本發(fā)明涉及對象檢測領域，更具體地涉及道路分割物檢測方法和裝置。

背景技術：

駕駛輔助系統(tǒng)的應用日漸普及。而道路或車道警告系統(tǒng)(Lane/Road detection warning,LDW/RDW)是駕駛輔助系統(tǒng)的子系統(tǒng)，可以避免碰撞，更準確地確定駕駛方向等。道路或車道檢測對于LDW/RDW系統(tǒng)非常關鍵，只有在知道了道路信息的基礎上才可能做進一步的處理，例如警告。一般通過檢測道路分割物來檢測道路或車道。

道路分割物包括車道線、路肩石、柵欄以及其他能夠標識路的區(qū)域和車道的物體，車道線又可以包括白線、黃線等等。

在現有方法中，在檢測車道線時，通常是通過提取圖像中車道線上的特征點并基于這些特征點創(chuàng)建車道線模型來檢測車道線的具體位置。在該類方法中，由于車道線特征點的檢測存在誤差，因此此類算法側重于創(chuàng)建復雜的車道線模型和后處理來獲取車道線的精確位置。這是一項繁瑣耗時的工作，并不能很好地適用于實時性要求極高的車輛輔助駕駛系統(tǒng)。

技術實現要素：

考慮到以上問題，希望提供能夠減少計算復雜度并且能夠提升道路分割物檢測的準確度的方法和裝置。

根據本發(fā)明的一個方面，提供了道路分割物的檢測方法，該方法可以包括：獲得包括道路區(qū)域的圖像；檢測在該圖像中的道路分割物區(qū)域；檢測在該圖像的道路分割物區(qū)域中的道路分割物的特征點；以及根據所檢測的道路分割物區(qū)域中的道路分割物的特征點確定道路分割物。

在一個實施例中，檢測在該圖像的道路分割物區(qū)域中的道路分割物的特征點可以包括：檢測該圖像中的所有道路分割物的特征點，以及提取在所檢測的道路分割物區(qū)域中的道路分割物的特征點。其中檢測該圖像中的所有道 路分割物的特征點可以包括：檢測該圖像中的所有特征點；以及根據道路分割物的圖像特征從檢測的所有特征點中提取道路分割物的特征點。

在另一實施例中，所述檢測在該圖像的道路分割物區(qū)域中的道路分割物的特征點可以包括：僅在所檢測的道路分割物區(qū)域中檢測道路分割物的特征點。其中在所檢測的道路分割物區(qū)域中檢測道路分割物的特征點可以包括：檢測該道路分割物區(qū)域中的圖像的所有特征點；以及根據道路分割物的圖像特征從檢測的所有特征點中提取道路分割物的特征點。

所述檢測在該圖像中的道路分割物區(qū)域可以包括：生成該圖像的所有顯著性子區(qū)域；獲得每個顯著性子區(qū)域的圖像特征；基于每個顯著性子區(qū)域的圖像特征，從所有顯著性子區(qū)域中選取包含道路分割物的子區(qū)域；基于選取的子區(qū)域生成道路分割物區(qū)域。

所述基于每個顯著性子區(qū)域的圖像特征從所有顯著性子區(qū)域中選取包含道路分割物的子區(qū)域可以包括：利用預先訓練的子區(qū)域分類器，基于每個顯著性子區(qū)域的圖像特征判斷該顯著性子區(qū)域是否屬于包含道路分割物的子區(qū)域。

所述基于選取的子區(qū)域生成道路分割物區(qū)域可以包括：基于選取的每個子區(qū)域的圖像特征進行聚類，使得被聚類到同一道路分割物區(qū)域的所有子區(qū)域的圖像特征具有最小的類內方差以及最大的類間方差。

所述根據所檢測的道路分割物區(qū)域中的道路分割物的特征點確定道路分割物可以包括：利用所述道路分割物的特征點對道路分割物模型進行擬合，以確定該圖像中的道路分割物。

