^q(i,j)}对应的真实语义分割图像记为然后采用现有的独热编码技术(one-hot)将训练集中的每幅原始的车辆行驶图像对应的真实语义分割图像处理成2幅独热编码图像，将处理成的2幅独热编码图像构成的集合记为其中，车辆行驶图像为rgb彩色图像，q为正整数，q>200，如取q＝605，q为正整数，1≤q≤q，1≤i≤w，1≤j≤h，w表示{i^q(i,j)}的宽度，h表示{i^q(i,j)}的高度，如取w＝640、h＝480，i^q(i,j)表示{i^q(i,j)}中坐标位置为(i,j)的像素点的像素值，表示中坐标位置为(i,j)的像素点的像素值；在此，训练的车辆行驶图像直接选用车辆行驶图像数据库one-classroaddetectiondataset训练集中的605幅图像。

步骤1_2：搭建卷积神经网络：卷积神经网络包括输入层、隐层和输出层；隐层包括7层神经网络块。

从输入层的输入端接收一幅训练集的输入图像的r通道分量、g通道分量和b通道分量，输入层的输出端输出原始输入图像的r通道分量、g通道分量和b通道分量给隐层；其中，要求输入层的输入端接收的原始输入图像的宽度为w、高度为h。

对于第1层神经网络块，其由依次设置的第一卷积层(convolution，conv)、第一激活层(activation，act)、第二卷积层、第二激活层、第一最大池化层(maxpooling，pool)组成；第1个神经网络块的输入端接收输入层的输出端输出的原始输入图像的r通道分量、g通道分量和b通道分量，第1层神经网络块的输出端输出32幅特征图，将32幅特征图构成的集合记为p1；其中，第一卷积层和第二卷积层的卷积核大小(kernel_size)均为3×3、卷积核个数(filters)均为32、补零(padding)参数均为“same”，第一激活层和第二激活层的激活方式均为“relu”，第一最大池化层的池化尺寸(pool_size)为2，p1中的每幅特征图的宽度为w/2、高度为h/2，其中，输入层的输入端接收的原始输入图像的宽度为w、高度为h。对应其他各第一类神经网络块的说明不再赘述。

对于第2层①神经网络块，其由依次设置的第三卷积层、第三激活层、第二最大池化层组成；第2层①神经网络块的输入端接收p1中的所有特征图，第2层神经网络块的输出端输出64幅特征图，将64幅特征图构成的集合记为p2；其中，第三卷积层卷积核大小均为1×1、卷积核个数均为64、补零参数均为“same”，第三激活层和第四激活层的激活方式均为“relu”，第二最大池化层的池化尺寸为2，p2中的每幅特征图的宽度为w/4、高度为h/4。

对于第2层②神经网络块，其由依次设置的第四卷积层、第四激活层、第三最大池化层组成；第2层②神经网络块的输入端接收p1中的所有特征图，第2层②神经网络块的输出端输出64幅特征图，将64幅特征图构成的集合记为p3；其中，第四卷积层的卷积核大小均为3×3、卷积核个数均为64、补零参数均为“same”，第四激活层的激活方式均为“relu”，第三最大池化层的池化尺寸为2，p3中的每幅特征图的宽度为w/4、高度为h/4。

对于第3层①神经网络块，其由依次设置的第五卷积层、第五激活层、第四最大池化层组成；第3层①神经网络块的输入端接收p2中的所有特征图，第3层①神经网络块的输出端输出128幅特征图，将128幅特征图构成的集合记为p4；其中，第五卷积层卷积核大小均为1×1、卷积核个数均为128、补零参数为“same”，第五激活层的激活方式为“relu”，第四最大池化层的池化尺寸为2，p4中的每幅特征图的宽度为w/8、高度为h/8。

对于第3层网络子块①，其由依次设置的第六卷积层、第六激活层、第五最大池化层组成；第3层网络子块①的输入端接收p2中的所有特征图，第3层网络子块①的输出端输出128幅特征图，将128幅特征图构成的集合记为q1；其中，第六卷积层卷积核大小为3×3、卷积核个数均为128、补零参数为“same”，第六激活层激活方式为“relu”，第五最大池化层的池化尺寸为2，q1中的每幅特征图的宽度为w/8、高度为h/8。

