CN105631880A - 车道线分割方法和装置 - Google Patents

Abstract

本发明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。

Description

车道线分割方法和装置

技术领域

本发明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。

背景技术

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。

发明内容

有鉴于此，本发明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，本发明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，本发明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。

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

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；

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；

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；

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；

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；

图6是本发明实施例三提供的一种车道线分割方法的流程图；

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

下面结合附图和实施例对本发明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。

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。

实施例一

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：

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。

首先，对整体的车道线图像进行分块，分为每块的大小为M×M像素的正方形图像块，其中，M可以根据卷积神经网络的网络配置进行设置；对于一个正方形图像块，提取多种色彩空间模型的数据，包括RGB、HSV、YCrCb及Lab等中的至少两种，将提取到的这些不同的色彩空间的通道数据进行合并(即拼凑)，并归一化到相同尺寸下；将每个正方形图像块的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，得到的识别结果的大小为N×N像素，为了避免产生欠拟合问题，一般要求N×N小于M×M，其中，N是由卷积神经网络的网络配置决定的；将所述识别结果归一化为M×M像素，每个像素点代表属于车道线的可能性，值域为0-1，越接近1，表示属于车道线的概率越大，可设定预设阈值，当像素点的值大于或等于预设阈值时，确定该像素点属于车道线，将每一个正方形图像块的识别结果归一化为M×M像素后，按照原有顺序拼接到一起，得到粗分割结果。但由于对识别结果归一化时，进行了插值，所以粗分割结果分辨率不足，因此，还需要对粗分割结果进行细分。如图3和图4所示，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，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。其中，在对车道线图像继续分块时，到最后剩余的图像不能组成正方形图像块时，可以与前一图像块重叠一部分，使得与剩余的图像组成正方形图像块。

其中，RGB色彩空间模型采用R(Red，红色)、G(Green，绿色)和B(Blue，蓝色)三基色表示一种颜色，每一种颜色都可以由R、G、B三基色按不同的比例相加混合而成；HSV色彩空间模型采用圆锥空间模型来描述，其中，H(Hue，色调)用角度度量，取值范围为0°～360°，S(Saturation，饱和度)为一比例值，范围从0到1，它表示所选颜色的纯度和该颜色最大的纯度之间的比率，V(Value，亮度)表示色彩的明亮程度，范围从0到1；YCrCb色彩空间即YUV色彩空间，主要用于优化彩***信号的传输，使其向后相容老式黑白电视，其中，“Y”表示明亮度(Luminance或Luma)，也就是灰阶值，而“U”和“V”表示的则是色度(Chrominance或Chroma)，作用是描述影像色彩及饱和度，用于指定像素的颜色；Lab色彩空间模型是由明度(L)和有关色彩的a、b三个要素组成，L表示明度(Luminosity)，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围，L的值域由0到100，L＝50时就相当于50％的黑，a和b的值域都是由+127至-128，其中+127a就是红色，渐渐过渡到-128a的时候就变成绿色；同样原理，+127b是黄色，-128b是蓝色。

实施例二

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，本实施例对实施例一中的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，确定车道线区域进行了优化，具体包括如下：

S510，采集车道线图像。

S520，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。

S530，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。

本步骤主要是实现图割模型的初始化，即通过对所述粗分割结果的处理，指出所述车道线图像中哪些像素点属于绝对前景区域(车道线)，哪些像素点属于绝对背景区域(非车道线)，以及哪些像素点属于不确定区域。

其中，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优选包括：

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。

首先对所述粗分割结果进行二值化处理，得到二值化图像I；对所述二值化图像I进行腐蚀操作，得到腐蚀后的结果I_erode，将二值化图像I与腐蚀后的结果I_erode进行与运算，其结果为绝对前景区域，由该绝对前景区域的像素位置可以确定车道线图像的绝对前景区域；对所述二值化图像I进行膨胀操作，得到膨胀后的结果I_dilate，将二值化图像I与膨胀后的结果I_dilate进行或运算，其结果为绝对背景区域，由该绝对背景区域的像素位置可以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，参见如下公式：

其中，I_mask为对车道线图像的标记，fg为车道线图像的绝对前景区域，bg为车道线图像的绝对背景区域，unknown为车道线图像的不确定区域，I为二值化图像，I_erode为腐蚀后的结果，I_dilate为膨胀后的结果。

