一种道路边界检测方法及装置

技术领域

本申请涉及道路边界检测技术领域，尤其涉及一种道路边界检测方法及装置。

背景技术

目前，视觉辅助系统快速发展，在视觉辅助系统的一种应用中，需要对道路的边界进行检测，也就是对行人所在的道路进行自动化识别，并检测出道路两侧的边界，从而引导行人在安全的范围内行走。目前，现有的道路边界检测方法是利用车载探测设备，对道路发射探测线束，通过收集反射回来的回波信号对道路边界进行定位。然而，现有的道路边界检测方法检测到的道路边界可能存在不连通的情况，导致检测得到的道路边界不准确。

发明内容

本申请提供一种道路边界检测方法及装置，以使得所得到的道路区域的左边界和右边界是连通的，提高了检测得到的道路边界的准确率。

第一方面，本申请提供了一种道路边界检测方法，所述方法包括：

对目标道路图像进行特征提取得到多层特征图，并对所述各层特征图包含的局部特征进行加权融合得到融合特征；

根据所述融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置；

根据连通性损失函数、所述左参考边界的位置和所述右参考边界的位置计算得到所述道路区域的左边界的位置和右边界的位置。

可选的，所述对目标道路图像进行特征提取得到道路区域的多层特征图，并对所述各层特征图包含的局部特征进行加权融合得到融合特征的步骤，包括：

通过基于U-Net生成的特征金字塔对目标道路图像进行特征提取得到道路区域的多层特征图；

对各层特征图包含的局部特征进行双线性插值上采样；

对上采样后的各局部特征进行加权融合得到融合特征。

可选的，所述根据所述融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置的步骤，包括：

根据所述融合特征进行道路端点预测得到道路区域的左边界起始点的位置和右边界起始点的位置；

根据所述左边界起始点的位置、所述右边界起始点的位置和所述融合特征进行边界预测，得到所述道路区域的左参考边界的位置和右参考边界的位置。

可选的，所述根据所述融合特征进行道路端点预测得到道路区域的左边界起始点的位置和右边界起始点的位置的步骤，包括：

确定所述融合特征中的左边界起始点在所述目标道路图像中位于每个位置的第一概率以及右边界起始点在所述目标道路图像中位于每个位置的第二概率；

将所述第一概率中的最大值对应的位置作为所述左边界起始点的位置，将所述第二概率中的最大值对应的位置作为所述右边界起始点的位置。

可选的，所述根据所述左边界起始点的位置、所述右边界起始点的位置和所述融合特征进行边界预测，得到所述道路区域的左参考边界的位置和右参考边界的位置的步骤，包括：

根据所述左边界起始点的位置和所述右边界起始点的位置从所述融合特征中确定道路区域对应的道路融合特征；

确定所述道路融合特征中属于左边界的特征点的位置和属于右边界的特征点的位置；

由属于左边界的特征点的位置组成所述道路区域的左参考边界的位置，由属于右边界的特征点的位置组成所述道路区域的右参考边界的位置。

可选的，所述根据连通性损失函数、所述左参考边界的位置和所述右参考边界的位置计算得到所述道路区域的左边界的位置和右边界的位置的步骤，包括：

根据连通性损失函数对所述左参考边界所包含的相邻左边界点的位置进行连通性约束，将约束后的各左边界点的位置作为所述道路区域的左边界的位置；

根据连通性损失函数将所述右参考边界所包含的相邻右边界点的位置进行连通性约束，将约束后的各右边界点的位置作为所述道路区域的右边界的位置。

可选的，所述连通性约束为约束相邻边界点的位置是连续的。

第二方面，本申请提供了一种道路边界检测装置，所述装置包括：

提取模块，用于对目标道路图像进行特征提取得到多层特征图，并对所述各层特征图包含的局部特征进行加权融合得到融合特征；

预测模块，用于根据所述融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置；

边界确定模块，用于根据连通性损失函数、所述左参考边界的位置和所述右参考边界的位置计算得到所述道路区域的左边界的位置和右边界的位置。

可选的，所述提取模块，包括：

提取子模块，用于通过基于U-Net生成的特征金字塔对目标道路图像进行特征提取得到道路区域的多层特征图；

上采样子模块，用于对各层特征图包含的局部特征进行双线性插值上采样；

融合子模块，用于对上采样后的各局部特征进行加权融合得到融合特征。