根據本發(fā)明的另一方面，提供了道路分割物的檢測裝置。該檢測裝置可以包括：第一獲得部件，獲得包括道路區(qū)域的圖像；區(qū)域檢測部件，檢測在該圖像中的道路分割物區(qū)域；特征點檢測部件，檢測在該圖像的道路分割物區(qū)域中的道路分割物的特征點；以及確定部件，根據該特征點檢測部件檢測的道路分割物的特征點確定道路分割物。

在一個實施例中，所述特征點檢測部件可以檢測該圖像中的所有特征點，并根據道路分割物的圖像特征從檢測的所有特征點中提取道路分割物的特征點，并且基于區(qū)域檢測部件的檢測結果而提取在所檢測的道路分割物區(qū)域中的道路分割物的特征點。

在另一實施例中，所述特征點檢測部件可以基于區(qū)域檢測部件的檢測結 果而僅在所檢測的道路分割物區(qū)域中檢測該道路分割物區(qū)域中的圖像的所有特征點，并根據道路分割物的圖像特征從檢測的所有特征點中提取道路分割物的特征點。

所述區(qū)域檢測部件可以包括：第一生成部件，生成該圖像的所有顯著性子區(qū)域；第二獲得部件，獲得每個顯著性子區(qū)域的圖像特征；子區(qū)域選取部件，基于每個顯著性子區(qū)域的圖像特征，從所有顯著性子區(qū)域中選取包含道路分割物的子區(qū)域；第二生成部件，基于選取的子區(qū)域生成道路分割物區(qū)域。

所述子區(qū)域選取部件可以利用預先訓練的子區(qū)域分類器，基于每個顯著性子區(qū)域的圖像特征判斷該顯著性子區(qū)域是否屬于包含道路分割物的子區(qū)域。

所述第二生成部件可以基于選取的每個子區(qū)域的圖像特征進行聚類，使得被聚類到同一道路分割物區(qū)域的所有子區(qū)域的圖像特征具有最小的類內方差以及最大的類間方差。

所述確定部件可以利用所述道路分割物的特征點對道路分割物模型進行擬合，以確定該圖像中的道路分割物。

根據本發(fā)明，檢測圖像中的道路分割物區(qū)域，該區(qū)域分布能夠反映道路分割物的基本情況，基于所檢測的道路分割物區(qū)域中的道路分割物特征點來確定道路分割物。由于是基于中層表達的道路分割物區(qū)域而不是純粹的低層表達的像素來進行道路分割物的建模，因而，本發(fā)明的方法能夠減小車道線建模和后處理算法的復雜度，并且能夠提升車道線檢測的準確度。

附圖說明

圖1是作為本發(fā)明應用環(huán)境的示例的車載系統(tǒng)示意圖。

圖2是根據本發(fā)明一個實施例的道路分割物檢測方法的整體流程圖。

圖3是示例的道路分割物區(qū)域檢測方法的流程圖。

圖4示出了所生成的顯著性子區(qū)域的具體例子。

圖5示出了從圖4中所示的顯著性子區(qū)域中選取的車道線子區(qū)域的例子。

圖6示出了基于圖5中所示的車道線子區(qū)域生成的車道線區(qū)域的例子。

圖7示出了道路分割物的特征點檢測結果的具體例子。

圖8示出了基于圖7中所示的道路分割物的特征點而獲得的每個車道線區(qū)域內的車道線檢測結果的示例。

圖9示出了根據圖8的檢測結果而獲得的最終的車道線擬合結果的示例。

圖10是根據本發(fā)明的另一實施例的道路分割物檢測裝置的功能框圖。

圖11示出根據本發(fā)明的一個實施例的實現道路分割物檢測的檢測系統(tǒng)的硬件配置。

具體實施方式

為了使本領域技術人員更好地理解本發(fā)明，下面結合附圖和具體實施方式對本發(fā)明作進一步詳細說明。

將按如下順序進行描述：

1、發(fā)明思想概述

2、實施例

2.1、道路分割物檢測的整體過程

2.2、道路分割物區(qū)域的檢測

2.3、道路分割物特征點的檢測

2.4、道路分割物檢測裝置

2.5、道路分割物檢測系統(tǒng)