对于第3层网络子块②，其由依次设置的第七卷积层、第七激活层、第六最大池化层组成；第3层网络子块②的输入端接收p3中的所有特征图，第3层网络子块②的输出端输出128幅特征图，将128幅特征图构成的集合记为q2；其中，第七卷积层的卷积核大小为3×3、卷积核个数为128、补零参数为“same”，第七激活层的激活方式均为“relu”，q2中的每幅特征图的宽度为w/8、高度为h/8。

对于第3层②神经网络块，其由第3层网络子块①和第3层网络子块②作相加(add)操作后的输出组成，相加操作为将网络子块①和网络子块②中每幅特征图中的对应位置的像素点相加。第3层②神经网络块的输入端接收q1和q2中的所有特征图，第3层②神经网络块的输出端输出128幅特征图，将128幅特征图构成的集合记为p5；p5中的每幅特征图的宽度为w/8、高度为h/8。

对于第3层③神经网络块，其由依次设置的第八卷积层、第八激活层、第七最大池化层组成；第3层③神经网络块的输入端接收p3中的所有特征图，第3层③神经网络块的输出端输出128幅特征图，将128幅特征图构成的集合记为p6；其中，第八卷积层卷积核大小均为5×5、卷积核个数均为128、补零参数为“same”，第八激活层的激活方式为“relu”，第七最大池化层的池化尺寸为2，p6中的每幅特征图的宽度为w/8、高度为h/8。

对于第4层①神经网络块，其由依次设置的第九卷积层、第九激活层、第八最大池化层组成；第4层①神经网络块的输入端接收p4中的所有特征图，第4层①神经网络块的输出端输出256幅特征图，将256幅特征图构成的集合记为p7；其中，第九卷积层卷积核大小均为1×1、卷积核个数均为256、补零参数为“same”，第九激活层的激活方式为“relu”，第八最大池化层的池化尺寸为2，p7中的每幅特征图的宽度为w/16、高度为h/16。

对于第4层网络子块①，其由依次设置的第十卷积层、第十激活层、第九最大池化层组成；第4层网络子块①的输入端接收p4中的所有特征图，第4层网络子块①的输出端输出256幅特征图，将256幅特征图构成的集合记为q3；其中，第十卷积层卷积核大小为3×3、卷积核个数均为256、补零参数为“same”，第十激活层激活方式为“relu”，第九最大池化层的池化尺寸为2，中的每幅特征图的宽度为w/16、高度为h/16。

对于第4层网络子块②，其由依次设置的第十一卷积层、第十一激活层、第十最大池化层组成；第4层网络子块②的输入端接收p4中的所有特征图，第4层网络子块②的输出端输出128幅特征图，将128幅特征图构成的集合记为q4；其中，第十一卷积层的卷积核大小为3×3、卷积核个数为256、补零参数为“same”，第十一激活层的激活方式均为“relu”，q4中的每幅特征图的宽度为w/16、高度为h/16。

对于第4层②神经网络块，其由第4层网络子块①和第4层网络子块②作相加(add)操作后的输出组成，相加操作为将网络子块①和网络子块②中每幅特征图中的对应位置的像素点相加。第4层②神经网络块的输入端接收q3和q4中的所有特征图，第4层②神经网络块的输出端输出256幅特征图，将256幅特征图构成的集合记为p8；p8中的每幅特征图的宽度为w/16、高度为h/16。

对于第4层网络子块③，其由依次设置的第十二卷积层、第十二激活层、第十一最大池化层组成；第4层网络子块③的输入端接收p5中的所有特征图，第4层网络子块③的输出端输出256幅特征图，将256幅特征图构成的集合记为q5；其中，第十二卷积层的卷积核大小为5×5、卷积核个数为256、补零参数为“same”，第十二激活层的激活方式均为“relu”，q5中的每幅特征图的宽度为w/16、高度为h/16。

