CN115984221B - 一种道路标线修复识别方法、装置、设备及其存储介质 - Google Patents

Abstract

本申请提供了一种道路标线修复识别方法、装置、设备及其存储介质，所述方法包括：获取道路图像，并确定所述道路图像中的路面区域和非路面区域；在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略。避免了对图片的误判，对于损坏的标线能够精准识别，并对损坏的标线进行修复。

Description

一种道路标线修复识别方法、装置、设备及其存储介质

技术领域

本申请涉及数据处理领域，特别是一种道路标线修复识别方法、装置、设备及其存储介质。

背景技术

道路标线分为：热熔标线，常温冷漆标线，彩色防滑标线，振荡防滑反光标线和预成型标线。道路交通标线主要划设于道路表面，经受日晒雨淋，风雪冰冻，遭受车辆的冲击磨耗，因此对其性能有严格的要求。首先要求干燥时间短，操作简单，以减少交通干扰；其次要求反射能力强，色彩鲜明，反光度强，使白天、夜晚都有良好的能见度；第三，应具有抗滑性和耐磨性，以保证行车安全和使用寿命。

而道路路面的质量好坏一直是公路施工方案中行业深入研究的重要问题。同时，道路经过长时间的损耗后，地质结构发生了变化，导致路面发生表质散落、开裂和坑槽等问题，首先，在构建路面裂缝检测模型前，需要对收集的路面裂缝数据集进行特征分类，通过把路面裂缝分类可以对构建模型和实验都具有很大的帮助。根据路面的损伤程度，几何特征，纹理，综合各方面因素，将路面缺陷主要分为纵向裂缝，横向裂缝，块状裂缝，坑槽，龟裂五种类别。纵向裂缝是指与车道线基本平行的路面裂缝；横向裂缝是指与车道线基本垂直的路面裂缝；坑槽是指路面的破损程度较重，破损面积较大并且有一定的深度；龟裂是指一系列相互相交的裂缝且分块程度较小的路面缺陷；块状裂缝是类似于龟裂，但其面积损伤面积较大。

但是，现有的这些图片的拍摄质量欠佳，一部分图片中除了有裂缝存在，还伴随着一些干扰物体出现比如路肩围栏、路面标识线、旁车和路面树叶等会对路面缺陷的识别产生干扰。对于这种复杂的干扰路面，传统的图像检测算法检测效果就会大大降低，鲁棒性不强，很容易对图片中非裂缝产生误判；且也不便于对损坏的标线进行识别并进行修复。

发明内容

鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种道路标线修复识别方法、装置、设备及其存储介质，包括：

一种道路标线修复识别方法，所述方法包括：

获取道路图像，并确定所述道路图像中的路面区域和非路面区域；

在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；

通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；

当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；

当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；

依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略。

进一步地，所述获取道路图像的步骤，包括：

采集实时工作路面视频；

依据预设时间在所述实时工作路面视频内截取所述预设时间的实时工作路面图像；

对所述实时工作路面图像进行图像预处理，得到预处理后的所述道路图像。

进一步地，所述确定所述道路图像中的路面区域和非路面区域的步骤，包括：

将所述道路图像中路面的感兴趣目标区域进行网格化分割成若干个目标块；

对所述目标块进行标准化后作为Deep-CNN网络模型的训练集；

所述训练集进行训练时采用无监督方法训练获取图像特征；

对所述图像特征进行聚类后再设置标签，所述标签的路面类型包括路面和非路面；

通过人工标记设置所述路面类型生成用于识别路面和非路面的识别模型；

依据所述识别模型确定所述道路图像中的所述路面区域和所述非路面区域。

进一步地，所述通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复的步骤，包括：

将采集到的待修复图像经过预处理后输入到训练后的3D卷积神经网络模型中提取所述特征向量；

将所述特征向量输入到训练后的线性分类器中进行分类，生成包含有标线不全、缺少标线和标线遮挡的所述待修复图像；

依据所述标线不全、所述缺少标线和所述标线遮挡确定所述待修复图像的所述标线修复情况。

进一步地，所述依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略的步骤，包括：

通过所述第一修复策略对所述第一损坏区域进行修复，得到第一修复区域，和/或，通过第二修复策略对第二损坏区域进行修复，得到第二修复区域；

依据所述预设质检条件对所述第一修复区域和所述第二修复区域进行质检，得到质检合格的第一修复区域和质检合格的第二修复区域，以及质检不合格的第一修复区域和质检不合格的第二修复区域；