3、總結

<1、發(fā)明思想概述>

如之前所述，在現有的車道線檢測方法中，通過提取圖像中車道線上的特征點并基于這些特征點創(chuàng)建車道線模型來檢測車道線的具體位置，導致基于這些特征點的建模算法復雜且耗時。

根據本發(fā)明，檢測圖像中每一條車道線的粗略區(qū)域，該區(qū)域分布能夠反映車道的基本情況(下文中稱為道路分割物區(qū)域或者車道線區(qū)域)。由此，后續(xù)的車道線建模算法是基于中層表達的車道線區(qū)域而不是純粹的低層表達的像素。因而，本發(fā)明的方法能夠減小車道線建模和后處理算法的復雜度，并且能夠提升車道線檢測的準確度。

圖1是有助于理解本發(fā)明的、作為本發(fā)明應用環(huán)境的示例的車載系統(tǒng)示意圖。本發(fā)明的軟件或者硬件實現可以作為其中的道路檢測部件。

<2、實施例>

<2.1道路分割物檢測的整體過程>

圖2是根據本發(fā)明一個實施例的道路分割物檢測方法的整體流程圖。如圖2所示，根據此實施例的道路分割物檢測方法200可以包括：步驟S210，獲得包括道路區(qū)域的圖像?？梢酝ㄟ^相機對包含道路區(qū)域的目標場景實時拍攝而獲得包括道路區(qū)域的圖像，也可以通過網絡獲取該圖像?；蛘?，該圖像也可以是由攝像機拍攝的視頻中的視頻幀?？梢圆捎玫膱D像可以包括但不限于彩色圖像、灰度圖像、深度圖像等等。

在獲得了包括道路區(qū)域的圖像之后，在步驟S220中，可以檢測在該圖像中的道路分割物區(qū)域。道路分割物區(qū)域是所獲得的圖像中的包含了道路分割物的區(qū)域，這些區(qū)域分布能夠反映道路分割物的基本情況。將在下文中參考圖3-6詳細描述道路分割物區(qū)域的檢測方法的示例。

在步驟S230中，檢測在該圖像的道路分割物區(qū)域中的道路分割物的特征點。例如，可以基于道路分割物的諸如顏色特征(比如白色或者黃色的車道線等)、邊緣特征(連續(xù)的直線等)的特征來檢測道路分割物的特征點。將在下文中詳細描述道路分割物特征點的檢測方法的示例。

在步驟S240中，根據所檢測的道路分割物區(qū)域中的道路分割物的特征點確定道路分割物。例如，可以基于每個道路分割物區(qū)域中的特征點對道路分割物模型進行擬合，以獲得每個道路分割物區(qū)域中的道路分割物片段，并且基于各個道路分割物片段擬合出該圖像中的道路分割物。

<2.2、道路分割物區(qū)域的檢測>

下面參考圖3-6描述檢測圖像中的道路分割物區(qū)域的方法的一個例子。圖3示出了示例的道路分割物區(qū)域檢測方法300的流程圖。如圖3所示，該方法300可以包括：步驟S310，生成該圖像的所有顯著性子區(qū)域；步驟S320，獲得每個顯著性子區(qū)域的圖像特征；步驟S330，基于每個顯著性子區(qū)域的圖像特征，從所有顯著性子區(qū)域中選取包含道路分割物的子區(qū)域；以及步驟S340，基于選取的子區(qū)域生成道路分割物區(qū)域。

在步驟S310中，生成圖像中的所有顯著性子區(qū)域。這些子區(qū)域通常是一些具有顯著性的區(qū)域，比如在包含道路區(qū)域的圖像中的車輛、建筑物、行人、道路分割物等等。可以通過任何傳統(tǒng)的方法來生成顯著性子區(qū)域，比如視差聚類的方法。