对于第4层网络子块④，其由依次设置的第十三卷积层、第十三激活层、第十二最大池化层组成；第4层网络子块④的输入端接收p6中的所有特征图，第4层网络子块④的输出端输出256幅特征图，将256幅特征图构成的集合记为q6；其中，第十三卷积层的卷积核大小为5×5、卷积核个数为256、补零参数为“same”，第十二激活层的激活方式均为“relu”，q6中的每幅特征图的宽度为w/16、高度为h/16。

对于第4层③神经网络块，其由第4层网络子块③和第4层网络子块④作相加(add)操作后的输出组成，相加操作为将网络子块③和网络子块④中每幅特征图中的对应位置的像素点相加。第4层③神经网络块的输入端接收q5和q6中的所有特征图，第4层③神经网络块的输出端输出256幅特征图，将256幅特征图构成的集合记为p9；p9中的每幅特征图的宽度为w/16、高度为h/16。

对于第4层④神经网络块，其由依次设置的第十四卷积层、第十四激活层、第十三最大池化层组成；第4层④神经网络块的输入端接收p6中的所有特征图，第4层④神经网络块的输出端输出256幅特征图，将256幅特征图构成的集合记为p10；其中，第十四卷积层卷积核大小均为7×7、卷积核个数均为256、补零参数为“same”，第十四激活层的激活方式为“relu”，第十三最大池化层的池化尺寸为2，p10中的每幅特征图的宽度为w/16、高度为h/16。

对于第5层①神经网络块，其先由第4层①神经网络块和第4层②神经网络块作相加(add)操作，其输出依次连接第一上采样层、第十五卷积层、第十五激活层组成，相加操作为将神经网络块①和神经网络块②中每幅特征图中的对应位置的像素点相加。第5层①神经网络块的输入端接收p7和p8中的所有特征图，第5层①神经网络块的输出端输出128幅特征图，将128幅特征图构成的集合记为u1；其中，第一上采样层上采样尺度(size)为2，第十五卷积层卷积核大小均为1×1、卷积核个数均为128、补零参数为“same”，第十五激活层的激活方式为“relu”，u1中的每幅特征图的宽度为w/8、高度为h/8。

对于第5层②神经网络块，其先由第4层②神经网络块和第4层③神经网络块作相加(add)操作，其输出依次连接第二上采样层、第十六卷积层、第十六激活层组成，相加操作为将神经网络块②和神经网络块③中每幅特征图中的对应位置的像素点相加。第5层②神经网络块的输入端接收p8和p9中的所有特征图，第5层②神经网络块的输出端输出128幅特征图，将128幅特征图构成的集合记为u2；其中，第二上采样层上采样尺度(size)为2，第十六卷积层卷积核大小均为3×3、卷积核个数均为128、补零参数为“same”，第十六激活层的激活方式为“relu”，u2中的每幅特征图的宽度为w/8、高度为h/8。

对于第5层③神经网络块，其先由第4层③神经网络块和第4层④神经网络块作相加(add)操作，其输出依次连接第三上采样层、第十七卷积层、第十七激活层组成，相加操作为将神经网络块③和神经网络块④中每幅特征图中的对应位置的像素点相加。第5层③神经网络块的输入端接收p9和p10中的所有特征图，第5层③神经网络块的输出端输出128幅特征图，将128幅特征图构成的集合记为u3；其中，第三上采样层上采样尺度(size)为2，第十七卷积层卷积核大小均为5×5、卷积核个数均为128、补零参数为“same”，第十七激活层的激活方式为“relu”，u3中的每幅特征图的宽度为w/8、高度为h/8。

对于第6层①神经网络块，其先由第5层①神经网络块和第5层②神经网络块作相加(add)操作，其输出依次连接第四上采样层、第十八卷积层、第十八激活层组成，相加操作为将神经网络块①和神经网络块②中每幅特征图中的对应位置的像素点相加。第6层①神经网络块的输入端接收u1和u2中的所有特征图，第5层①神经网络块的输出端输出64幅特征图，将64幅特征图构成的集合记为u4；其中，第四上采样层上采样尺度(size)为2，第十八卷积层卷积核大小均为1×1、卷积核个数均为64、补零参数为“same”，第十八激活层的激活方式为“relu”，u4中的每幅特征图的宽度为w/4、高度为h/4。