将所述质检不合格的第一修复区域和所述质检不合格的第二修复区域通过所述第三修复策略进行修复，得到第三修复区域；

将第三修复区域、质检合格的第一修复区域和质检合格的第二修复区域共同组成所述已修复区域集合。

本申请还公开了一种道路标线修复识别装置，所述装置包括：

第一获取模块，用于获取道路图像，并确定所述道路图像中的路面区域和非路面区域；

第一生成模块，用于在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；

第一确定模块，用于通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；

第二确定模块，用于当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；

第三确定模块，用于当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；

修复模块，用于依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略。

进一步地，所述第一获取模块，包括：

第一采集子模块，用于采集实时工作路面视频；

第一截取子模块，用于依据预设时间在所述实时工作路面视频内截取所述预设时间的实时工作路面图像；

第一处理子模块，用于对所述实时工作路面图像进行图像预处理，得到预处理后的所述道路图像。

进一步地，所述第一获取模块，包括：

第一分割子模块，用于将所述道路图像中路面的感兴趣目标区域进行网格化分割成若干个目标块；

第二处理子模块，用于对所述目标块进行标准化后作为Deep-CNN网络模型的训练集；

第一获取子模块，用于所述训练集进行训练时采用无监督方法训练获取图像特征；

第三处理子模块，用于对所述图像特征进行聚类后再设置标签，所述标签的路面类型包括路面和非路面；

第一生成子模块，用于通过人工标记设置所述路面类型生成用于识别路面和非路面的识别模型；

第一确定子模块，用于依据所述识别模型确定所述道路图像中的所述路面区域和所述非路面区域。

本申请还公开了一种计算机设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的一种道路标线修复识别方法的步骤。

本申请还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的一种道路标线修复识别方法的步骤。

本申请具有以下优点：

在本申请的实施例中，相对于现有技术中的“对于这种复杂的干扰路面，传统的图像检测算法检测效果就会大大降低，鲁棒性不强，很容易对图片中非裂缝产生误判；且也不便于对损坏的标线进行识别并进行修复”，本申请提供了“一种道路标线修复识别方法”的解决方案，具体为：“获取道路图像，并确定所述道路图像中的路面区域和非路面区域；在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略”。通过“标线修复情况和标线损坏程度”解决了“对于这种复杂的干扰路面，传统的图像检测算法检测效果就会大大降低，鲁棒性不强，很容易对图片中非裂缝产生误判；且也不便于对损坏的标线进行识别并进行修复”达到了“避免了对图片的误判，对于损坏的标线能够精准识别，并对损坏的标线进行修复”。

附图说明

为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的一种道路标线修复识别方法的步骤流程图；

图2是本申请一实施例提供的一种道路标线修复识别装置的结构框图；

图3是本发明一实施例提供的一种计算机设备的结构示意图。

具体实施方式

为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

发明人通过分析现有技术发现：现有的这些图片的拍摄质量欠佳，一部分图片中除了有裂缝存在，还伴随着一些干扰物体出现比如路肩围栏、路面标识线、旁车和路面树叶等会对路面缺陷的识别产生干扰。对于这种复杂的干扰路面，传统的图像检测算法检测效果就会大大降低，鲁棒性不强，很容易对图片中非裂缝产生误判；且也不便于对损坏的标线进行识别并进行修复。