圖4示出了所生成的顯著性子區(qū)域的一個具體例子。需要注意的是，雖 然在圖4中將所有顯著性子區(qū)域示出為矩形，但是顯著性子區(qū)域的形狀不限于此，也可以采用任何其他適當的形狀。

在獲得了圖像中的所有顯著性子區(qū)域之后，在步驟S320中，獲得每個顯著性子區(qū)域的圖像特征?？梢詰玫膱D像特征包括但不限于圖像的灰度、梯度、視差等等的特征。在步驟S320中，通常可以獲得顯著性子區(qū)域的任意幾個特征的組合。當然，對特征的數量沒有具體限制，也可以采用一個特征，可采用的特征取決于所獲得的圖像的情況以及具體應用場景而定。

例如，可以將獲取的特征表示為F＝{f_i，i＝1,…,K}其中，K是所獲取的特征的種類，f_i為每一類特征的特征值。

在獲得了每個顯著性子區(qū)域的圖像特征后，在步驟S330中，可以基于每個顯著性子區(qū)域的圖像特征，從所有顯著性子區(qū)域中選取包含道路分割物的子區(qū)域。例如，可以利用預先訓練的子區(qū)域分類器，基于每個顯著性子區(qū)域的圖像特征判斷該顯著性子區(qū)域是否屬于包含道路分割物的子區(qū)域。

例如，一種示例的分類器分類表達公式如下公式(1)所示：

$S_n=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{f}_i---\left(1\right)$

其中，S_n表示對于任意一個顯著性子區(qū)域n的分類器結果值，并且如上所述，K是對于該顯著性子區(qū)域n所獲取的特征的種類，f_i為每一類特征的特征值。ω_i表示每個特征f_i的權重，并且可以通過訓練得到。

例如，可以通過利用預先獲得的用于訓練的正負樣本集來訓練得到最優(yōu)權重其中在以車道線作為道路分割物的具體例子的情況下，正樣本為包含車道線的子區(qū)域(下文中稱為車道線子區(qū)域)的圖像，負樣本為不包含車道線子區(qū)域(下文中稱為非車道線子區(qū)域)的圖像。這樣的訓練樣本集可以通過用戶對于任意已有輸入圖像中的子區(qū)域的指定而獲得，即預先指定已知圖像中的哪些顯著性子區(qū)域屬于車道線子區(qū)域以及哪些子區(qū)域不屬于車道線子區(qū)域?；蛘?，也可以采用通過任何其他方法預先獲得的子區(qū)域分類結果作為訓練樣本集。

然后，提取包括正樣本和負樣本在內的每個訓練樣本(即車道線子區(qū)域和非車道線子區(qū)域)的圖像特征，如上所述該圖像特征可以是灰度、梯度、視差等等的特征中的任意一個或任意組合，并且表示為F＝{f_i，i＝1,…,K}。根據以上公式(1)計算每個樣本的S_n。然后，可以如以下公式(2)所示優(yōu)化 權重

$\widehat{\mathrm{\&omega;}}=\min \frac{1}{N}\sqrt{\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{(S_n-C_n)}^2}---\left(2\right)$

其中，N是訓練樣本集中的子區(qū)域的數目，C_n是每一個子區(qū)域的訓練標簽。作為一種最簡單的情況，對于正樣本，可以將C_n取為1，并且對于負樣本，可以將C_n取為-1。當然，這僅僅是舉例，C_n的取值可以視具體應用情況而定。

也就是說，根據以上公式(2)，使得N個樣本中的每個樣本n的(S_n-C_n)²的值最小的ω即為最優(yōu)權重由此，通過訓練得到了公式(1)中所示的分類器S_n。

因而，可以利用訓練得到的該分類器S_n對在步驟S310中生成的圖像中的所有顯著性子區(qū)域進行分類。例如，可以如以下公式(3)所示對這些顯著性子區(qū)域進行分類：

也就是說，對于每個顯著性子區(qū)域，根據在步驟S320中所獲取的該子區(qū)域的圖像特征F利用上述公式(1)計算分類器值S_n，當S_n>0時，認為該子區(qū)域屬于車道線子區(qū)域，當S_n≤0時，認為該子區(qū)域不屬于車道線子區(qū)域。

