一种可行驶区域分割方法、终端及计算机存储介质

技术领域

本申请属于智能驾驶技术领域，尤其涉及一种可行驶区域分割方法、终端及计算机存储介质。

背景技术

目前智能驾驶数据集，其边界规范较模糊，尤其是对可行驶区域的边界划分，边界规范标准不统一，导致可行驶区域分割模型很难通用化，间接影响了模型的“鲁棒性”，若能简化并规范可行驶区域的分割方式，则可提高可行驶区域分割模型对可行驶区域的分割效率及准确性。

目前可行驶区域分割的通用方法是在标注上下功夫，用大量的障碍物、可行驶区域等标注数据来反复让神经网络学习可行驶区域的特征，但未考虑交通规则信息对可行驶区域分割准确性的影响；由于交通规则的存在，导致神经网络分割出来的可行驶区域实际可能不可行驶，降低了可行驶区域的分割准确性及效率。

发明内容

针对上述技术问题，本申请提供一种可行驶区域分割方法、终端及计算机存储介质，以简化并规范可行驶区域的分割方式，提高可行驶区域分割的准确性及效率。

本申请提供了一种可行驶区域分割方法，包括：采用第一神经网络从车辆周围的第一环境图像中提取交通规则信息；根据所述第一环境图像中的交通规则信息，结合第二神经网络，确定所述第一环境图像中的目标可行驶区域。

在一实施方式中，所述第一环境图像中的交通规则信息包括所述第一环境图像中的交通标志信息及所述交通标志信息对应的交通规则；其中，所述交通标志信息包括红绿灯信息、交通标志牌、交通标志线中的至少一项。

在一实施方式中，在所述采用第一神经网络从车辆周围的第一环境图像中提取交通规则信息的步骤之前，包括：获取所述车辆周围的第二环境图像中的交通规则信息；根据所述第二环境图像及所述第二环境图像中的交通规则信息，对所述第一神经网络进行训练。

在一实施方式中，在所述根据所述第一环境图像中的交通规则信息，结合第二神经网络，确定所述第一环境图像中的目标可行驶区域的步骤之前，包括：获取所述第二环境图像中的目标可行驶区域；根据所述第二环境图像、所述第二环境图像中的交通规则信息及目标可行驶区域，对所述第二神经网络进行训练。

在一实施方式中，所述第二神经网络包括第三神经网络及第四神经网络。

在一实施方式中，所述根据所述第一环境图像中的交通规则信息，结合第二神经网络，确定所述第一环境图像中的目标可行驶区域的步骤，包括：采用所述第三神经网络提取所述第一环境图像中的初始可行驶区域；根据所述第一环境图像中的交通规则信息及初始可行驶区域，结合所述第四神经网络，确定所述第一环境图像中的目标可行驶区域。

在一实施方式中，在所述采用所述第三神经网络提取所述第一环境图像中的初始可行驶区域的步骤之前，包括：获取所述车辆周围的第二环境图像中的初始可行驶区域；根据所述第二环境图像及所述第二环境图像中的初始可行驶区域，对所述第三神经网络进行训练。

在一实施方式中，在所述根据所述第一环境图像中的交通规则信息及初始可行驶区域，结合所述第四神经网络，确定所述第一环境图像中的目标可行驶区域的步骤之前，包括：根据所述第二环境图像中的交通规则信息、初始可行驶区域及目标可行驶区域，对所述第四神经网络进行训练。

本申请还提供了一种终端，所述终端包括存储器、处理器以及存储在所述存储器中并可在所述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可行驶区域分割方法的步骤。

本申请还提供了一种计算机存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述可行驶区域分割方法的步骤。

本申请提供的一种可行驶区域分割方法、终端及计算机存储介质，考虑了交通规则信息对可行驶区域分割准确性的影响，采用第一神经网络单独提取环境图像中的交通规则信息，通过前融合或后融合的方式，将交通规则信息提供给第二神经网络，以便第二神经网络根据交通规则信息快速确定目标可行驶区域，减轻各神经网络的学习压力，简化并规范了可行驶区域的分割方式，提高了可行驶区域分割的准确性及效率。

附图说明

图1是本申请实施例一提供的可行驶区域分割方法的流程示意图；

图2是本申请实施例二提供的终端的结构示意图。

具体实施方式

以下结合说明书附图及具体实施例对本申请技术方案做进一步的详细阐述。除非另有定义，本申请所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

图1是本申请实施例一提供的可行驶区域分割方法的流程示意图。如图1所示，本申请的可行驶区域分割方法可以包括如下步骤：

步骤S101：采用第一神经网络从车辆周围的第一环境图像中提取交通规则信息；

可选地，第一环境图像中的交通规则信息包括第一环境图像中的交通标志信息及交通标志信息对应的交通规则；其中，交通标志信息包括红绿灯信息、交通标志牌、交通标志线中的至少一项。

示例性地，直行红灯对应的交通规则为直行车道当前不能通行；右转绿灯对应的交通规则为右转车道当前可通行；前方施工标志牌对应的交通规则为施工标志牌所在的车道不可通行；行驶方向标志线对应的交通规则为行驶方向标志线所在的车道仅可在对应的行驶方向通行。

在一实施方式中，在步骤S101之前，包括：

获取车辆周围的第二环境图像中的交通规则信息；

根据第二环境图像及第二环境图像中的交通规则信息，对第一神经网络进行训练。

可选地，第一神经网络为轻量化神经网络，包括SqueezeNet、MobileNet、ShuffleNet、Xception等。

可选地，第二环境图像中的交通规则信息包括提前标注在第二环境图像中的交通标志信息及交通标志信息对应的交通规则；将第二环境图像作为输入值，第二环境图像中的交通规则信息作为期望输出值，对第一神经网络进行多次迭代训练，直到第一神经网络输出的交通规则信息与第二环境图像中标注的交通规则信息的偏差小于第一预设偏差，第一神经网络训练完成。