可选的，所述预测模块，包括：

起始点预测子模块，用于根据所述融合特征进行道路端点预测得到道路区域的左边界起始点的位置和右边界起始点的位置；

参考边界预测子模块，用于根据所述左边界起始点的位置、所述右边界起始点的位置和所述融合特征进行边界预测，得到所述道路区域的左参考边界的位置和右参考边界的位置。

可选的，所述起始点预测子模块，包括：

概率确定单元，用于确定所述融合特征中的左边界起始点在所述目标道路图像中位于每个位置的第一概率以及右边界起始点在所述目标道路图像中位于每个位置的第二概率；

起始点确定单元，用于将所述第一概率中的最大值对应的位置作为所述左边界起始点的位置，将所述第二概率中的最大值对应的位置作为所述右边界起始点的位置。

可选的，所述参考边界预测子模块，包括：

道路融合特征确定单元，用于根据所述左边界起始点的位置和所述右边界起始点的位置从所述融合特征中确定道路区域对应的道路融合特征；

位置确定单元，用于确定所述道路融合特征中属于左边界的特征点的位置和属于右边界的特征点的位置；

参考边界确定单元，用于由属于左边界的特征点的位置组成所述道路区域的左参考边界的位置，由属于右边界的特征点的位置组成所述道路区域的右参考边界的位置。

可选的，所述边界确定模块，包括：

左边界确定子模块，用于根据连通性损失函数对所述左参考边界所包含的相邻左边界点的位置进行连通性约束，将约束后的各左边界点的位置作为所述道路区域的左边界的位置；

右边界确定子模块，用于根据连通性损失函数将所述右参考边界所包含的相邻右边界点的位置进行连通性约束，将约束后的各右边界点的位置作为所述道路区域的右边界的位置。

可选的，所述连通性约束为约束相邻边界点的位置是连续的。

第三方面，本申请提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。

第四方面，本申请提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。

由上述技术方案可以看出，本申请可以对目标道路图像进行特征提取得到多层特征图，并对各层特征图包含的局部特征进行加权融合得到融合特征，根据融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置，根据连通性损失函数、左参考边界的位置和右参考边界的位置计算得到道路区域的左边界的位置和右边界的位置。由于在本申请的技术方案中，通过设置连通性损失函数的方式来计算出道路区域的左边界的位置和右边界的位置，使得所得到的道路区域的左边界和右边界是连通的，提高了检测得到的道路边界的准确率。

上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

为了更清楚地说明本申请实施例或现有的技术方案，下面将对实施例或现有技术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中记载的一些实施例，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为本申请一种道路边界检测方法的流程示意图；

图2为本申请一种道路检测模型的结构示意图；

图3为本申请一种道路边界检测装置的结构示意图；

图4为本申请一实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅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做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。

为了解决现有技术中，由于检测到的道路边界可能存在不连通的情况，导致检测得到的道路边界不准确的问题。

本申请提供了一种道路边界检测方法，在本方法中，可以对目标道路图像进行特征提取得到多层特征图，并对各层特征图包含的局部特征进行加权融合得到融合特征，根据融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置，根据连通性损失函数、左参考边界的位置和右参考边界的位置计算得到道路区域的左边界的位置和右边界的位置。由于在本申请的技术方案中，通过设置连通性损失函数的方式来计算出道路区域的左边界的位置和右边界的位置，使得所得到的道路区域的左边界和右边界是连通的，提高了检测得到的道路边界的准确率。