参照图1，示出了本申请一实施例提供的一种道路标线修复识别方法的步骤流程图；

一种道路标线修复识别方法，所述方法包括：

S110、获取道路图像，并确定所述道路图像中的路面区域和非路面区域；

S120、在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；

S130、通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；

S140、当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；

S150、当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；

S160、依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略。

在本申请的实施例中，相对于现有技术中的“对于这种复杂的干扰路面，传统的图像检测算法检测效果就会大大降低，鲁棒性不强，很容易对图片中非裂缝产生误判；且也不便于对损坏的标线进行识别并进行修复”，本申请提供了“一种道路标线修复识别方法”的解决方案，具体为：“获取道路图像，并确定所述道路图像中的路面区域和非路面区域；在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略”。通过“标线修复情况和标线损坏程度”解决了“对于这种复杂的干扰路面，传统的图像检测算法检测效果就会大大降低，鲁棒性不强，很容易对图片中非裂缝产生误判；且也不便于对损坏的标线进行识别并进行修复”达到了“避免了对图片的误判，对于损坏的标线能够精准识别，并对损坏的标线进行修复”。

下面，将对本示例性实施例中一种道路标线修复识别方法作进一步地说明。

如所述步骤S110所述，获取道路图像，并确定所述道路图像中的路面区域和非路面区域。

在本发明一实施例中，可以结合下列描述进一步说明步骤S110所述“获取道路图像，并确定所述道路图像中的路面区域和非路面区域”的具体过程。

如下列步骤所述，

S210、采集实时工作路面视频；

S220、依据预设时间在所述实时工作路面视频内截取所述预设时间的实时工作路面图像；

S230、对所述实时工作路面图像进行图像预处理，得到预处理后的所述道路图像。

需要说明的是，利用车载激光道路检测设备或车载摄像头采集道路图像。

作为一种示例，采集实时工作路面视频，依据预设时间在所述实时工作路面视频内截取所述预设时间的实时工作路面图像，对所述实时工作路面图像进行图像预处理，得到预处理后的所述道路图像。

在一具体实现中，预设时间截取对应的实时工作路面图像，其中预设时间可以是当天阳光或光线充足时间段，在该时间段内截取实时工作路面图像能够确保图像的清晰度，便于后续的标线识别。

如所述步骤S110所述，获取道路图像，并确定所述道路图像中的路面区域和非路面区域。

在本发明一实施例中，可以结合下列描述进一步说明步骤S110所述“获取道路图像，并确定所述道路图像中的路面区域和非路面区域”的具体过程。

如下列步骤所述，

S310、将所述道路图像中路面的感兴趣目标区域进行网格化分割成若干个目标块；

S320、对所述目标块进行标准化后作为Deep-CNN网络模型的训练集；

S330、所述训练集进行训练时采用无监督方法训练获取图像特征；

S340、对所述图像特征进行聚类后再设置标签，所述标签的路面类型包括路面和非路面；

S350、通过人工标记设置所述路面类型生成用于识别路面和非路面的识别模型；

S360、依据所述识别模型确定所述道路图像中的所述路面区域和所述非路面区域。

需要说明的是，道路图像中路面的感兴趣区域(Region of Interest,ROI网格化分割成若干个目标块，目标块进行标准化后作为Deep-CNN网络的训练集，考虑到路面模型由路面沥青、路面车道、护栏等组成，故而采用无监督方法训练获取图像特征，对所述图像特征进行聚类后再设置标签，其中设置标签用于保证准确区分路面与非路面，生成用于识别路面和非路面的识别模型。

作为一种示例，在识别模型中将被分为非路面的若干个非路面目标块按连通区域组合成候选目标加入训练库，再次Deep-CNN网络训练，分级训练路面目标，包括车辆、路面遗留物、行人、树叶等，从而确定非路面区域；

在一具体实现中，通过实现运动与静态前景目标检测与分类，能够进行路面遗留物检测。

如所述步骤S130所述，通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复

在本发明一实施例中，可以结合下列描述进一步说明步骤S130所述“通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复”的具体过程。