S540，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。

可以将绝对前景区域标记为1，即绝对前景区域的像素点属于前景的概率为1；绝对背景区域标记为0，即绝对背景区域的像素点属于前景的概率为0。根据所述绝对前景区域、绝对背景区域和所述车道线图像，构建车道线图像的图割模型，该图割模型由车道线图像的能量函数表示，对图割模型进行求解，即求解能量函数的值达到最小时的像素点属于前景的概率，根据像素点属于前景的概率便可以确定像素点是否属于前景，即是否属于车道线区域，该结果即为细分割结果。

其中，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，得到细分割结果优选包括：

根据如下公式构建所述车道线图像的图割模型：

$\begin{array}{c}\underset{b}{\arg \min }E=E_{data}+E_{smoothness}\\ =\underset{p=\left(x,y\right)}{\mathrm{\Σ}}{\mathrm{\ω}}_p{\mathrm{\α}}_p+\underset{q\∈N_p}{\mathrm{\Σ}}{\mathrm{\ω}}_{pq}^c\left|\right|b_q-b_p\left|\right|\end{array}$

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，E_data为车道线图像的能量函数中的数据项，E_smoothness为车道线图像的能量函数中的平滑项，α_p为像素点p属于前景的概率，ω_p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，N_p为像素点p的邻域，b_p为像素点p属于前景的概率，b_q为像素点q属于前景的概率，其中，c_p为像素点p的彩色值，c_q为像素点q的彩色值，σ_c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α_p和权重ω_p：

α_p＝GMM_fg/(GMM_fg+GMM_bg)

其中，GMM_fg为车道线图像中绝对前景区域的高斯混合模型，GMM_bg为车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。

其中，高斯混合模型是用高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。最大流最小割算法的基本定理为最小割的能量之和等于网络中的最大流。图割模型把图像分割问题与图的最小割问题相关联，因此可以通过最大流最小割算法来对图割模型进行求解。

S550，确定所述细分割结果中的最大连通域为车道线区域。

比较所述细分割结果中的连通域，找出其中的最大连通域，将该最大连通域确定为车道线区域。

本实施例的技术方案，通过利用卷积神经网络对车道线图像进行处理得到粗分割结果后，根据该粗分割结果，确定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，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，进一步提高了分割的车道线的精确度。

实施例三

图6是本发明实施例三提供的一种车道线分割方法的流程图，本实施例对实施例一进行了优化，在实施例一的基础上，增加了对车道线区域的边缘点进行校验的内容，具体包括如下：

S610，采集车道线图像。

S620，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。

S630，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。

S640，对车道线区域的边缘点进行校验，确定车道线的轮廓。

利用RANSAC(RANdomSAmpleConsensus，随机抽样一致)算法对车道线区域的边缘点进行校验，剔除野点，即判断为车道线区域的像素点而非真正属于车道线区域，从而确定精确的车道线区域，该车道线区域的边缘构成了车道线的轮廓。其中，RANSAC算法是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。

其中，对车道线区域的边缘点进行校验，确定车道线的轮廓优选包括：

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线拟合结果为车道线的轮廓。

首先随机采集位于车道线区域的同一边缘的两个边缘点(即边缘像素点)，由这两个边缘点可确定一条直线，即得到直线拟合结果，计算在直线拟合结果上的边缘点的数目，对位于车道线区域的该边缘的边缘点都进行上述处理，野点与边缘点(或野点)的直线拟合结果中的边缘点的数目肯定比都是边缘点组成的直线拟合结果中的边缘点数目少，因此，可以通过该方法剔除野点，选择出所述数目最多的直线拟合结果，将该直线拟合结果作为车道线的轮廓。这样确定的车道线的轮廓更加精确。

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，对车道线区域的边缘点进行校验，确定车道线的轮廓，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，与实施例一相比，本实施例还可以确定出更加精确的车道线的轮廓。经过实践表明，本实施例在车道线存在模糊不清、遮挡或其他干扰的情况下，都能够完成车道线的精确分割。

实施例四

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，如图7所示，本实施例所述的车道线分割装置包括：车道线采集模块710、粗分割模块720和细分割模块730。

其中，车道线采集模块710用于采集车道线图像；

粗分割模块720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730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。

优选的，所述粗分割模块720包括：

分块单元，用于将所述车道线图像分成同样大小的正方形图像块；

图像数据提取单元，用于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；

识别单元，用于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；

粗分割单元，用于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。

优选的，所述细分割模块730包括：

初始化单元，用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；

细分割单元，用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；

车道线区域确定单元，用于确定所述细分割结果中的最大连通域为车道线区域。

优选的，所述初始化单元具体用于：

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。

优选的，所述细分割单元具体用于：

根据如下公式构建所述车道线图像的图割模型：

$\begin{array}{c}\underset{b}{\arg \min }E=E_{data}+E_{smoothness}\\ =\underset{p=\left(x,y\right)}{\mathrm{\Σ}}{\mathrm{\ω}}_p{\mathrm{\α}}_p+\underset{q\∈N_p}{\mathrm{\Σ}}{\mathrm{\ω}}_{pq}^c\left|\right|b_q-b_p\left|\right|\end{array}$