下面结合附图，详细说明本申请的各种非限制性实施方式。

参见图1，示出了本申请实施例中的一种道路边界检测方法。在本实施例中，方法应用于电子设备，方法例如可以包括以下步骤：

S101：对目标道路图像进行特征提取得到多层特征图，并对各层特征图包含的局部特征进行加权融合得到融合特征。

目标道路图像为针对道路区域所拍摄的图像，在目标道路图像中包含道路区域。由于道路场景是非常复杂的，因此，为了得到更多的有关道路边界的丰富特征，本申请实施例中对目标道路图像进行特征提取得到多层特征图，并对各层特征图包含的局部特征进行加权融合得到融合特征。

其中，对目标道路图像进行特征提取得到多层特征图，并对各层特征图包含的局部特征进行加权融合得到融合特征，可以包括：

通过基于U-Net生成的特征金字塔对目标道路图像进行特征提取得到道路区域的多层特征图；

对各层特征图包含的局部特征进行双线性插值上采样；

对上采样后的各局部特征进行加权融合得到融合特征。

为了得到更多的有关道路边界的丰富特征，可以通过基于U-Net生成的特征金字塔对目标道路图像进行特征提取得到道路区域的多层特征图，其中，基于U-Net生成的特征金字塔中的第1层特征为输入的目标道路图像的原始分辨率，第n层为输入的目标道路图像的原始分辨率的1/(2^n)，相邻层之间通过下采样进行获取。

在得到多层特征图后，对各层特征图包含的局部特征进行双线性插值上采样到原始分辨率，然后对上采样后的各局部特征进行加权融合得到融合特征，其中，对上采样后的各局部特征进行加权融合得到融合特征可以为通过学习得到各局部特征的权重，并利用各局部特征的权重对各局部特征进行加权融合得到融合特征。

由此，通过基于U-Net生成的特征金字塔对目标道路图像进行特征提取得到道路区域的多层特征图，然后通过加权融合的方式对各层特征图包含的局部特征进行特征融合得到融合特征，可以获得更大的感受野，从而能更好的处理形变较大的道路区域。

S102：根据融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置。

在得到融合特征后，即可根据融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置。

上述根据融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置，可以包括：

根据融合特征进行道路端点预测得到道路区域的左边界起始点的位置和右边界起始点的位置；

根据左边界起始点的位置、右边界起始点的位置和融合特征进行边界预测，得到道路区域的左参考边界的位置和右参考边界的位置。

由于道路区域的左边界和右边界都是存在起始点的，因此，可以对起始点进行预测，从而定位出道路区域的大致范围，即根据融合特征进行道路端点预测得到道路区域的左边界起始点的位置和右边界起始点的位置。

其中，根据融合特征进行道路端点预测得到道路区域的左边界起始点的位置和右边界起始点的位置，可以包括：

确定融合特征中的左边界起始点在目标道路图像中位于每个位置的第一概率以及右边界起始点在目标道路图像中位于每个位置的第二概率；

将第一概率中的最大值对应的位置作为左边界起始点的位置，将第二概率中的最大值对应的位置作为右边界起始点的位置。

由于融合特征中的左边界起始点和右边界起始点在目标道路图像中的实际位置是未知的，因此，需要预测左边界起始点和右边界起始点在目标道路图像中可能出现的位置的概率，即确定融合特征中的左边界起始点在目标道路图像中位于每个位置的第一概率以及右边界起始点在目标道路图像中位于每个位置的第二概率。

由于概率越大，说明边界起始点出现在该位置的可能性就越高，因此，在得到了左边界起始点和右边界起始点在目标道路图像中可能出现在每个位置的概率后，选择概率最大的位置作为边界起始点的实际位置，即将第一概率中的最大值对应的位置作为左边界起始点的位置，将第二概率中的最大值对应的位置作为右边界起始点的位置，其中，各边界起始点的位置可以为各边界起始点的坐标。

