[发明专利]用于检测道路的方法和装置有效
申请号: | 201710236522.5 | 申请日: | 2017-04-12 |
公开(公告)号: | CN106997466B | 公开(公告)日: | 2021-05-04 |
发明(设计)人: | 夏源;杨叶辉;吴海山;周景博;李超 | 申请(专利权)人: | 百度在线网络技术(北京)有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00 |
代理公司: | 北京英赛嘉华知识产权代理有限责任公司 11204 | 代理人: | 王达佐;马晓亚 |
地址: | 100085 北京市*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 用于 检测 道路 方法 装置 | ||
1.一种用于检测道路的方法,其特征在于,所述方法包括:
获取预定区域的图像;
使用预先训练的卷积网络模型对所述图像进行语义分割,得到与所述图像中各个像素对应的区域为道路区域的第一概率;
获取目标终端的历史位置信息集合;
响应于所述历史位置信息集合中存在所指示的历史位置处于所述预定区域内的历史位置信息,根据所述历史位置信息校正所述第一概率,得到第二概率,其中,所述历史位置信息包括目标终端在预定时间段内上传的坐标信息;
将第二概率大于预设阈值的像素对应的区域确定为道路区域;
其中,所述根据所述历史位置信息校正所述第一概率,得到第二概率,包括:
根据与所述图像中各个像素对应的区域内包括的所述坐标信息所指示的坐标点的数量所确定的各个像素对应的区域为道路区域的第四概率,校正所述第一概率,得到所述第二概率,其中,所述坐标点为进行图像滤波降噪处理后的非噪声坐标点。
2.根据权利要求1所述的方法,其特征在于,所述使用预先训练的卷积网络模型对所述图像进行语义分割,得到与所述图像中各个像素对应的区域为道路区域的第一概率,包括:
将所述图像导入预先训练的全卷积网络模型,得到与所述图像中各个像素对应的区域为道路区域的第三概率;
将所述图像中各个像素作为条件随机场中的节点,并将所述图像中像素与像素间的关系作为条件随机场中的边,根据所述第三概率和预先训练的条件随机场模型确定所述第一概率。
3.根据权利要求1-2中任一项所述的方法,其特征在于,所述获取目标终端的历史位置信息集合,包括:
获取目标终端中预设进程和/或预设线程启动时上传的位置信息集合,其中,所述预设进程和所述预设线程用于实现导航功能。
4.一种用于检测道路的装置,其特征在于,所述装置包括:
第一获取单元,用于获取预定区域的图像;
语义分割单元,用于使用预先训练的卷积网络模型对所述图像进行语义分割,得到与所述图像中各个像素对应的区域为道路区域的第一概率;
第二获取单元,用于获取目标终端的历史位置信息集合;
校正单元,用于响应于所述历史位置信息集合中存在所指示的历史位置处于所述预定区域内的历史位置信息,根据所述历史位置信息校正所述第一概率,得到第二概率,其中,所述历史位置信息包括目标终端在预定时间段内上传的坐标信息;
确定单元,用于将第二概率大于预设阈值的像素对应的区域确定为道路区域;
其中,所述校正单元,进一步用于根据与所述图像中各个像素对应的区域内包括的所述坐标信息所指示的坐标点的数量所确定的各个像素对应的区域为道路区域的第四概率,校正所述第一概率,得到所述第二概率,其中,所述坐标点为进行图像滤波降噪处理后的非噪声坐标点。
5.根据权利要求4所述的装置,其特征在于,所述语义分割单元,包括:
全卷积网络模型子单元,用于将所述图像导入预先训练的全卷积网络模型,得到与所述图像中各个像素对应的区域为道路区域的第三概率;
条件随机场模型子单元,用于将所述图像中各个像素作为条件随机场中的节点,并将所述图像中像素与像素间的关系作为条件随机场中的边,根据所述第三概率和预先训练的条件随机场模型确定所述第一概率。
6.根据权利要求4-5中任一项所述的装置,其特征在于,所述第二获取单元,进一步配置用于:
获取目标终端中预设进程和/或预设线程启动时上传的位置信息集合,其中,所述预设进程和所述预设线程用于实现导航功能。
7.一种设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
8.一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,该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于百度在线网络技术(北京)有限公司,未经百度在线网络技术(北京)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710236522.5/1.html,转载请声明来源钻瓜专利网。