由此，在步驟S330中，基于每個顯著性子區(qū)域的圖像特征從所有顯著性子區(qū)域中選取出車道線子區(qū)域。圖5示出了從圖4中所示的顯著性子區(qū)域中選取的車道線子區(qū)域的一個例子，其中的多個白色矩形表示車道線子區(qū)域。

以上所采用的分類器以及分類器的訓練方法僅僅是為了是本領域技術人員清楚地理解本發(fā)明的實現而給出的一個具體例子，本發(fā)明可以采用任何種類的分類器，包括但不限于例如最近鄰分類器(KNN)、支持向量機(SVM)、Adaboost、神經網絡、貝葉斯網絡等。

在選取了顯著性子區(qū)域中的所有包含道路分割物的子區(qū)域之后，在步驟S340中，可以基于選取的這些包含道路分割物的子區(qū)域生成道路分割物區(qū)域。例如，這可以通過聚類的過程來實現。

具體地，仍以車道線為例，因為屬于同一車道線的區(qū)域的各個子區(qū)域必然具有非常相似的圖像特征，而屬于不同車道線的區(qū)域的各個子區(qū)域之間的 圖像特征通常具有較大的差別，因而可以基于選取的每個車道線子區(qū)域的圖像特征進行聚類，使得被聚類到同一車道線區(qū)域的所有子區(qū)域的圖像特征具有最小的類內方差以及最大的類間方差。

類內方差和類間方差的計算如以下公式(4)-(7)所示：

$\stackrel{\&OverBar;}{f_i}=\frac{1}{n_i}\underset{f\&Element;\mathrm{classi}}{\mathrm{\&Sigma;}}f---\left(4\right)$

$\stackrel{\&OverBar;}{f}=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_n---\left(5\right)$

$S_{\mathrm{between}}=\underset{i=1}{\overset{C}{\mathrm{\&Sigma;}}}{n}_i(\stackrel{\&OverBar;}{f_i}-\stackrel{\&OverBar;}{f}){(\stackrel{\&OverBar;}{f_i}-\stackrel{\&OverBar;}{f})}^T---\left(6\right)$

$S_{\mathrm{within}}=\underset{i=1}{\overset{C}{\mathrm{\&Sigma;}}}\underset{f\&Element;\mathrm{classi}}{\mathrm{\&Sigma;}}(\stackrel{\&OverBar;}{f_i}-f){(\stackrel{\&OverBar;}{f_i}-f)}^T---\left(7\right)$

其中，表示被聚類到第i個車道線區(qū)域的車道線子區(qū)域的圖像特征的均值，n_i表示被聚類到第i個車道線區(qū)域的車道線子區(qū)域的數量，N表示所有要被聚類的車道線子區(qū)域的數量，表示要被聚類的所有N個車道線子區(qū)域的圖像特征的均值，S_within和S_between分別表示類內方差和類間方差，C表示車道線子區(qū)域的聚類結果。

如上所述，最優(yōu)的聚類結果應該是使得被聚類到同一車道線區(qū)域的所有車道線子區(qū)域的圖像特征的類內方差S_within具有最小值并且類間方差S_between具有最大值的聚類結果，即，應該滿足以下公式(8)：

$\hat{C}=\min \frac{S_{\mathrm{within}}}{S_{\mathrm{between}}}---\left(8\right)$

在實際應用時，為了去除噪聲等，可以將S_within和S_between分別限制在一定的范圍內，即，使S_within和S_between分別小于各自的預定閾值。這些預定閾值可以由本領域技術人員根據實際應用情況而定。

由此，在步驟S340中，可以獲得子區(qū)域的最優(yōu)聚類結果生成道路分割物區(qū)域。圖6示出了基于圖5中所示的車道線子區(qū)域生成的車道線區(qū)域的例子，其中，包含了若干個小矩形的黑色矩形框表示車道線區(qū)域。雖然在此例子中檢測的車道線區(qū)域為矩形，但是本發(fā)明的道路分割物區(qū)域的形狀不限于此，并且可以是任何其他適當的形狀。