由此，通过预测左边界起始点和右边界起始点在目标道路图像中可能出现的位置的概率，并选择概率最大的位置作为各边界起始点的实际位置的方式得到道路区域的左边界起始点的位置和右边界起始点的位置。

在得到道路区域的左边界起始点的位置和右边界起始点的位置后，也就获知了道路区域在目标道路图像中的大致范围，例如，道路区域是在目标道路图像中的左侧还是右侧。

在获知了道路区域在目标道路图像中的大致范围后，需要进一步确定道路区域的左边界的位置和右边界的位置，即根据左边界起始点的位置、右边界起始点的位置和融合特征进行边界预测，得到道路区域的左参考边界的位置和右参考边界的位置。

其中，根据左边界起始点的位置、右边界起始点的位置和融合特征进行边界预测，得到道路区域的左参考边界的位置和右参考边界的位置，可以包括：

根据左边界起始点的位置和右边界起始点的位置从融合特征中确定道路区域对应的道路融合特征；

确定道路融合特征中属于左边界的特征点的位置和属于右边界的特征点的位置；

由属于左边界的特征点的位置组成道路区域的左参考边界的位置，由属于右边界的特征点的位置组成道路区域的右参考边界的位置。

为了确定道路融合特征中哪些特征点是属于道路区域的，在得到道路区域的左边界起始点的位置和右边界起始点的位置后，需要根据左边界起始点的位置和右边界起始点的位置从融合特征中确定道路区域对应的道路融合特征。

由于道路区域是存在左边界和右边界的，因此，在确定了道路区域对应的道路融合特征后，还需要确定道路融合特征中属于左边界的特征点的位置和属于右边界的特征点的位置，然后由属于左边界的特征点的位置组成道路区域的左参考边界的位置，由属于右边界的特征点的位置组成道路区域的右参考边界的位置。

由此，通过确定道路区域对应的道路融合特征，然后由属于左边界的特征点的位置组成道路区域的左参考边界的位置，由属于右边界的特征点的位置组成道路区域的右参考边界的位置的方式得到道路区域的左参考边界的位置和右参考边界的位置。

S103：根据连通性损失函数、左参考边界的位置和右参考边界的位置计算得到道路区域的左边界的位置和右边界的位置。

由于道路的边界是一条具有连通性的曲线，也就是一条连续的、不间断的曲线，如果通过深度学习模型去预测边界的坐标，则预测得到的坐标之间相互独立，可能会导致预测得到的边界是不连通的，因此，本申请实施例中提出根据连通性损失函数来预测道路的边界，该连通性损失函数利用道路的结构连通性先验，能够保持预测的道路边界和真实道路边界的形态保持一致，也就是预测得到的道路的边界是具有连通性的，是一条连续的曲线。

上述根据连通性损失函数、左参考边界的位置和右参考边界的位置计算得到道路区域的左边界的位置和右边界的位置，可以包括：

根据连通性损失函数对左参考边界所包含的相邻左边界点的位置进行连通性约束，将约束后的各左边界点的位置作为道路区域的左边界的位置；

根据连通性损失函数将右参考边界所包含的相邻右边界点的位置进行连通性约束，将约束后的各右边界点的位置作为道路区域的右边界的位置。

示例性的，连通性约束可以为约束相邻边界点的位置是连续的。

由于得到的左参考边界和右参考边界可能是不连通的，因此，需要对左参考边界和右参考边界分别进行连通性约束，从而得到和真实道路边界的形态保持一致的左边界和右边界，即根据连通性损失函数对左参考边界所包含的相邻左边界点的位置进行连通性约束，将约束后的各左边界点的位置作为道路区域的左边界的位置，根据连通性损失函数将右参考边界所包含的相邻右边界点的位置进行连通性约束，将约束后的各右边界点的位置作为道路区域的右边界的位置。

