CN109427062A - 道路特征标记方法、装置、计算机设备以及可读存储介质 - Google Patents

Abstract

本发明涉及一种道路特征标记方法、装置、计算机设备以及可读存储介质，该方法包括：获取待标记地图中的道路区域；根据边缘检测算法获取所述待标记地图中的线段像素；根据在所述道路区域中的线段像素生成线段概率图；获取所述线段概率图中的线段，并将所述线段分类为表示不同道路特征的线段；将表示不同道路特征的线段标记在所述待标记地图的相应位置处。上述的道路特征标记方法、装置、计算机设备以及可读存储介质，根据边缘检测算法获取到待标记地图中的线段，并根据待标记地图中的道路区域获取属于道路特征的线段，对该些线段进行分类后，可以将表示不同道路特征的线段标记在待标记地图中，不需要人工一一标记，效率高。

Description

道路特征标记方法、装置、计算机设备以及可读存储介质

技术领域

本发明涉及计算机技术领域，特别是涉及一种道路特征标记方法、装置、计算机设备以及可读存储介质。

背景技术

随着电子通讯及传感技术的快速发展，各种智能机器人、无人驾驶飞行器等得到了很大的发展和普及。自动驾驶所依据的高精度地图数据可以通过多元传感器提供，但是高精度地图数据在地图的某些位置处会产生强烈的噪音，例如高强度的情况或信息丢失的情况。

传统技术中为了解决高精度地图数据中的强烈的噪音，一般需要通过人工来对高精度地图中的道路特征进行标记，从而防止由于强烈的噪音造成的道路特征信息丢失，自动驾驶出现问题的情况的产生。但是该种方式需要大量的人工操作，效率低。

发明内容

基于此，有必要提供一种道路特征标记方法、装置、计算机设备以及可读存储介质，可以解决上述对地图中的道路特征进行标记时效率低的问题。

一种道路特征标记方法，所述方法包括：

获取待标记地图中的道路区域；

根据边缘检测算法获取所述待标记地图中的线段像素；

根据在所述道路区域中的线段像素生成线段概率图；

获取所述线段概率图中的线段，并将所述线段分类为表示不同道路特征的线段；

将表示不同道路特征的线段标记在所述待标记地图的相应位置处。

在其中一个实施例中，所述方法还包括：

接收针对所述样本地图的道路区域的标记指令；

根据所述标记指令对所述样本地图中道路区域进行标记得到标记地图；

按照预设分割逻辑将所述样本地图分割为若干样本块，将所述标记地图分割为若干标记块；

当与所述样本块的位置对应的标记块表示道路区域时，则将样本块标记为第一正样本；

当与所述样本块的位置对应的标记块表示非道路区域时，则将样本块标记为第一负样本；

根据所述第一正样本和所述第一负样本生成道路分割模型；

所述获取待标记地图中的道路区域的步骤，包括：

根据所述道路分割模型获取待标记地图中的道路区域。

在其中一个实施例中，所述方法还包括：

根据所述道路分割模型获取当前测试地图中的道路区域；

当根据所述道路分割模型获取到的当前测试地图中的道路区域与所述当前测试地图中标记的道路区域的相似度小于第一阈值时，则根据所述当前测试地图生成第二正样本和第二负样本；

将所述第二正样本和所述第二负样本添加至所述道路分割模型中，并继续根据所述道路分割模型获取下一测试地图中的道路区域，直至根据所述道路分割模型所获取的下一测试地图中的道路区域与所述下一测试地图中标记的道路区域的相似度大于等于所述第一阈值。

在其中一个实施例中，所述根据边缘检测算法获取所述待标记地图中的线段像素的步骤包括：

根据canny边缘检测算法获取所述待标记地图中的像素为线段像素的第一概率；

根据索贝尔算子边缘检测算法获取所述待标记地图中的像素为线段像素的第二概率；

根据线段检测算法获取所述待标记地图中的像素为线段像素的第三概率；

当所述待标记地图中的像素位于所述道路区域中时，则根据所述第一概率、所述第二概率以及所述第三概率计算得到综合概率；

当所述综合概率大于第二阈值时，则将与所述综合概率对应的所述待标记地图中的像素标记为线段像素。

在其中一个实施例中，所述获取所述线段概率图中的线段的步骤包括：

对所述线段概率图进行二值化；

获取经过二值化后的所述线段概率图的连通区域作为所述线段概率图中的线段；

将所述线段分类为表示不同道路特征的线段的步骤，包括：

当所述连通区域的面积大于第三阈值，且所述连通区域的高宽比位于预设范围内时，则将所述连通区域对应的线段分类为表示道路符号的线段。

在其中一个实施例中，所述获取所述线段概率图中的线段的步骤还包括：

通过线段检测算法识别所述线段概率图中的线段；

当所识别的线段的长度大于第四阈值，且小于等于第五阈值时，则将所识别的线段分类为表示道路中心线的线段。

在其中一个实施例中，所述方法还包括：

当所识别的线段的长度大于所述第五阈值，且所识别的线段与道路方向平行时，则将所识别的线段分类为表示道路边界线的线段；

当所识别的线段的长度大于所述第五阈值，且所识别的线段与所述道路方向垂直时，则将所识别的线段分类为表示停车线的线段。

在其中一个实施例中，所述通过线段检测算法获取所述线段概率图中的线段的步骤之后，还包括：

计算通过线段检测算法获取的所述线段概率图中的线段之间的距离；

当存在两条线段之间的距离小于第六阈值时，则根据距离小于等于所述第六阈值的两条线段生成替代线段，并删除与所述替代线段对应的距离小于所述第六阈值的两条线段，直至所有的线段之间的距离大于所述第六阈值。