步骤S102：根据第一环境图像中的交通规则信息，结合第二神经网络，确定第一环境图像中的目标可行驶区域。

可选地，第二神经网络为基于经典卷积神经网络(如：VGGNet、ResNet等)，及注意力(Attention)模块构建的感知神经网络。

在一实施方式中，在步骤S102之前，包括：

获取第二环境图像中的目标可行驶区域；

根据第二环境图像、第二环境图像中的交通规则信息及目标可行驶区域，对第二神经网络进行训练。

可选地，第二环境图像中的目标可行驶区域为综合考虑第二环境图像中的交通规则信息、障碍物、车道等信息，在第二环境图像中提前标注的可行驶区域；将第二环境图像和第二环境图像中的交通规则信息作为输入值，将第二环境图像的目标可行驶区域作为期望输出值对第二神经网络进行多次迭代训练，直到第二神经网络输出的可行驶区域与第二环境图像的目标可行驶区域的偏差小于第二预设偏差，第二神经网络训练完成。

可选地，第一环境图像与第二环境图像为同一环境图像或不同的环境图像；第一环境图像为第一神经网络、第二神经网络训练完成后，实际应用过程中，获取的的环境图像；第二环境图像为训练第一神经网络、第二神经网络所获取的环境图像。

值得一提的是，通过第一神经网络确定第一环境图像中的交通规则信息，采用前融合的方式，将第一环境图像中的交通规则信息与第一环境图像进行融合后输入至第二神经网络，通过第二神经网络确定第一环境图像中的目标可行驶区域，减轻了第一、第二神经网络的学习压力，提高了第一环境图像中目标可行驶区域的分割准确性及效率。

在一实施方式中，第二神经网络包括第三神经网络及第四神经网络。

可选地，将第二神经网络拆分为两个独立的神经网络：第三神经网络、第四神经网络；可选地，第三神经网络为经典卷积神经网络；第四神经网络为基于经典卷积神经网络与Attention模块构建的感知神经网络。

在一实施方式中，步骤S102包括：

采用第三神经网络提取第一环境图像中的初始可行驶区域；

根据第一环境图像中的交通规则信息及初始可行驶区域，结合第四神经网络，确定第一环境图像中的目标可行驶区域。

通过第一神经网络确定第一环境图像中的交通规则信息，通过第三神经网络确定第一环境图像中的初始可行驶区域，采用后融合的方式，将第一环境图像中的交通规则信息与初始可行驶区域进行融合后输入至第四神经网络，通过第四神经网络确定第一环境图像中的目标可行驶区域，减轻了第一、第三、第四神经网络的学习压力，提高了第一环境图像中目标可行驶区域的分割准确性及效率。

在一实施方式中，在采用第三神经网络提取第一环境图像中的初始可行驶区域之前，包括：

获取车辆周围的第二环境图像中的初始可行驶区域；

根据第二环境图像及第二环境图像中的初始可行驶区域，对第三神经网络进行训练。

可选地，第二环境图像中的初始可行驶区域为不考虑交通规则信息的情况下在第二环境图像中提取标注的可行驶区域；将第二环境图像作为输入值，第二环境图像中的初始可行驶区域作为期望输出值，对第三神经网络进行多次迭代训练，直到第三神经网络输出的可行驶区域与第二环境图像中的初始可行驶区域的偏差小于第三预设偏差，第三神经网络训练完成。

在一实施方式中，在根据第一环境图像中的交通规则信息及初始可行驶区域，结合第四神经网络，确定第一环境图像中的目标可行驶区域之前，包括：

根据第二环境图像中的交通规则信息、初始可行驶区域及目标可行驶区域，对第四神经网络进行训练。

可选地，将第二环境图像中的交通规则信息、初始可行驶区域作为输入值，第二环境图像中的目标可行驶区域作为期望输出值，对第四神经网络进行多次迭代训练，直到第四神经网络输出的可行驶区域与第二环境图像中的目标可行驶区域的偏差小于第四预设偏差，第四神经网络训练完成。

本申请实施例一提供的可行驶区域分割方法，考虑了交通规则信息对可行驶区域分割准确性的影响，采用第一神经网络单独提取环境图像中的交通规则信息，通过前融合或后融合的方式，将交通规则信息提供给第二神经网络，以便第二神经网络根据交通规则信息快速确定目标可行驶区域，减轻各神经网络的学习压力，简化并规范了可行驶区域的分割方式，提高了可行驶区域分割的准确性及效率。

图2是本申请实施二提供的终端的结构示意图。本申请的终端包括：处理器110、存储器111以及存储在存储器111中并可在处理器110上运行的计算机程序112。处理器110执行计算机程序112时实现上述可行驶区域分割方法实施例中的步骤。

终端可包括，但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图2仅仅是终端的示例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。

处理器110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数词信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器111可以是终端的内部存储单元，例如终端的硬盘或内存。存储器111也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数词(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器111还可以既包括终端的内部存储单元也包括外部存储设备。存储器111用于存储计算机程序以及终端所需的其他程序和数据。存储器111还可以用于暂时地存储已经输出或者将要输出的数据。

本申请还提供一种计算机存储介质，计算机存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述可行驶区域分割方法实施例中的步骤。

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。

在本文中，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，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。