在本申请实施例中，连通性的定义为:对于边界坐标X＝(x

连通性损失函数如下公式所示：

其中，L

上述连通性损失函数可以有效地惩罚相邻边界点坐标之间的不连续，以保证预测得到的各边界包含的边界坐标满足连通性先验。

由此，通过连通性损失函数对左参考边界和右参考边界进行连通性约束，得到道路区域的左边界的位置和右边界的位置，使得所得到的道路的边界具有连通性。

下面从另一个角度对本申请提供的一种道路边界检测方法进行说明，本申请实施例中提供了一种道路边界检测模型，参见图2，图2为本申请提供的一种道路检测模型的结构示意图，本申请实施例提供基于深度语义分割和回归网络的道路边界检测模型包括特征提取网络和预测融合模块。

特征提取网络通过基于U-Net生成的特征金字塔提取多个尺度特征图，在特征金字塔的基础上，本申请实施例附加了一个上下文感知的特征特征优化模块，该模块将多个分辨率下的特征上采样到原始分辨率，通过学习得到每个特征的权重并利用该权重将特征进行融合，以获得更大的感受野，从而能更好的处理形变较大的道路。

具体的，图2中的三角符号表示双线性插值上采样，图2中的圆圈c表示级联，即将特征沿着特征维度进行合并，图2中的三角符号右边的矩形块表示基本卷积块。

参见图2，特征提取网络首先通过应用几个基本的卷积块来优化U-Net产生的各个尺度特征图，以获得局部优化的特征表示。然后，采用特征选择模块自适应选取对于道路有效的特征表示，并提取特定尺度下更具判别力的上下文特征。

由此，通过双线性插值上采样、级联和基本卷积块对不同层次的代表性特征进行集成，形成上下文感知的优化特征表示。

继续参见图2，预测融合模块包括三部分：端点预测模块、分割预测模块和边界点预测模块。

端点预测模块对道路的左侧边界、右侧边界的起始点进行预测，从而定位出道路的大致范围。具体的，该模块通过预测每个起始点在目标道路图像中每个位置的概率，并选择概率最大的位置作为该点的实际坐标。

分割预测模块通过建模输入目标道路图像中每一个点是否属于道路边界，来预测出道路的大致分布得到概率图。

在上述两个模块的基础上，边界点预测模块也就是回归阶段来预测道路精确坐标，其中回归分支包括三个残差模块、全连接层和Soft-argmax模块，该边界点预测模块针对分割预测模块得到的概率图，对每一行回归出左或者右边界概率最大值的坐标。

然后通过连通性损失函数得到道路区域的左边界的位置和右边界的位置，其中，通过连通性损失函数得到道路区域的左边界的位置和右边界的位置的具体方式可以参见步骤S103中的得到道路区域的左边界的位置和右边界的位置的方式，在此不再赘述。

综上可见，在本方法中，可以对目标道路图像进行特征提取得到多层特征图，并对各层特征图包含的局部特征进行加权融合得到融合特征，根据融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置，根据连通性损失函数、左参考边界的位置和右参考边界的位置计算得到道路区域的左边界的位置和右边界的位置。由于在本申请的技术方案中，通过设置连通性损失函数的方式来计算出道路区域的左边界的位置和右边界的位置，使得所得到的道路区域的左边界和右边界是连通的，提高了检测得到的道路边界的准确率。

以及，通过基于U-Net生成的特征金字塔对目标道路图像进行特征提取得到道路区域的多层特征图，对上采样后的各局部特征进行加权融合得到融合特征的方式，可以学习到道路边界丰富的描述特征，可以学习到复杂场景下的道路表观的变化，避免了在复杂场景下，由于道路的纹理并不明显所导致的检测得到的道路边界不准确的情况的发生。

以及，通过建模道路的结构连通性，对于相邻的边界点之间进行连通性约束，从而保证预测的边界点之间的整体一致性。

如图3所示，为本申请所述道路边界检测装置的一个具体实施例。本实施例所述装置，即用于执行上述实施例所述方法的实体装置。其技术方案本质上与上述实施例一致，上述实施例中的相应描述同样适用于本实施例中。本实施例中所述装置包括：