一种道路特征标记装置，所述装置包括：

道路区域获取模块，用于获取待标记地图中的道路区域；

线段像素获取模块，用于根据边缘检测算法获取所述待标记地图中的线段像素；

线段概率图生成模块，用于根据在所述道路区域中的线段像素生成线段概率图；

线段分类模块，用于获取所述线段概率图中的线段，并将所述线段分类为表示不同道路特征的线段；

标记模块，用于将表示不同道路特征的线段标记在所述待标记地图的相应位置处。

一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法中的步骤。

一种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上述方法中的步骤。

上述的道路特征标记方法、装置、计算机设备以及可读存储介质，根据边缘检测算法获取到待标记地图中的线段，并根据待标记地图中的道路区域获取属于道路特征的线段，对该些线段进行分类后，可以将表示不同道路特征的线段标记在待标记地图中，不需要人工一一标记，效率高。

附图说明

图1为一实施例中道路特征标记方法的应用环境图；

图2为一实施例中道路特征标记方法的流程图；

图3为一实施例中道路分割模型生成步骤的流程图；

图4为一实施例中的道路区域的标记示意图；

图5为一实施例中的待标记地图中的噪音的示意图；

图6为一实施例中道路区域前景标记示意图；

图7为一实施例中多项式表示道路区域的示意图；

图8为一实施例中的道路区域的蒙版示意图；

图9为一实施例中的样本地图的分割示意图；

图10为一实施例中标记地图的分割示意图；

图11为图2所示实施例中的步骤S204的流程图；

图12为一实施例中线段概率图的示意图；

图13为图2所示实施例中的步骤S208的流程图；

图14为图2所示实施例中的步骤S208的另一流程图；

图15为一实施例中的线段示意图；

图16为另一实施例中的线段示意图；

图17为再一实施例中的线段示意图；

图18为又一实施例中的线段示意图；

图19为一实施例中道路特征标记装置的示意图；

图20为一实施例中的计算机设备的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

在详细说明根据本发明的实施例前，应该注意到的是，所述的实施例主要在于与道路特征标记方法、装置、计算机设备以及可读存储介质相关的步骤和***组件的组合。因此，所属***组件和方法步骤已经在附图中通过常规符号在适当的位置表示出来了，并且只示出了与理解本发明的实施例有关的细节，以免因对于得益于本发明的本领域普通技术人员而言显而易见的那些细节模糊了本发明的公开内容。

在本文中，诸如左和右，上和下，前和后，第一和第二之类的关系术语仅仅用来区分一个实体或动作与另一个实体或动作，而不一定要求或暗示这种实体或动作之间的任何实际的这种关系或顺序。术语“包括”、“包含”或任何其他变体旨在涵盖非排他性的包含，由此使得包括一系列要素的过程、方法、物品或者设备不仅包含这些要素，而且还包含没有明确列出的其他要素，或者为这种过程、方法、物品或者设备所固有的要素。

在其中一个实施例中，参阅图1，图1为一实施例中道路特征标记方法的应用环境图，车辆在行走的过程中可以通过车上的多远传感器提供适用于无人驾驶的高精度地图，该高精度地图的精度可以达到厘米级，数据范围覆盖指定区域主要是高度功率和城市里的路。但是由于高精度地图数据中可能存在强烈的噪音，因此将该高精度地图输入至计算机设备上，以使得计算机设备输出道路特征，例如车道线和/或道路符号等，从而为自动驾驶提供准确的地图。

请参阅图2，在其中一个实施例中，提供一种道路特征标记方法，本实施例以该方法应用到上述图1中的计算机设备来举例说明。该计算机设备上运行有道路特征标记程序，通过该道路特征标记来实施道路特征标记方法。该方法具体包括如下步骤：

S202：获取待标记地图中的道路区域。

具体地，待标记地图为车辆在行走过程中获取的地图，或者是从其他的供应商处获取的地图，例如百度地图、谷歌地图等。该待标记地图可以是高精度地图或者HD LiDAR强度图(激光雷达强度图)。道路区域是指该待标记地图中的表示道路的区域。

S204：根据边缘检测算法获取待标记地图中的线段像素。

具体地，边缘检测算法是指可以获取到待标记地图中所有线段像素的算法，其可以包括canny边缘检测算法、索贝尔算子边缘检测算法以及线段检测算法这三种算法中的至少一种。线段像素是指在某一条线段上的像素。

S206：根据在道路区域中的线段像素生成线段概率图。

具体地，由于需要对道路特征进行标记，因此仅需要考虑在道路区域中的线段像素即可以，从而可以仅根据在道路区域中的线段像素生成线段概率图，即将道路区域中可能存在线段像素的区域标记出来得到线段概率图。

S208：获取线段概率图中的线段，并将线段分类为表示不同道路特征的线段。

具体地，根据线段概率图中所标记出来的可能存在线段像素的区域生成线段，然后将所生成的线段进行分类，例如道路特征可以包括车道线和道路符号，因此可以将所生成的线段分类为车道线和道路符号，此外车道线可进一步地包括停车线、车道边界线、车道中心线等，因此可以进一步地将所生成的线段分类为停车线、车道边界线和车道中心线。

S210：将表示不同道路特征的线段标记在待标记地图的相应位置处。

具体地，当将所生成的线段进行分类后，可以将分类后的不同道路特征标记在待标记地图的相应的位置处，从而可以提高待标记地图的精度，使得车辆在无人驾驶时，可以根据该标记后的地图准确地行驶。

上述的道路特征标记方法，根据边缘检测算法获取到待标记地图中的线段，并根据待标记地图中的道路区域获取属于道路特征的线段，对该些线段进行分类后，可以将表示不同道路特征的线段标记在待标记地图中，不需要人工一一标记，效率高。

在其中一个实施例中，参与图3，图3为一实施例中道路分割模型生成步骤的流程图，该道路分割模型可以作为图2所示实施例中的步骤S202的基础，例如步骤S202中获取待标记地图中的道路区域可以是根据该道路分割模型来获取道路区域。该道路区域分割步骤可以包括：