根據此實施例的道路分割物區(qū)域方法300，能夠檢測出圖像中的道路分割物區(qū)域，這些區(qū)域能夠反映道路分割物的基本情況，為隨后的道路分割物檢測提供了基礎，使得降低道路分割物建模的復雜度并提升檢測的準確度。

<2.3、道路分割物特征點的檢測>

以下描述上述的步驟S230中的道路分割物特征點的檢測方法的一個具體例子。

例如，可以首先檢測在步驟S210中所獲得的圖像中的所有特征點。特征點是反映圖像的特征的關鍵點，可以是例如圖像的極值點、線段的起點和終點、曲線曲率最大的點或者水平或者豎直方向上屬性最大的點等等?？梢圆捎萌魏纬Ｓ玫奶卣鼽c檢測方法來進行檢測，比如通過SIFT特征、SURF特征、Harris角點等來檢測。

在獲得了圖像中的所有特征點之后，可以根據道路分割物的圖像特征從檢測的所有特征點中提取道路分割物的特征點。取決于所檢測的具體道路分割物，道路分割物的特征可以包括顏色特征(比如車道線的白色、黃色等顏色特征)、邊緣特征(比如連續(xù)的直線)等等。當然，本領域技術人員完全可以構思出任何其他能夠用來區(qū)分道路分割物的圖像特征，以從所有特征點中提取道路分割物的特征點。

圖7示出了道路分割物的特征點檢測結果的一個具體例子。

在檢測出圖像中的所有道路分割物的特征點之后，可以提取出在通過步驟S220檢測的道路分割物區(qū)域中的特征點，以便在步驟S240中根據道路分割物區(qū)域中的道路分割物的特征點確定道路分割物。

也就是說，在此例子中，可以先進行步驟S230以便先檢測出圖像中的所有道路分割物特征點，然后在進行步驟S220以檢測出道路分割物區(qū)域，從而可以提取在所檢測的道路分割物區(qū)域中的道路分割物的特征點。

然而，在另一例子中，可以先進行步驟S220以檢測出道路分割物區(qū)域，然后在進行步驟S230，以僅在所檢測出的道路分割物區(qū)域內檢測圖像的特征點以及提取其中的道路分割物的特征點。

或者，檢測圖像中的道路分割物區(qū)域以及檢測圖像中的道路分割物的特征點可以并行進行，在獲得兩者的檢測結果后，提取道路分割物區(qū)域內的道路分割物的特征點。

總之，本發(fā)明不限制道路分割物區(qū)域檢測以及道路分割物特征點的先后執(zhí)行順序，只要最終能夠獲得道路分割物區(qū)域內的道路分割物的特征點即可。

由此，通過步驟S230獲得了道路分割物區(qū)域內的道路分割物的特征點之后，可以基于這些特征點檢測道路分割物。

圖8示出了基于圖7中所示的道路分割物的特征點而獲得的每個車道線區(qū)域內的車道線檢測結果的示例，圖9示出了根據圖8的檢測結果而獲得的最終的車道線擬合結果的示例。

可以使用任何車道線模型創(chuàng)建擬合方法，例如霍夫變換(Hough transform)、隨機抽樣一致(RANSAC)、樣條曲線(Catmull-Rom spline)、主動輪廓線模型(Snake model)等。根據這些建模方法確定道路分割物對于本領域技術人員而言是很容易實現的，在此不再贅述。

根據本發(fā)明的道路分割物檢測方法200，檢測圖像中的道路分割物區(qū)域，該區(qū)域分布能夠反映道路分割物的基本情況，基于所檢測的道路分割物區(qū)域中的道路分割物特征點來確定道路分割物。由于是基于中層表達的道路分割物區(qū)域而不是純粹的低層表達的像素來進行道路分割物的建模，因而，本發(fā)明的方法能夠減小車道線建模和后處理算法的復雜度，并且能夠提升車道線檢測的準確度，非常適合于駕駛輔助系統(tǒng)的自適應實時檢測需求。