对于第6层②神经网络块，其先由第5层②神经网络块和第5层③神经网络块作相加(add)操作，其输出依次连接第五上采样层、第十九卷积层、第十九激活层组成，相加操作为将神经网络块②和神经网络块③中每幅特征图中的对应位置的像素点相加。第6层②神经网络块的输入端接收u2和u3中的所有特征图，第6层②神经网络块的输出端输出64幅特征图，将64幅特征图构成的集合记为u5；其中，第四上采样层上采样尺度(size)为2，第十八卷积层卷积核大小均为3×3、卷积核个数均为64、补零参数为“same”，第十八激活层的激活方式为“relu”，u5中的每幅特征图的宽度为w/4、高度为h/4。

对于第7层神经网络块，其先由第6层①神经网络块和第6层②神经网络块作相加(add)操作，其输出依次连接第六上采样层、第二十卷积层、第二十激活层、第二十一卷积层、第二十一激活层、第七上采样层组成，相加操作为将神经网络块①和神经网络块②中每幅特征图中的对应位置的像素点相加。第7层神经网络块的输入端接收u4和u5中的所有特征图，第7层神经网络块的输出端输出32幅特征图，将32幅特征图构成的集合记为u6；其中，第六上采样层上采样尺度(size)为2，第二十卷积层卷积核大小均为u6、卷积核个数均为32、补零参数为“same”，第二十激活层的激活方式为“relu”，第二十一卷积层卷积核大小均为3×3、卷积核个数均为32、补零参数为“same”，第二十一激活层的激活方式为“relu”，第七上采样层上采样尺度(size)为2。u6中的每幅特征图的宽度为w、高度为h。

对于输出层，其由第二十二卷积层组成，其中，第二十二个卷积层的卷积核大小为1×1、卷积核个数为2、补零参数为“valid”、激活方式(activation)为“softmax”；输出层的输入端接收u6中的所有特征图，输出层的输出端输出2幅与原始输入图像对应的车道分割预测图。

步骤1_3：将训练集中的每幅原始的车辆行驶图像作为原始输入图像，输入到卷积神经网络中进行训练，得到训练集中的每幅原始的车辆行驶图像对应的2幅车道分割预测图，将{i^q(i,j)}对应的2幅语义分割预测图构成的集合记为

步骤1_4：计算训练集中的每幅原始的车辆行驶图像对应的2幅车道分割预测图构成的集合与对应的真实语义分割图像处理成的2幅独热编码图像构成的集合之间的损失函数值，将与之间的损失函数值记为采用分类交叉熵(categoricalcrossentropy)获得。

步骤1_5：重复执行步骤1_3和步骤1_4共v次，得到卷积神经网络分类训练模型，并共得到q×v个损失函数值；然后从q×v个损失函数值中找出值最小的损失函数值；接着将值最小的损失函数值对应的权值矢量和偏置项对应作为卷积神经网络分类训练模型的最优权值矢量和最优偏置项，对应记为w^best和b^best；其中，v>1，在本实例中取v＝500。

所述的测试阶段过程的具体步骤为：

步骤2_1：令表示待语义分割的车辆行驶图像；其中，1≤i'≤w'，1≤j'≤h'，w'表示的宽度，h'表示的高度，表示中坐标位置为(i,j)的像素点的像素值。

步骤2_2：将的r通道分量、g通道分量和b通道分量输入到卷积神经网络分类训练模型中，并利用w^best和b^best进行预测，得到对应的预测语义分割图像，记为其中，表示中坐标位置为(i',j')的像素点的像素值。

本发明实施例提供的包含有车道线的图像分割处理方法，输入图像至通过训练卷积神经网络得到的预设图像分割处理模型，该卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构，能够合理地建立用于车道线分割的图像分割处理模型，进而更加准确地进行车道线分割。