S302：接收针对样本地图的道路区域的标记指令。

S304：根据标记指令对样本地图中道路区域进行标记得到标记地图。

具体地，样本地图是指用于生成道路分割模型的地图，其可以作为生成道路分割模型的基础信息，该样本地图可以是从车辆所生成的高精度地图中选取的部分高精度地图。该样本地图在使用前，首先人工来标记出道路区域，例如可以通过某一终端来展现出样本地图，然后人工来标记出道路区域。可选地，当终端为可触摸终端时，终端上显示样本地图，人工通过在终端的触摸屏上进行操作将道路区域划分出来，如图4中的线条所示，可以通过接收人工所描绘的线条，将线条所包裹的区域作为道路区域，从而可以得到标记地图。

另外，在对样本地图进行标记前，可以对样本地图进行图像平滑，例如可以通过L0范数渐变最小化来对图像进行平滑，其中L0范数可以理解为向量中非零元素的个数。如图5所示，可以对图像中的强烈噪音，例如线条、椭圆、高强度以及信息丢失进行平滑，从而可以使得人工标记时的图像更加的准确。

请继续参阅图4，在人工将道路区域标记出来后，可以将道路区域标记为前景，其余部分标记为背景，例如可以将道路区域标记为像素255，其余部分标记为像素0，如图6所示，然后用多项式来表示道路区域的边界线，从而可以将道路区域与其余区域区分开来，如图7所示，最后将根据表示道路区域的边界线的多项式来将道路区域提取出来，并将所提取出的道路区域转换为蒙版，如图8所示，其中白色区域即为道路区域。

S306：按照预设分割逻辑将样本地图分割为若干样本块，将标记地图分割为若干标记块。

具体地，预设分割逻辑可以是在操作之前根据图像的大小所设置的分割逻辑，例如可以设置标记块的大小为32像素×32像素，步长为12像素，或者设置标记块的大小为50像素×50像素，步长为20像素，在此不限制该预设分割逻辑，本领域技术人员可以根据需要来调整该预设分割逻辑。参阅图9和图10，图9为一实施例中样本地图的分割示意图，图10为一实施例中标记地图的分割示意图，使用同一分割逻辑对样本地图和标记地图进行分割以得到若干样本块和标记块，如图9中的块B1、块B2、块B3、块B4、块B5，图10中的块C1、块C2、块C3、块C4、块C5。

S308：当与样本块的位置对应的标记块表示道路区域时，则将样本块标记为第一正样本。

S310：当与样本块的位置对应的标记块表示非道路区域时，则将样本块标记为第一负样本。

具体地，继续参阅图9和图10，以其中的图9中的块B1、块B2、块B3、块B4、块B5，图10中的块C1、块C2、块C3、块C4、块C5进行说明，本领域技术人员可以根据该块B1、块B2、块B3、块B4、块B5、块C1、块C2、块C3、块C4、块C5的说明来对图9和图10中的其他的样本块和标记块进行处理。例如块B1和块C1的位置是相对应的，其中块C1中非蒙版区域的面积站整个块C1的面积的0％，即道路区域的面积为0，因此与该标记块C1对应的样本块B1其也表示非道路区域，因此将该样本块B1标记为第一负样本。再比如块B2和块C2的位置也是相对应的，其中块C2中蒙版区域的面积占整个块C2的面积为100％，因此将该块C2看作为道路区域，从而与其位置相对应的样本块B2也表示为道路区域，从而将该样本块B2作为第一正样本。此外还可以参见块B3和块C3，该块B3和块C3的位置也是相对应的，其中块C3中蒙版区域的面积占整个块C3的面积为75％，因此将该块C3看作为道路区域，从而与其位置相对应的样本块B3也表示为道路区域，从而将该样本块B3作为第一正样本。

可选地，可以标记块中蒙版区域的面积占整个标记块面积的比例来判断与该标记块相对应的样本块是为正样本还是负样本，例如可以设置上限阈值和下限阈值，当标记块中蒙版区域的面积占整个标记块面积的比例大于等于上限阈值时，则将与该标记块对应的样本块标记为正样本，当标记块中蒙版区域的面积占整个标记块面积的比例小于下限阈值时，则将与该标记块对应的样本块标记为负样本，其中上限阈值可以为0.65、0.66、0.70等，下限阈值可以相应地设置为0.45、0.38、0.3等，在此对上限阈值和下限阈值的大小不做限制。

S312：根据第一正样本和第一负样本生成道路分割模型。

具体地，可以根据第一正样本和第一负样本生成道路分割模型，例如可以根据CNNarchitecture卷积神经网络架构生成道路分割模型，还可以根据MLP architecture多层感知器架构生成道路分割模型。且可选地，由于本实施例中所涉及的样本块与现有CNNarchitecture卷积神经网络架构的数据域存在不同，现有的CNN architecture卷积神经网络架构的数据域在ImageNet上进行设计和训练，用于通用物体分类，而不是航空影像特定的分割。其次，现有的CNN architecture卷积神经网络架构图像尺寸为227像素×227像素，远远大于本实施例中的样本块的大小。第三，现有的CNN architecture卷积神经网络架构的模型能力远远大于本实施例中道路分割任务的需要，因此从成本方面考虑，使用MLParchitecture多层感知器架构生成道路分割模型更为可取。其中使用MLP architecture多层感知器架构来测试高精度地图上浅层和密集连接的神经网络的特征表示能力。

上述实施例中，通过对样本地图进行标记后生成标记地图，再根据标记地图对样本地图进行处理，得到第一正样本和第一负样本，从而可以根据该第一正样本和第一负样本生成道路分割模型，为后续道路分割奠定基础。

在其中一个实施例中，该分割模型生成步骤还可以包括根据道路分割模型获取当前测试地图中的道路区域；当根据道路分割模型获取到的当前测试地图中的道路区域与当前测试地图中标记的道路区域的相似度小于第一阈值时，则根据当前测试地图生成第二正样本和第二负样本；将第二正样本和第二负样本添加至道路分割模型中，并继续根据道路分割模型获取下一测试地图中的道路区域，直至根据道路分割模型所获取的下一测试地图中的道路区域与下一测试地图中标记的道路区域的相似度大于等于第一阈值。