<2.4、道路分割物檢測裝置>

以下參考圖10描述根據本發(fā)明的另一實施例的道路分割物檢測裝置。圖10示出了該道路分割物檢測裝置的功能框圖。如圖10所示，該檢測裝置1000可以包括：第一獲得部件1010，獲得包括道路區(qū)域的圖像；區(qū)域檢測部件1020，檢測在該圖像中的道路分割物區(qū)域；特征點檢測部件1030，檢測在該圖像的道路分割物區(qū)域中的道路分割物的特征點；以及確定部件1040，根據該特征點檢測部件檢測的道路分割物的特征點確定道路分割物。

其中，其中所述特征點檢測部件1030可以檢測該圖像中的所有特征點，并根據道路分割物的圖像特征從檢測的所有特征點中提取道路分割物的特征點，并且基于區(qū)域檢測部件1020的檢測結果而提取在所檢測的道路分割物區(qū)域中的道路分割物的特征點。

或者，所述特征點檢測部件1030可以基于區(qū)域檢測部件1020的檢測結果而僅在所檢測的道路分割物區(qū)域中檢測該道路分割物區(qū)域中的圖像的所有特征點，并根據道路分割物的圖像特征從檢測的所有特征點中提取道路分割物的特征點。

可選地，該區(qū)域檢測部件可以包括：第一生成部件，生成該圖像的所有顯著性子區(qū)域；第二獲得部件，獲得每個顯著性子區(qū)域的圖像特征；子區(qū)域選取部件，基于每個顯著性子區(qū)域的圖像特征，從所有顯著性子區(qū)域中選取 包含道路分割物的子區(qū)域；第二生成部件，基于選取的子區(qū)域生成道路分割物區(qū)域。

其中，所述子區(qū)域選取部件可以利用預先訓練的子區(qū)域分類器，基于每個顯著性子區(qū)域的圖像特征判斷該顯著性子區(qū)域是否屬于包含道路分割物的子區(qū)域。

其中，所述第二生成部件可以基于選取的每個子區(qū)域的圖像特征進行聚類，使得被聚類到同一道路分割物區(qū)域的所有子區(qū)域的圖像特征具有最小的類內方差以及最大的類間方差。

其中，所述確定部件1040可以利用所述道路分割物的特征點對道路分割物模型進行擬合，以確定該圖像中的道路分割物。

該檢測裝置1000的第一獲得部件1010、區(qū)域檢測部件1020、特征點檢測部件1030和確定部件1040的具體操作過程可以參考在以上的步驟S220和S230中的描述，在此不再贅述。

根據該實施例的道路分割物檢測裝置1000，檢測圖像中的道路分割物區(qū)域，該區(qū)域分布能夠反映道路分割物的基本情況，基于所檢測的道路分割物區(qū)域中的道路分割物特征點來確定道路分割物。由于是基于中層表達的道路分割物區(qū)域而不是純粹的低層表達的像素來進行道路分割物的建模，因而，本發(fā)明的方法能夠減小車道線建模和后處理算法的復雜度，并且能夠提升車道線檢測的準確度，非常適合于駕駛輔助系統(tǒng)的自適應實時檢測需求。