提取模块301，用于对目标道路图像进行特征提取得到多层特征图，并对所述各层特征图包含的局部特征进行加权融合得到融合特征；

预测模块302，用于根据所述融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置；

边界确定模块303，用于根据连通性损失函数、所述左参考边界的位置和所述右参考边界的位置计算得到所述道路区域的左边界的位置和右边界的位置。

本实施例提供的装置可以对目标道路图像进行特征提取得到多层特征图，并对各层特征图包含的局部特征进行加权融合得到融合特征，根据融合特征进行道路边界预测，得到道路区域的左参考边界的位置和右参考边界的位置，根据连通性损失函数、左参考边界的位置和右参考边界的位置计算得到道路区域的左边界的位置和右边界的位置。由于在本申请的技术方案中，通过设置连通性损失函数的方式来计算出道路区域的左边界的位置和右边界的位置，使得所得到的道路区域的左边界和右边界是连通的，提高了检测得到的道路边界的准确率。

在一种实现方式中，所述提取模块301，可以包括：

提取子模块，用于通过基于U-Net生成的特征金字塔对目标道路图像进行特征提取得到道路区域的多层特征图；

上采样子模块，用于对各层特征图包含的局部特征进行双线性插值上采样；

融合子模块，用于对上采样后的各局部特征进行加权融合得到融合特征。

在一种实现方式中，所述预测模块302，可以包括：

起始点预测子模块，用于根据所述融合特征进行道路端点预测得到道路区域的左边界起始点的位置和右边界起始点的位置；

参考边界预测子模块，用于根据所述左边界起始点的位置、所述右边界起始点的位置和所述融合特征进行边界预测，得到所述道路区域的左参考边界的位置和右参考边界的位置。

在一种实现方式中，所述起始点预测子模块，可以包括：

概率确定单元，用于确定所述融合特征中的左边界起始点在所述目标道路图像中位于每个位置的第一概率以及右边界起始点在所述目标道路图像中位于每个位置的第二概率；

起始点确定单元，用于将所述第一概率中的最大值对应的位置作为所述左边界起始点的位置，将所述第二概率中的最大值对应的位置作为所述右边界起始点的位置。

在一种实现方式中，所述参考边界预测子模块，可以包括：

道路融合特征确定单元，用于根据所述左边界起始点的位置和所述右边界起始点的位置从所述融合特征中确定道路区域对应的道路融合特征；

位置确定单元，用于确定所述道路融合特征中属于左边界的特征点的位置和属于右边界的特征点的位置；

参考边界确定单元，用于由属于左边界的特征点的位置组成所述道路区域的左参考边界的位置，由属于右边界的特征点的位置组成所述道路区域的右参考边界的位置。

在一种实现方式中，所述边界确定模块303，可以包括：

左边界确定子模块，用于根据连通性损失函数对所述左参考边界所包含的相邻左边界点的位置进行连通性约束，将约束后的各左边界点的位置作为所述道路区域的左边界的位置；

右边界确定子模块，用于根据连通性损失函数将所述右参考边界所包含的相邻右边界点的位置进行连通性约束，将约束后的各右边界点的位置作为所述道路区域的右边界的位置。

在一种实现方式中，所述连通性约束为约束相邻边界点的位置是连续的。

图4是本申请实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放执行指令。具体地，执行指令即可被执行的计算机程序。存储器可以包括内存和非易失性存储器，并向处理器提供执行指令和数据。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成道路边界检测装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本申请任一实施例中提供的道路边界检测方法。

上述如本申请图1所示实施例提供的道路边界检测方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。

结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本申请实施例还提出了一种可读介质，该可读存储介质存储有执行指令，存储的执行指令被电子设备的处理器执行时，能够使该电子设备执行本申请任一实施例中提供的道路边界检测方法。

前述各个实施例中所述的电子设备可以为计算机。

本领域内的技术人员应明白，本申请的实施例可提供为方法或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，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。

还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。