具体地，在根据样本图像生成道路分割模型时，由于该道路分割模型的正确性不确定，因此在使用前可以对该道路分割模型进行测试，因此使用测试地图，将该测试地图输入至道路分割模型后得到测试地图中的道路区域，在与预先标记出的测试地图中的道路区域进行比较，如果两者的相似度小于第一阈值，则认为该道路分割模型所生成的道路区域存在错误，因此需要修正该道路分割模型，例如可以根据测试图像生成第二负样本和第二正样本，生成方法可以参见上文关于第一正样本和第二正样本的生成方法，通过该第二负样本和第二正样本来修正该道路分割模型，直至通过测试样本进行测试后，该根据道路分割模型所获取的下一测试地图中的道路区域与下一测试地图中标记的道路区域的相似度大于等于第一阈值，则认为该道路分割模型的精度达到了预设精度。

上述实施例中，通过测试地图来对道路分割模型进行测试，如果通过道路分割模型获取到的道路区域与真实的道路区域的相似度未达到第一阈值时，则认为该道路模型需要修正因此可以直接根据该测试地图来生成第二负样本和第二正样本来修正该道路分割模型，提高了道路分割模型的精度。

在其中一个实施例中，参阅图11，图11为图2所示实施例中的步骤S204的流程图，该步骤S204，即根据边缘检测算法获取待标记地图中的线段像素的步骤可以包括：

S1102：根据canny边缘检测算法获取待标记地图中的像素为线段像素的第一概率。

具体地，canny边缘检测算法能够尽可能多地标识出待标记地图中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽可能小。首先canny边缘检测算法生成对应的边缘图C(X)，其中X表示待标记图像，然后通过高斯滤波来平滑待标记图像得带K(C(X))，然后再通过拉普拉斯平滑K(C(X))得到Kl(C(X))，得到待标记地图中的像素为线段像素的第一概率。

S1104：根据索贝尔算子边缘检测算法获取待标记地图中的像素为线段像素的第二概率。

具体地，索贝尔算子边缘检测算法主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量，索贝尔算子有两个，一个是检测水平边缘的；另一个是检测垂直边缘的，由于索贝尔算子对于像素的位置的影响做了加权，因此可以降低边缘模糊程度，因此效果更好。首先索贝尔算子边缘检测算法生成对应的边缘图S(X)，其中X表示待标记图像，然后通过高斯滤波来平滑待标记图像得带K(S(X))，然后再通过拉普拉斯平滑K(S(X))得到Kl(S(X))，得到待标记地图中的像素为线段像素的第二概率。

S1106：根据线段检测算法获取待标记地图中的像素为线段像素的第三概率。

具体地，LSD线段检测算法可以识别待标记图像中的线段，首先LSD线段检测算法生成对应的边缘图L(X)，其中X表示待标记图像，然后通过高斯滤波来平滑待标记图像得带K(L(X))，然后再通过拉普拉斯平滑K(L(X))得到Kl(L(X))，得到待标记地图中的像素为线段像素的第三概率。

S1108：当待标记地图中的像素位于道路区域中时，则根据第一概率、第二概率以及第三概率计算得到综合概率。

具体地，步骤S202根据道路分割模型获取到了道路区域，例如可以首先对待标记地图进行平滑，即对待标记地图中的强烈的噪声进行处理，然后将待标记地图进行分割得到若干补丁块，然后将该些补丁输入至道路分割模型，从而可以得到待标记地图中的道路区域，第三，对标记好道路区域的待标记地图进行中值滤波以使得道路区域更加的准确，第四当待标记地图中的像素位于道路区域中时，则根据第一概率M、第二概率N以及第三概率O计算得到综合概率P，例如可以预先设置canny边缘检测算法结果的权值m，索贝尔算子边缘检测算法结果的权值n以及LSD线段检测算法的结果的权值o，从而综合概率P＝M×m+N×n+O×o。可选地，当m＝n＝o＝1/3时，综合概率P＝(M+N+O)/3。

S1110：当综合概率大于第二阈值时，则将与综合概率对应的待标记地图中的像素标记为线段像素。

具体地，当综合概率大于第二阈值时，则认为与综合概率对应的待标记地图中的像素为线段像素。其中第二阈值可以是预先设置的，例如其可以为80％、90％、85％等，在此不对第二阈值进行限制。

其中对待标记地图中综合概率大于第二阈值时，可以将该待标记地图中的像素标记为线段像素，例如可以通过黄色进行标记，这样线路越亮，该区域包含的道路特征的概率越高，可以参见图12，图12为一实施例中线段概率图的示意图。

上述实施例中，通过canny边缘检测算法、索贝尔算子边缘检测算法以及LSD线段检测算法，并结合道路分割模型所获得的道路区域对待标记地图中的线段进行识别，正确率高。

在其中一个实施例中，参阅图13，图13为图2所示实施例中的步骤S208的流程图，该步骤S208，即获取线段概率图中的线段，并将线段分类为表示不同道路特征的线段的步骤可以包括：

S1302：对线段概率图进行二值化。

具体地，首先对图12中的线段概率图进行二值化，由于线段概率图中线段区通过黄色等进行了标记，因此只要识别出某一像素与黄色像素的差值在预设范围中中，则将该像素的像素值变为255，否则将该像素的像素值变为0，从而实现对线段概率图的二值化操作。

S1304：获取经过二值化后的线段概率图的连通区域作为线段概率图中的线段。

具体地，在进行二值化处理后，获取经过二值化处理后的线段概率图中的连通区域，并遍及二值化处理后线段概率图中的所有的连通区域，以寻找到道路符号。

S1306：当连通区域的面积大于第三阈值，且连通区域的高宽比位于预设范围内时，则将连通区域对应的线段分类为表示道路符号的线段。

具体地，当连通区域的面积大于第三阈值，且连通区域的高宽比位于预设范围内，例如连通区域的高宽比大于等于下限预设值且小于上限预设值时，则认为连通区域标识道路符号，因此将该连通区域标记为道路符号，以在待标记地图中标记出来。其中第三阈值和预设范围的设置可以根据需要进行，在本实施例中不对此进行限制。另外，对于连通区域的高宽比的可以是指该连通区域所涉及的宽度的最大值与该连通区域所涉及的长度的最大值的比值。