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，E_data为车道线图像的能量函数中的数据项，E_smoothness为车道线图像的能量函数中的平滑项，α_p为像素点p属于前景的概率，ω_p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，N_p为像素点p的邻域，b_p为像素点p属于前景的概率，b_q为像素点q属于前景的概率，其中，c_p为像素点p的彩色值，c_q为像素点q的彩色值，σ_c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α_p和权重ω_p：

α_p＝GMM_fg/(GMM_fg+GMM_bg)

其中，GMM_fg为车道线图像中绝对前景区域的高斯混合模型，GMM_bg为车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。

优选的，该车道线分割装置还包括：

车道线轮廓确定模块，用于在确定车道线区域之后，对车道线区域的边缘点进行校验，确定车道线的轮廓。

优选的，所述车道线轮廓确定模块具体用于：

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线拟合结果为车道线的轮廓。

上述产品可执行本发明任意实施例所提供的车道线分割方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (14)

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：

$\begin{array}{c}\underset{b}{\arg \min }E=E_{data}+E_{smoothness}\\ =\underset{p=\left(x,y\right)}{\mathrm{\Σ}}{\mathrm{\ω}}_p{\mathrm{\α}}_p+\underset{q\∈N_p}{\mathrm{\Σ}}{\mathrm{\ω}}_{pq}^c\left|\right|b_q-b_p\left|\right|\end{array}$

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，E_data为车道线图像的能量函数中的数据项，E_smoothness为车道线图像的能量函数中的平滑项，α_p为像素点p属于前景的概率，ω_p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，N_p为像素点p的邻域，b_p为像素点p属于前景的概率，b_q为像素点q属于前景的概率，其中，c_p为像素点p的彩色值，c_q为像素点q的彩色值，σ_c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α_p和权重ω_p：

α_p＝GMM_fg/(GMM_fg+GMM_bg)

其中，GMM_fg为车道线图像中绝对前景区域的高斯混合模型，GMM_bg为车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线拟合结果为车道线的轮廓。

8.一种车道线分割装置，其特征在于，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。

9.根据权利要求8所述的装置，其特征在于，所述粗分割模块包括：

分块单元，用于将所述车道线图像分成同样大小的正方形图像块；

图像数据提取单元，用于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；

识别单元，用于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；

粗分割单元，用于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。

10.根据权利要求8所述的装置，其特征在于，所述细分割模块包括：

初始化单元，用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；

细分割单元，用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；

车道线区域确定单元，用于确定所述细分割结果中的最大连通域为车道线区域。

11.根据权利要求10所述的装置，其特征在于，所述初始化单元具体用于：

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。

12.根据权利要求10所述的装置，其特征在于，所述细分割单元具体用于：

根据如下公式构建所述车道线图像的图割模型：

$\begin{array}{c}\underset{b}{\arg \min }E=E_{data}+E_{smoothness}\\ =\underset{p=\left(x,y\right)}{\mathrm{\Σ}}{\mathrm{\ω}}_p{\mathrm{\α}}_p+\underset{q\∈N_p}{\mathrm{\Σ}}{\mathrm{\ω}}_{pq}^c\left|\right|b_q-b_p\left|\right|\end{array}$

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，E_data为车道线图像的能量函数中的数据项，E_smoothness为车道线图像的能量函数中的平滑项，α_p为像素点p属于前景的概率，ω_p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，N_p为像素点p的邻域，b_p为像素点p属于前景的概率，b_q为像素点q属于前景的概率，其中，c_p为像素点p的彩色值，c_q为像素点q的彩色值，σ_c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α_p和权重ω_p：

α_p＝GMM_fg/(GMM_fg+GMM_bg)

其中，GMM_fg为车道线图像中绝对前景区域的高斯混合模型，GMM_bg为车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。

13.根据权利要求8-12任一所述的装置，其特征在于，还包括：

车道线轮廓确定模块，用于在确定车道线区域之后，对车道线区域的边缘点进行校验，确定车道线的轮廓。

14.根据权利要求13所述的装置，其特征在于，所述车道线轮廓确定模块具体用于：

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线拟合结果为车道线的轮廓。