<2.5、道路分割物檢測系統(tǒng)>

接下來，參考圖11描述根據本發(fā)明的一個實施例的實現道路分割物檢測的檢測系統(tǒng)的硬件配置。如圖11所示，檢測系統(tǒng)1100包括：輸入設備1110，用于從外部輸入將要處理的圖像，例如，該圖像可以是彩色圖像、灰度圖像、深度圖像等，該輸入設備1110可以包括例如鍵盤、鼠標、以及通信網絡及其所連接的遠程輸入設備等等；處理設備1120，用于實施上述的按照本發(fā)明實施例的道路分割物檢測方法，或者實施為上述的按照本發(fā)明實施例的道路分割物裝置，例如可以包括計算機的中央處理器或其它的具有處理能力的芯片等等，可以連接到諸如因特網的網絡(未示出)，根據處理過程的需要而從網絡獲取需要的數據等；輸出設備1130，用于向外部輸出上述道路分割物的檢測結果，比如檢測得到的圖像中的車道線，該輸出設備1430可以包括例如顯示器、打印機、以及通信網絡及其所連接的遠程輸出設備等等；以及存儲設 備1140，用于以易失或非易失的方式存儲上述處理過程所涉及的圖像、數據、所獲得的結果、命令以及中間數據等等，該存儲設備1440可以包括例如隨機存取存儲器(RAM)、只讀存儲器(ROM)、硬盤、或半導體存儲器等等的各種易失或非易失性存儲器。

當然，為了簡化，圖11中僅示出了該系統(tǒng)中與本發(fā)明有關的組件中的一些，省略了諸如總線、輸入/輸出接口等等的組件。除此之外，根據具體應用情況，系統(tǒng)1100還可以包括任何其他適當的組件。

<3.總結>

根據本發(fā)明，提供了道路分割物的檢測方法、檢測裝置和檢測系統(tǒng)。獲得包括道路區(qū)域的圖像，檢測在該圖像中的道路分割物區(qū)域，檢測在該圖像的道路分割物區(qū)域中的道路分割物的特征點，根據所檢測的道路分割物區(qū)域中的道路分割物的特征點確定道路分割物。

根據上述的道路分割物的檢測方法、檢測裝置以及檢測系統(tǒng)，檢測圖像中的道路分割物區(qū)域，該區(qū)域分布能夠反映道路分割物的基本情況，基于所檢測的道路分割物區(qū)域中的道路分割物特征點來確定道路分割物。由于是基于中層表達的道路分割物區(qū)域而不是純粹的低層表達的像素來進行道路分割物的建模，因而，本發(fā)明的方法能夠減小車道線建模和后處理算法的復雜度，并且能夠提升車道線檢測的準確度，非常適合于駕駛輔助系統(tǒng)的自適應實時檢測需求。

以上已經參考附圖詳細描述了根據本發(fā)明的實施例的道路分割物檢測方法和裝置。盡管在以上以車道線作為檢測對象進行描述，但是本領域技術人員很清楚，本發(fā)明可應用的對象不限于此，并且也可以是諸如路肩石、柵欄以及其他能夠標識路的區(qū)域和車道的物體。

本公開中涉及的裝置、設備、系統(tǒng)的方框圖僅作為例示性的例子，并且不意圖要求或暗示必須按照方框圖示出的方式進行連接、布置、配置。如本領域技術人員將認識到的，可以按任意方式連接、布置、配置這些裝置、設備、系統(tǒng)。諸如“包括”、“包含”、“具有”等等的詞語是開放性詞匯，指“包括但不限于”，且可與其互換使用。這里所使用的詞匯“或”和“和”指詞匯“和/或”，且可與其互換使用，除非上下文明確指示不是如此。這里所使用 的詞匯“諸如”指詞組“諸如但不限于”，且可與其互換使用。

本公開中的步驟流程圖以及以上方法描述僅作為例示性的例子，并且不意圖要求或暗示必須按照給出的順序進行各個實施例的步驟。如本領域技術人員將認識到的，可以按任意順序進行以上實施例中的步驟的順序。諸如“其后”、“然后”、“接下來”等等的詞語不意圖限制步驟的順序；這些詞語僅用于引導讀者通讀這些方法的描述。此外，例如使用冠詞“一個”、“一”或者“該”對于單數的要素的任何引用不被解釋為將該要素限制為單數。

提供所公開的方面的以上描述以使本領域的任何技術人員能夠做出或者使用本發(fā)明。對這些方面的各種修改對于本領域技術人員而言是非常顯而易見的，并且在此定義的一般原理可以應用于其他方面而不脫離本發(fā)明的范圍。因此，本發(fā)明不意圖被限制到在此示出的方面，而是按照與在此公開的原理和新穎的特征一致的最寬范圍。