上述实施例中，通过对线段概率图进行处理后，通过面积以及高宽比来确定连通区域是否表示道路符号，从而进行方便地判断，操作简单方便。

在其中一个实施例中，参阅图14，图14为图2所示实施例中的步骤S208的另一流程图，该步骤S208，即获取线段概率图中的线段的步骤还可以包括：

S1402：通过线段检测算法识别线段概率图中的线段。

具体地，在本实施例中，通过LSD线段检测算法对线段概率图进行处理，以得到线段概率图中的线段，然后对所得到的线段进行处理，例如可以将斜率相同的线段组合成一条线段等，以排除所得到的线段中的重复线段。

S1404：当所识别的线段的长度大于第四阈值，且小于等于第五阈值时，则将所识别的线段分类为表示道路中心线的线段。

具体地，对经过处理后的线段进行分类，例可以设置第四阈值，即下限长度阈值，和第五阈值，即上限长度阈值。当线段的长度小于等于该第四阈值时，该表示该线段为未知线段，并将该未知线段标记在待标记地图中，以便于人工进行修改等。当线段的长度大于第四阈值，且小于等于第五阈值，即线段的长度大于下限长度阈值，小于等于上限长度阈值，则表示该线段为道路中心线，因为道路边界线的长度一般比较长，从而可以将该道路中心线标记在待标记地图中。

S1406：当所识别的线段的长度大于第五阈值，且所识别的线段与道路方向平行时，则将所识别的线段分类为表示道路边界线的线段。

S1408：当所识别的线段的长度大于第五阈值，且所识别的线段与道路方向垂直时，则将所识别的线段分类为表示停车线的线段。

当所识别的线段的长度大于第五阈值，即大于上限长度阈值，则标识该线段可能为停车线或道路边界线，且由于道路边界线与道路方向相同，道路停车线一般与道路方向垂直，因此可以通过判断线段与道路方向的关系来对线段进行分类。其中道路方向可以通过道路中心线得到，例如道路中心线的方向则表示道路方向，与道路中心线垂直的方向则表示与道路方向垂直。因此可以通过道路方向将停车线和道路边界线进行区别，并将分类后的停车线和道路边界线标记在待标记地图中，以为无人驾驶服务。

上述实施例中，通过线段的长度以及线段的方向可以准确地对线段概率图得到的线段进行分类，得到道路中心线、道路边界线和停车线，进而将该道路中心线、道路边界线和停车线展现在待标记地图上，简单准确。

在其中一个实施例中，步骤S1402，即通过线段检测算法获取线段概率图中的线段的步骤之后，还可以包括：计算通过线段检测算法获取的线段概率图中的线段之间的距离；当存在两条线段之间的距离小于第六阈值时，即两条线段是相关联的线段，则将该两条线段进行组合，即根据距离小于等于第六阈值的两条线段生成替代线段，并删除与替代线段对应的距离小于第六阈值的两条线段，直至所有的线段之间的距离大于第六阈值。

具体地，首先判断线段是否相关：对于输入的两条线段，若是相距较近两对顶点相距均高于第六阈值，则两条线无关；否则相关。其次进行线段合并：输入两条相关线段，若是相距较近两对顶点相距均低于第六阈值，则以这两对顶点的构成线段的中点为新顶点构建一条新的线段。若是只有一对顶点相距低于第六阈值，再判断两条线段的角度，若是两条线段角度差值的绝对值低于角度阈值，则以相距较远的两个顶点构建新的线段；若是高于角度阈值，则以相距较近的一对顶点构成线段的中点为新顶点，结合两个相距较远的顶点，构成一条弯曲的线段。曲线段和曲线段合并或者曲线段和线段合并时将曲线段视为线段处理，其中线段的两个顶点为距离合并线段较近的两个点。

参阅图15至图18，首先判断线段是否相关，其中图15中的线段E1F1和线段G1H1之间的距离E1G1小于第六阈值，F1H1也小于第六阈值，所以该两条线段是相关联的线段，图16中的线段E2F2和线段G2H2之间的距离E2H2小于第六阈值，F2G2大于第六阈值，该两条线段也是相关联的线段。图17中的线段E3F3和线段G3H3之间的距离E3H3小于第六阈值，F3G3大于第六阈值，该两条线段也是相关联的线段。图18中的线段E4F4和线段G4H4之间的距离E4G4大于第六阈值，F4H4也大于第六阈值，所以该两条线段是不相关联的线段。

其次，判断进行线段合并，如图15中，由于E1G1小于第六阈值，F1H1也小于第六阈值，因此去E1G1的中点M1以及F1H1的中点N1，由M1和N1组成新的线段M1N1以替换原来的线段E1F1和G1H1。如图16中，由于E2H2小于第六阈值，F2G2大于第六阈值，择需要再次获取到两条线段角度的差值，如图16中，两条线段的角度的差值小于等于角度阈值，所以可以以较远的两个顶点，即F2和G2构建新的线段F2G2以替换原来的线段E2F2和G2H2。如图17，由于E3H3小于第六阈值，F3G3大于第六阈值，因此该两条线段也是相关联的线段，且由于两条线段的角度的差值大于角度阈值，因此以相距较近的一对顶点构成线段的中点为新顶点，即以E3H3的中点M3为新的顶点，结合两个相距较远的顶点，即G3和F3，构成一条弯曲的线段，具体可以参见图17所示。