如下列步骤所述，

S410、将采集到的待修复图像经过预处理后输入到训练后的3D卷积神经网络模型中提取所述特征向量；

S420、将所述特征向量输入到训练后的线性分类器中进行分类，生成包含有标线不全、缺少标线和标线遮挡的所述待修复图像；

S430、依据所述标线不全、所述缺少标线和所述标线遮挡确定所述待修复图像的所述标线修复情况。

需要说明的是，采集到的待修复图像进行预处理，得到预处理后的关键帧图像集，将预处理后的关键帧图像集中的不同环境下的路面情况进行标定，得到训练集。通过待训练的3D卷积神经网络模型，并将卷积计算后得到的矩阵转化为N1行N2列的特征向量，将每一次卷积计算得到的特征向量作为训练集输入到待训练的3D卷积神经网络模型中进行训练，得到训练后的3D卷积神经网络模型，并利用训练后的3D卷积神经网络模型学习训练集中路面情况进。将训练集中路面情况进所对应的特征向量输入到线性分类器中进行训练，得到训练后的线性分类器；抽取训练集和测试集，通过人工矫正，进行迭代训练生成最终的3D卷积神经网络；其中线性分类器内有softmax函数，将预测结果输入softmax函数中，进行非负性和归一化处理，最后得到分类概率，让之后对各个类型的路面情况进行分类；将采集到的图像经过预处理后输入到训练后的3D卷积神经网络模型中提取特征向量，并将特征向量输入到训练后的线性分类器中进行分类生成包含有标线不全、缺少标线和标线遮挡的所述待修复图像；依据所述标线不全、所述缺少标线和所述标线遮挡确定所述待修复图像的所述标线修复情况。

如所述步骤S160所述，依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略。

在本发明一实施例中，可以结合下列描述进一步说明步骤S160所述“依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略”的具体过程。

如下列步骤所述，

S510、通过所述第一修复策略对所述第一损坏区域进行修复，得到第一修复区域，和/或，通过第二修复策略对第二损坏区域进行修复，得到第二修复区域；

S520、依据所述预设质检条件对所述第一修复区域和所述第二修复区域进行质检，得到质检合格的第一修复区域和质检合格的第二修复区域，以及质检不合格的第一修复区域和质检不合格的第二修复区域；

S530、将所述质检不合格的第一修复区域和所述质检不合格的第二修复区域通过所述第三修复策略进行修复，得到第三修复区域；

S540、将第三修复区域、质检合格的第一修复区域和质检合格的第二修复区域共同组成所述已修复区域集合。

需要说明的是，在通过所述第一修复策略对所述第一损坏区域进行修复，得到第一修复区域，和/或，通过第二修复策略对第二损坏区域进行修复，得到第二修复区域；依据所述预设质检条件对所述第一修复区域和所述第二修复区域进行质检，得到质检合格的第一修复区域和质检合格的第二修复区域，以及质检不合格的第一修复区域和质检不合格的第二修复区域，对于质检不合格的第一修复区域和质检不合格的第二修复区域通过第三修复策略进行修复，并修复后形成第三修复区域，将第三修复区域、质检合格的第一修复区域和质检合格的第二修复区域共同组成所述已修复区域集合。

在一具体实现中，通过修复策略能够保证标线的修复，通过质检条件能够监测标线是否符合修复标准，在质检条件监测到不符合修复标准，则通过第三修复策略对标线进行修复，使得标线符合修复后的标准，能够实现标线的准确修复。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