在上述实施例的基础上，所述卷积神经网络为7层网络结构；相应的，第1层网络结构至第4层网络结构为所述树状结构、第5层网络结构至第7层网络结构为所述倒金字塔状结构。

具体的，装置中的第1层网络结构至第4层网络结构为所述树状结构、第5层网络结构至第7层网络结构为所述倒金字塔状结构。可参照上述说明，不再赘述。

本发明实施例提供的包含有车道线的图像分割处理方法，通过使该卷积神经网络的第1层网络结构至第4层网络结构为树状结构、第5层网络结构至第7层网络结构为倒金字塔状结构，进一步能够合理地建立用于车道线分割的图像分割处理模型，进而更加准确地进行车道线分割。

在上述实施例的基础上，所述树状结构中的各层网络结构分别包括数量为1、2、5、8的第一类神经网络块。

具体的，装置中的所述树状结构中的各层网络结构分别包括数量为1、2、5、8的第一类神经网络块。可参照上述说明，不再赘述。

本发明实施例提供的包含有车道线的图像分割处理方法，通过设置合理数量的第一类神经网络块，进一步能够合理地建立用于车道线分割的图像分割处理模型，进而更加准确地进行车道线分割。

在上述实施例的基础上，所述第一类神经网络块包括依次相连的卷积层、激活层和最大池化层。

具体的，装置中的所述第一类神经网络块包括依次相连的卷积层、激活层和最大池化层。可参照上述说明，不再赘述。

本发明实施例提供的包含有车道线的图像分割处理方法，通过使第一类神经网络块包括依次相连的卷积层、激活层和最大池化层，进一步能够合理地建立用于车道线分割的图像分割处理模型，进而更加准确地进行车道线分割。

在上述实施例的基础上，所述倒金字塔状结构中的各层网络结构分别包括数量为3、2、1的第二类神经网络块。

具体的，装置中的所述倒金字塔状结构中的各层网络结构分别包括数量为3、2、1的第二类神经网络块。可参照上述说明，不再赘述。

本发明实施例提供的包含有车道线的图像分割处理方法，通过设置合理数量的第二类神经网络块，进一步能够合理地建立用于车道线分割的图像分割处理模型，进而更加准确地进行车道线分割。

在上述实施例的基础上，所述第二类神经网络块包括依次相连的上采样层、卷积层和激活层。

具体的，装置中的所述第二类神经网络块包括依次相连的上采样层、卷积层和激活层。可参照上述说明，不再赘述。

本发明实施例提供的包含有车道线的图像分割处理方法，通过使第二类神经网络块包括依次相连的上采样层、卷积层和激活层，进一步能够合理地建立用于车道线分割的图像分割处理模型，进而更加准确地进行车道线分割。

图5为本发明包含有车道线的图像分割处理装置实施例结构示意图，如图5所示，本发明实施例提供了一种包含有车道线的图像分割处理装置，包括获取单元501和分割单元502，其中：

获取单元501用于获取待分割处理的图像；所述图像包含有车道线；分割单元502用于输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

具体的，获取单元501用于获取待分割处理的图像；所述图像包含有车道线；分割单元502用于输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

本发明实施例提供的包含有车道线的图像分割处理装置，输入图像至通过训练卷积神经网络得到的预设图像分割处理模型，该卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构，能够合理地建立用于车道线分割的图像分割处理模型，进而更加准确地进行车道线分割。

本发明实施例提供的包含有车道线的图像分割处理装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图6为本发明实施例提供的电子设备实体结构示意图，如图6所示，所述电子设备包括：处理器(processor)601、存储器(memory)602和总线603；

其中，所述处理器601、存储器602通过总线603完成相互间的通信；

所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待分割处理的图像；所述图像包含有车道线；输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待分割处理的图像；所述图像包含有车道线；输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待分割处理的图像；所述图像包含有车道线；输入所述图像至预设图像分割处理模型，并将所述预设图像分割处理模型的输出结果作为所述车道线的分割处理结果；其中，所述预设图像分割处理模型是通过训练卷积神经网络得到的；所述卷积神经网络具有树状结构和倒金字塔状结构相结合的网络结构。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。