具体地，在实际应用中，例如将通过线段检测算法获取的线段概率图中的线段放在一列表L中，然后构建一空的列表Le。首先遍历列表L中的线段是否是相关联的，如果遍历未完成，且列表中存在相关联的线段，则将两条相关联的线段进行组合，并存放在列表Le中，且从列表L中移除该两条相关联的线段。如果遍历完成，列表L中无相关联的线段，则判断是否有新的线段加入到列表Le中，如果没有新的线段加入到列表Le中，则输出列表L，即可以对列表L中的线段进行分类。如果有新的线段加入到列表Le中，则将列表Le中的线段添加至列表L中，并删除列表Le中的点段，并继续遍历列表L，直至而列表L中的线段均不相关联。

上述实施例中，通过线段间的距离来判断不同线段是否是相关联的，再通过线段之间的角度个距离进行融合，从而是最后得到的线段是否相互独立的，以便于后续对线段进行分类。

参阅图19，图19为一实施例中道路特征标记装置的示意图，该道路特征标记装置包括：

道路区域获取模块100，用于获取待标记地图中的道路区域。

线段像素获取模块200，用于根据边缘检测算法获取待标记地图中的线段像素。

线段概率图生成模块300，用于根据在道路区域中的线段像素生成线段概率图。

线段分类模块400，用于获取线段概率图中的线段，并将线段分类为表示不同道路特征的线段。

标记模块500，用于将表示不同道路特征的线段标记在待标记地图的相应位置处。

在其中一个实施例中，该道路特征标记装置还可以包括：

标记地图获取模块，用于接收针对样本地图的道路区域的标记指令；根据标记指令对样本地图中道路区域进行标记得到标记地图。

分割模块，用于按照预设分割逻辑将样本地图分割为若干样本块，将标记地图分割为若干标记块。

样本生成模块，用于当与样本块的位置对应的标记块表示道路区域时，则将样本块标记为第一正样本；当与样本块的位置对应的标记块表示非道路区域时，则将样本块标记为第一负样本。

模型生成模块，用于根据第一正样本和第一负样本生成道路分割模型。

道路区域获取模块100还用于根据道路分割模型获取待标记地图中的道路区域。

在其中一个实施例中，该道路特征标记装置还可以包括：

测试模块，用于根据道路分割模型获取当前测试地图中的道路区域。

修正模块，用于当根据道路分割模型获取到的当前测试地图中的道路区域与当前测试地图中标记的道路区域的相似度小于第一阈值时，则根据当前测试地图生成第二正样本和第二负样本；将第二正样本和第二负样本添加至道路分割模型中，并继续根据道路分割模型获取下一测试地图中的道路区域，直至根据道路分割模型所获取的下一测试地图中的道路区域与下一测试地图中标记的道路区域的相似度大于等于第一阈值。

在其中一个实施例中，线段像素获取模块200可以包括：

第一概率获取单元，用于根据canny边缘检测算法获取待标记地图中的像素为线段像素的第一概率。

第二概率获取单元，用于根据索贝尔算子边缘检测算法获取待标记地图中的像素为线段像素的第二概率。

第三概率获取单元，用于根据线段检测算法获取待标记地图中的像素为线段像素的第三概率。

综合概率获取单元，用于当待标记地图中的像素位于道路区域中时，则根据第一概率、第二概率以及第三概率计算得到综合概率。

线段像素获取单元，用于当综合概率大于第二阈值时，则将与综合概率对应的待标记地图中的像素标记为线段像素。

在其中一个实施例中，线段概率图生成模块300可以包括：

二值化单元，用于对线段概率图进行二值化。

连通区域获取单元，用于获取经过二值化后的线段概率图的连通区域作为线段概率图中的线段。

道路符号标记单元，用于当连通区域的面积大于第三阈值，且连通区域的高宽比位于预设范围内时，则将连通区域对应的线段分类为表示道路符号的线段。

在其中一个实施例中，线段分类模块400可以包括：

识别单元，用于通过线段检测算法识别线段概率图中的线段。

分类单元，用于当所识别的线段的长度大于第四阈值，且小于等于第五阈值时，则将所识别的线段分类为表示道路中心线的线段。

在其中一个实施例中，该分类单元还用于当所识别的线段的长度大于第五阈值，且所识别的线段与道路方向平行时，则将所识别的线段分类为表示道路边界线的线段；当所识别的线段的长度大于第五阈值，且所识别的线段与道路方向垂直时，则将所识别的线段分类为表示停车线的线段。

在其中一个实施例中，该道路特征标记装置还包括：

线段合并模块，用于计算通过线段检测算法获取的线段概率图中的线段之间的距离；当存在两条线段之间的距离小于第六阈值时，则根据距离小于等于第六阈值的两条线段生成替代线段，并删除与替代线段对应的距离小于第六阈值的两条线段，直至所有的线段之间的距离大于第六阈值。

上述对于道路特征标记装置的具体限定可以参见上文中对于道路特征标记方法的具体限定，在此不再赘述。上述道路特征标记装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。该处理器可以为中央处理单元(CPU)、微处理器、单片机等。上述道路特征标记装置可以实现为一种计算机程序的形式，计算机程序可在如图1所示的计算机设备上运行。

本发明实施例提出了一种计算机设备，该计算机设备包括一系列存储于存储器上的计算机程序，当计算机程序被处理器执行时，可以实现本发明各个实施例提出的柜员机控件更新方法，在一些实施例中，基于该计算机程序各部分所实现的特定的操作。参阅图20，提供一种计算机设备，上述计算机设备的内部结构可对应于图20所示的结构，其中该计算机设备包括通过***总线连接的存储器、处理器、操作***，其中，该处理器用于提供计算和控制能力，支撑整个计算机设备的运行。存储器用于存储数据、程序代码等。

该存储器上存储至少一个计算机可执行程序，该计算机可执行程序可被处理器执行，以实现本申请各实施例中提供的道路特征标记方法。该计算机可执行程序可被处理器所执行，以用于实现上述各个实施例所提供的一种道路特征标记方法。终端中的内存储器为非易失性存储介质中的操作***、数据库和计算机可执行程序提供高速缓存的运行环境。