参照图2，示出了本申请一实施例提供的一种道路标线修复识别装置；

一种道路标线修复识别装置，所述装置具体包括：

第一获取模块610，用于获取道路图像，并确定所述道路图像中的路面区域和非路面区域；

第一生成模块620，用于在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；

第一确定模块630，用于通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；

第二确定模块640，用于当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；

第三确定模块650，用于当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；

修复模块660，用于依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略。

在本发明一实施例中，所述第一获取模块610，包括：

第一采集子模块，用于采集实时工作路面视频；

第一截取子模块，用于依据预设时间在所述实时工作路面视频内截取所述预设时间的实时工作路面图像；

第一处理子模块，用于对所述实时工作路面图像进行图像预处理，得到预处理后的所述道路图像。

在本发明一实施例中，所述第一获取模块610，包括：

第一分割子模块，用于将所述道路图像中路面的感兴趣目标区域进行网格化分割成若干个目标块；

第二处理子模块，用于对所述目标块进行标准化后作为Deep-CNN网络模型的训练集；

第一获取子模块，用于所述训练集进行训练时采用无监督方法训练获取图像特征；

第三处理子模块，用于对所述图像特征进行聚类后再设置标签，所述标签的路面类型包括路面和非路面；

第一生成子模块，用于通过人工标记设置所述路面类型生成用于识别路面和非路面的识别模型；

第一确定子模块，用于依据所述识别模型确定所述道路图像中的所述路面区域和所述非路面区域。

在本发明一实施例中，所述第一确定模块630，包括：

第一提取子模块，用于将采集到的待修复图像经过预处理后输入到训练后的3D卷积神经网络模型中提取所述特征向量；

第二生成子模块，用于将所述特征向量输入到训练后的线性分类器中进行分类，生成包含有标线不全、缺少标线和标线遮挡的所述待修复图像；

第二确定子模块，用于依据所述标线不全、所述缺少标线和所述标线遮挡确定所述待修复图像的所述标线修复情况。

在本发明一实施例中，所述修复模块660，包括：

第一修复子模块，用于通过所述第一修复策略对所述第一损坏区域进行修复，得到第一修复区域，和/或，通过第二修复策略对第二损坏区域进行修复，得到第二修复区域；

第一质检子模块，用于依据所述预设质检条件对所述第一修复区域和所述第二修复区域进行质检，得到质检合格的第一修复区域和质检合格的第二修复区域，以及质检不合格的第一修复区域和质检不合格的第二修复区域；

第二修复子模块，用于将所述质检不合格的第一修复区域和所述质检不合格的第二修复区域通过所述第三修复策略进行修复，得到第三修复区域；

第一构建子模块，用于将第三修复区域、质检合格的第一修复区域和质检合格的第二修复区域共同组成所述已修复区域集合。

参照图3，示出了本发明的一种道路标线修复识别方法的计算机设备，具体可以包括如下：

上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图3中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的道路标线修复识别方法。

也即，上述处理单元16执行上述程序时实现：获取道路图像，并确定所述道路图像中的路面区域和非路面区域；在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略。

在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的道路标线修复识别方法：

也即，给程序被处理器执行时实现：获取道路图像，并确定所述道路图像中的路面区域和非路面区域；在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种道路标线修复识别方法、装置、设备及其存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种道路标线修复识别方法，其特征在于，所述方法包括：

获取道路图像，并确定所述道路图像中的路面区域和非路面区域；

在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；

通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；

当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；

当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；

依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略；通过所述第一修复策略对所述第一损坏区域进行修复，得到第一修复区域，和/或，通过第二修复策略对第二损坏区域进行修复，得到第二修复区域；依据所述预设质检条件对所述第一修复区域和所述第二修复区域进行质检，得到质检合格的第一修复区域和质检合格的第二修复区域，以及质检不合格的第一修复区域和质检不合格的第二修复区域；将所述质检不合格的第一修复区域和所述质检不合格的第二修复区域通过所述第三修复策略进行修复，得到第三修复区域；将第三修复区域、质检合格的第一修复区域和质检合格的第二修复区域共同组成所述已修复区域集合。

2.根据权利要求1所述的方法，其特征在于，所述获取道路图像的步骤，包括：

采集实时工作路面视频；

依据预设时间在所述实时工作路面视频内截取所述预设时间的实时工作路面图像；

对所述实时工作路面图像进行图像预处理，得到预处理后的所述道路图像。

3.根据权利要求1所述的方法，其特征在于，所述确定所述道路图像中的路面区域和非路面区域的步骤，包括：

将所述道路图像中路面的感兴趣目标区域进行网格化分割成若干个目标块；

对所述目标块进行标准化后作为Deep-CNN网络模型的训练集；

所述训练集进行训练时采用无监督方法训练获取图像特征；

对所述图像特征进行聚类后再设置标签，所述标签的路面类型包括路面和非路面；

通过人工标记设置所述路面类型生成用于识别路面和非路面的识别模型；

依据所述识别模型确定所述道路图像中的所述路面区域和所述非路面区域。

4.根据权利要求1所述的方法，其特征在于，所述通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复的步骤，包括：

将采集到的待修复图像经过预处理后输入到训练后的3D卷积神经网络模型中提取所述特征向量；

将所述特征向量输入到训练后的线性分类器中进行分类，生成包含有标线不全、缺少标线和标线遮挡的所述待修复图像；

依据所述标线不全、所述缺少标线和所述标线遮挡确定所述待修复图像的所述标线修复情况。

5.一种道路标线修复识别装置，其特征在于，所述装置包括：

第一获取模块，用于获取道路图像，并确定所述道路图像中的路面区域和非路面区域；

第一生成模块，用于在所述路面区域中提取带有标线区域，并依据所述带有标线区域和所述道路图像生成待修复图像；

第一确定模块，用于通过卷积神经网络模型提取所述待修复图像中的特征向量，并依据所述特征向量确定所述待修复图像中的标线修复情况；所述标线修复情况包括需修复和无需修复；

第二确定模块，用于当所述标线修复情况为需修复时，确定所述待修复图像的标线损坏程度；其中，所述标线损坏程度包括标线不全和缺少标线；

第三确定模块，用于当所述标线损坏程度包含标线不全时，则依据所述标线损坏程度和所述待修复图像确定第一损坏区域；和/或；当所述标线损坏程度包含缺少标线时，则依据所述标线损坏程度和所述待修复图像确定第二损坏区域；

修复模块，用于依据预设修复策略和预设质检条件对所述第一损坏区域和/或所述第二损坏区域进行修复，得到已修复区域集合；其中，所述预设修复策略包括第一修复策略、第二修复策略和第三修复策略；通过所述第一修复策略对所述第一损坏区域进行修复，得到第一修复区域，和/或，通过第二修复策略对第二损坏区域进行修复，得到第二修复区域；依据所述预设质检条件对所述第一修复区域和所述第二修复区域进行质检，得到质检合格的第一修复区域和质检合格的第二修复区域，以及质检不合格的第一修复区域和质检不合格的第二修复区域；将所述质检不合格的第一修复区域和所述质检不合格的第二修复区域通过所述第三修复策略进行修复，得到第三修复区域；将第三修复区域、质检合格的第一修复区域和质检合格的第二修复区域共同组成所述已修复区域集合。

6.根据权利要求5所述的装置，其特征在于，所述第一获取模块，包括：

第一采集子模块，用于采集实时工作路面视频；

第一截取子模块，用于依据预设时间在所述实时工作路面视频内截取所述预设时间的实时工作路面图像；

第一处理子模块，用于对所述实时工作路面图像进行图像预处理，得到预处理后的所述道路图像。

7.根据权利要求5所述的装置，其特征在于，所述第一获取模块，包括：

第一分割子模块，用于将所述道路图像中路面的感兴趣目标区域进行网格化分割成若干个目标块；

第二处理子模块，用于对所述目标块进行标准化后作为Deep-CNN网络模型的训练集；

第一获取子模块，用于所述训练集进行训练时采用无监督方法训练获取图像特征；

第三处理子模块，用于对所述图像特征进行聚类后再设置标签，所述标签的路面类型包括路面和非路面；

第一生成子模块，用于通过人工标记设置所述路面类型生成用于识别路面和非路面的识别模型；

第一确定子模块，用于依据所述识别模型确定所述道路图像中的所述路面区域和所述非路面区域。

8.一种计算机设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的方法。