其中，处理器执行程序时实现以下步骤：获取待标记地图中的道路区域；根据边缘检测算法获取待标记地图中的线段像素；根据在道路区域中的线段像素生成线段概率图；获取线段概率图中的线段，并将线段分类为表示不同道路特征的线段；将表示不同道路特征的线段标记在待标记地图的相应位置处。

在其中一个实施例中，处理器执行程序时还可以实现以下步骤：接收针对样本地图的道路区域的标记指令；根据标记指令对样本地图中道路区域进行标记得到标记地图；按照预设分割逻辑将样本地图分割为若干样本块，将标记地图分割为若干标记块；当与样本块的位置对应的标记块表示道路区域时，则将样本块标记为第一正样本；当与样本块的位置对应的标记块表示非道路区域时，则将样本块标记为第一负样本；根据第一正样本和第一负样本生成道路分割模型；获取待标记地图中的道路区域的步骤，包括：根据道路分割模型获取待标记地图中的道路区域。

在其中一个实施例中，处理器执行程序时还可以实现以下步骤：根据道路分割模型获取当前测试地图中的道路区域；当根据道路分割模型获取到的当前测试地图中的道路区域与当前测试地图中标记的道路区域的相似度小于第一阈值时，则根据当前测试地图生成第二正样本和第二负样本；将第二正样本和第二负样本添加至道路分割模型中，并继续根据道路分割模型获取下一测试地图中的道路区域，直至根据道路分割模型所获取的下一测试地图中的道路区域与下一测试地图中标记的道路区域的相似度大于等于第一阈值。

在其中一个实施例中，处理器执行程序时还可以实现以下步骤：根据canny边缘检测算法获取待标记地图中的像素为线段像素的第一概率；根据索贝尔算子边缘检测算法获取待标记地图中的像素为线段像素的第二概率；根据线段检测算法获取待标记地图中的像素为线段像素的第三概率；当待标记地图中的像素位于道路区域中时，则根据第一概率、第二概率以及第三概率计算得到综合概率；当综合概率大于第二阈值时，则将与综合概率对应的待标记地图中的像素标记为线段像素。

在其中一个实施例中，处理器执行程序时还可以实现以下步骤：对线段概率图进行二值化；获取经过二值化后的线段概率图的连通区域作为线段概率图中的线段；将线段分类为表示不同道路特征的线段的步骤，包括：当连通区域的面积大于第三阈值，且连通区域的高宽比位于预设范围内时，则将连通区域对应的线段分类为表示道路符号的线段。

在其中一个实施例中，处理器执行程序时还可以实现以下步骤：通过线段检测算法识别线段概率图中的线段；当所识别的线段的长度大于第四阈值，且小于等于第五阈值时，则将所识别的线段分类为表示道路中心线的线段。

在其中一个实施例中，处理器执行程序时还可以实现以下步骤：当所识别的线段的长度大于第五阈值，且所识别的线段与道路方向平行时，则将所识别的线段分类为表示道路边界线的线段；当所识别的线段的长度大于第五阈值，且所识别的线段与道路方向垂直时，则将所识别的线段分类为表示停车线的线段。

在其中一个实施例中，处理器执行程序时还可以实现以下步骤：计算通过线段检测算法获取的线段概率图中的线段之间的距离；当存在两条线段之间的距离小于第六阈值时，则根据距离小于等于第六阈值的两条线段生成替代线段，并删除与替代线段对应的距离小于第六阈值的两条线段，直至所有的线段之间的距离大于第六阈值。

上述对于计算机设备的具体限定可以参见上文中对于道路特征标记方法的具体限定，在此不再赘述。

请继续参阅图20，还提供一种计算机可读存储介质，其上存储有计算机程序，如图20中所示的非易失性存储介质，其中，存储器可包括磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random-Access-Memory，RAM)等。在一个实施例中，存储器包括非易失性存储介质及内存储器。计算机设备的非易失性存储介质存储有操作***、数据库和计算机可执行程序。该数据库中存储有用于实现上述各个实施例所提供的一种道路特征标记方法相关的数据。其中，该程序被处理器执行时实现以下步骤：获取待标记地图中的道路区域；根据边缘检测算法获取待标记地图中的线段像素；根据在道路区域中的线段像素生成线段概率图；获取线段概率图中的线段，并将线段分类为表示不同道路特征的线段；将表示不同道路特征的线段标记在待标记地图的相应位置处。

在其中一个实施例中，该程序被处理器执行时还可以实现以下步骤：接收针对样本地图的道路区域的标记指令；根据标记指令对样本地图中道路区域进行标记得到标记地图；按照预设分割逻辑将样本地图分割为若干样本块，将标记地图分割为若干标记块；当与样本块的位置对应的标记块表示道路区域时，则将样本块标记为第一正样本；当与样本块的位置对应的标记块表示非道路区域时，则将样本块标记为第一负样本；根据第一正样本和第一负样本生成道路分割模型；获取待标记地图中的道路区域的步骤，包括：根据道路分割模型获取待标记地图中的道路区域。

在其中一个实施例中，该程序被处理器执行时还可以实现以下步骤：根据道路分割模型获取当前测试地图中的道路区域；当根据道路分割模型获取到的当前测试地图中的道路区域与当前测试地图中标记的道路区域的相似度小于第一阈值时，则根据当前测试地图生成第二正样本和第二负样本；将第二正样本和第二负样本添加至道路分割模型中，并继续根据道路分割模型获取下一测试地图中的道路区域，直至根据道路分割模型所获取的下一测试地图中的道路区域与下一测试地图中标记的道路区域的相似度大于等于第一阈值。

在其中一个实施例中，该程序被处理器执行时还可以实现以下步骤：根据canny边缘检测算法获取待标记地图中的像素为线段像素的第一概率；根据索贝尔算子边缘检测算法获取待标记地图中的像素为线段像素的第二概率；根据线段检测算法获取待标记地图中的像素为线段像素的第三概率；当待标记地图中的像素位于道路区域中时，则根据第一概率、第二概率以及第三概率计算得到综合概率；当综合概率大于第二阈值时，则将与综合概率对应的待标记地图中的像素标记为线段像素。

在其中一个实施例中，该程序被处理器执行时还可以实现以下步骤：对线段概率图进行二值化；获取经过二值化后的线段概率图的连通区域作为线段概率图中的线段；将线段分类为表示不同道路特征的线段的步骤，包括：当连通区域的面积大于第三阈值，且连通区域的高宽比位于预设范围内时，则将连通区域对应的线段分类为表示道路符号的线段。

在其中一个实施例中，该程序被处理器执行时还可以实现以下步骤：通过线段检测算法识别线段概率图中的线段；当所识别的线段的长度大于第四阈值，且小于等于第五阈值时，则将所识别的线段分类为表示道路中心线的线段。

在其中一个实施例中，该程序被处理器执行时还可以实现以下步骤：当所识别的线段的长度大于第五阈值，且所识别的线段与道路方向平行时，则将所识别的线段分类为表示道路边界线的线段；当所识别的线段的长度大于第五阈值，且所识别的线段与道路方向垂直时，则将所识别的线段分类为表示停车线的线段。

在其中一个实施例中，该程序被处理器执行时还可以实现以下步骤：计算通过线段检测算法获取的线段概率图中的线段之间的距离；当存在两条线段之间的距离小于第六阈值时，则根据距离小于等于第六阈值的两条线段生成替代线段，并删除与替代线段对应的距离小于第六阈值的两条线段，直至所有的线段之间的距离大于第六阈值。

上述对于计算机可读存储介质的具体限定可以参见上文中对于道路特征标记方法的具体限定，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种道路特征标记方法，其特征在于，所述方法包括：

获取待标记地图中的道路区域；

根据边缘检测算法获取所述待标记地图中的线段像素；

根据在所述道路区域中的线段像素生成线段概率图；

获取所述线段概率图中的线段，并将所述线段分类为表示不同道路特征的线段；

将表示不同道路特征的线段标记在所述待标记地图的相应位置处。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

接收针对所述样本地图的道路区域的标记指令；

根据所述标记指令对所述样本地图中道路区域进行标记得到标记地图；

按照预设分割逻辑将所述样本地图分割为若干样本块，将所述标记地图分割为若干标记块；

当与所述样本块的位置对应的标记块表示道路区域时，则将样本块标记为第一正样本；

当与所述样本块的位置对应的标记块表示非道路区域时，则将样本块标记为第一负样本；

根据所述第一正样本和所述第一负样本生成道路分割模型；

所述获取待标记地图中的道路区域的步骤，包括：

根据所述道路分割模型获取待标记地图中的道路区域。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述道路分割模型获取当前测试地图中的道路区域；

当根据所述道路分割模型获取到的当前测试地图中的道路区域与所述当前测试地图中标记的道路区域的相似度小于第一阈值时，则根据所述当前测试地图生成第二正样本和第二负样本；

将所述第二正样本和所述第二负样本添加至所述道路分割模型中，并继续根据所述道路分割模型获取下一测试地图中的道路区域，直至根据所述道路分割模型所获取的下一测试地图中的道路区域与所述下一测试地图中标记的道路区域的相似度大于等于所述第一阈值。

4.根据权利要求1所述的方法，其特征在于，所述根据边缘检测算法获取所述待标记地图中的线段像素的步骤包括：

根据canny边缘检测算法获取所述待标记地图中的像素为线段像素的第一概率；

根据索贝尔算子边缘检测算法获取所述待标记地图中的像素为线段像素的第二概率；

根据线段检测算法获取所述待标记地图中的像素为线段像素的第三概率；

当所述待标记地图中的像素位于所述道路区域中时，则根据所述第一概率、所述第二概率以及所述第三概率计算得到综合概率；

当所述综合概率大于第二阈值时，则将与所述综合概率对应的所述待标记地图中的像素标记为线段像素。

5.根据权利要求4所述的方法，其特征在于，所述获取所述线段概率图中的线段的步骤包括：

对所述线段概率图进行二值化；

获取经过二值化后的所述线段概率图的连通区域作为所述线段概率图中的线段；

将所述线段分类为表示不同道路特征的线段的步骤，包括：

当所述连通区域的面积大于第三阈值，且所述连通区域的高宽比位于预设范围内时，则将所述连通区域对应的线段分类为表示道路符号的线段。

6.根据权利要求5所述的方法，其特征在于，所述获取所述线段概率图中的线段的步骤还包括：

通过线段检测算法识别所述线段概率图中的线段；

当所识别的线段的长度大于第四阈值，且小于等于第五阈值时，则将所识别的线段分类为表示道路中心线的线段。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

当所识别的线段的长度大于所述第五阈值，且所识别的线段与道路方向平行时，则将所识别的线段分类为表示道路边界线的线段；

当所识别的线段的长度大于所述第五阈值，且所识别的线段与所述道路方向垂直时，则将所识别的线段分类为表示停车线的线段。

8.根据权利要求7所述的方法，其特征在于，所述通过线段检测算法获取所述线段概率图中的线段的步骤之后，还包括：

计算通过线段检测算法获取的所述线段概率图中的线段之间的距离；

当存在两条线段之间的距离小于第六阈值时，则根据距离小于等于所述第六阈值的两条线段生成替代线段，并删除与所述替代线段对应的距离小于所述第六阈值的两条线段，直至所有的线段之间的距离大于所述第六阈值。

9.一种道路特征标记装置，其特征在于，所述装置包括：

道路区域获取模块，用于获取待标记地图中的道路区域；

线段像素获取模块，用于根据边缘检测算法获取所述待标记地图中的线段像素；

线段概率图生成模块，用于根据在所述道路区域中的线段像素生成线段概率图；

线段分类模块，用于获取所述线段概率图中的线段，并将所述线段分类为表示不同道路特征的线段；

标记模块，用于将表示不同道路特征的线段标记在所述待标记地图的相应位置处。

10.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任意一项所述方法中的步骤。

11.一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，该计算机程序被处理器执行时实现权利要求1至8任一项所述方法中的步骤。