地面印刷物的边界提取方法技术

本申请提供了一种地面印刷物的边界提取方法，该方法包括：获取待分割的地面印刷物栅格图像；对所述地面印刷物栅格图像进行深度学习的首次分割，获取所述地面印刷物栅格图像中地面印刷物的属性类别信息和掩膜二值化图像；利用图像矩技术对所述属性类别信息和所述掩膜二值化图像进行先验模板定位和匹配，形成先验符号距离约束函数并根据所述先验符号距离约束函数生成先验形状约束项能量函数；构造水平集分割模型的整体能量函数，所述整体能量函数包括所述先验形状约束项能量函数和根据所述待分割的地面印刷物栅格图像生成的数据驱动项能量函数；求解所述水平集分割模型的整体能量函数得到所述地面印刷物的边界轮廓。能量函数得到所述地面印刷物的边界轮廓。能量函数得到所述地面印刷物的边界轮廓。

【技术实现步骤摘要】
地面印刷物的边界提取方法


[0001]本说明书一般涉及导航定位
，尤其涉及一种地面印刷物的边界提取方法。

技术介绍

[0002]道路内部独立地面印刷物的几何边界信息是高精地图最重要的组成部分之一，它能为构建智慧城市一和自动驾驶导航算法提供关键的参考信息。栅格图是提取道路独立地面印刷物几何边界信息的主要数据源之一。传统的高精地图生产环节，道路独立地面印刷物的边界提取仍然以手工为主。这部分工作的自动化程度会直接影响到高精地图的生产效率和更新的频率。
[0003]目前已有的另一种方式主要是利用深度学习算法进行独立地面印刷物的分割提取。但是由于栅格图中独立地面印刷物分割问题的复杂性，例如，如车辆遮挡，栅格图分辨率导致的像素化导致独立地面印刷物模糊不清，独立地面印刷物所在区域遭受磨损缺失或者与周围地面无明显界限，独立地面印刷物所在区域存在不同的光照条件(例如，强光、阴阳光等)，其分割的准确度和鲁棒性一直是实现自动化的阻碍。
[0004]利用深度学习技术对目标进行分割的方法中，首先利用深度学习网络进行深度特征提取，利用深度特征对目标进行分类和检测，并在检测过程中形成掩膜网络分支进行图像分割。受限于掩膜的大小和二次特征池化，其最终生成的分割掩膜还原到原始图像大小时会造成位置的精度损失较大从而使得分割结果的不准确，同时训练的真值图像存在标签标记噪声，尤其在分割的目标和背景交界处存在尖锐的边界或者模糊的弱边界时很难保证标签信息的高质量标记，这些原因都造成了分割边界结果的不准确性。

技术实现思路

[0005]为了解决现有技术中的技术问题，本申请提供了一种地面印刷物的边界提取方法，实现地面印刷物边界轮廓的自动提取，具有高鲁棒性和良好的目标边界分割的准确性。
[0006]本申请的一实施例中公开了一种地面印刷物的边界提取方法，包括：
[0007]获取待分割的地面印刷物栅格图像；
[0008]对所述地面印刷物栅格图像进行深度学习的首次分割，获取所述地面印刷物栅格图像中地面印刷物的属性类别信息和掩膜二值化图像；
[0009]利用图像矩技术对所述属性类别信息和所述掩膜二值化图像进行先验模板定位和匹配，形成先验符号距离约束函数并根据所述先验符号距离约束函数生成先验形状约束项能量函数；
[0010]构造水平集分割模型的整体能量函数，所述整体能量函数包括所述先验形状约束项能量函数和根据所述待分割的地面印刷物栅格图像生成的数据驱动项能量函数；
[0011]求解所述水平集分割模型的整体能量函数得到所述地面印刷物的边界轮廓。
[0012]在一优选例中，构造水平集分割模型的整体能量函数的步骤，进一步包括：
[0013]计算所述水平集分割模型的水平集演化曲线的曲率，所述整体能量函数还包括所述曲率，所述曲率作为所述整体能量函数的正则项。
[0014]在一优选例中，构造水平集分割模型的整体能量函数的步骤，进一步包括：
[0015]在所述整体能量函数中所述先验形状约束项能量函数和所述数据驱动项能量函数具有不同的权重。
[0016]在一优选例中，所述先验形状约束项能量函数为E
prior
＝w∫
Ω
(H(Ψ)-H(φ))2dx dy，其中，φ为水平集函数，Ψ为所述先验符号距离约束函数，H为Heavside函数,w为权重系数，Ω表示整个图像域。
[0017]在一优选例中，所述数据驱动项能量函数为
[0018][0019]其中，φ为水平集函数，I
image
为所述待分割的地面印刷物的栅格图像，H为Heavside函数,Ω表示整个图像域。
[0020]在一优选例中，求解所述水平集分割模型得到所述地面印刷物的边界轮廓的步骤，进一步包括：
[0021]采用欧拉-拉格朗日方程进行迭代求解所述水平集分割模型的整体能量函数的极小值，当所述整体能量函数达到极小值或迭代达到最大次数时，采用水平集演化曲线停止时的轮廓曲线作为所述地面印刷物的边界。
[0022]在一优选例中，所述利用图像矩技术对所述属性类别和所述掩膜二值化图像进行先验模板定位和匹配，形成先验符号距离约束函数并根据所述先验符号距离约束函数生成先验形状约束项能量函数的步骤，进一步包括：
[0023]根据所述属性类别选择先验模板；
[0024]根据所述先验模板和所述二值化掩膜图像计算转移矩阵，根据所述转移矩阵得到所述先验模板的定位和匹配位置；
[0025]根据所述转移矩阵和所述先验模板得到所述先验符号距离约束函数；
[0026]根据所述先验符号距离约束函数得到所述先验形状约束项能量函数。
[0027]在一优选例中，所述属性类别信息包括直行箭头、带转弯的直行箭头、左转箭头、右转箭头和菱形中的至少一种。
[0028]在一优选例中，还包括：
[0029]计算所述地面印刷物的边界轮廓的面积；
[0030]去除所述面积小于预定阈值的待分割的地面印刷物。
[0031]在一优选例中，还包括：
[0032]提取所述地面印刷物的边界轮廓的坐标信息并投影至空间地理坐标系。
[0033]相对于现有技术，本申请具有以下有益效果：
[0034]本专利技术中，能够实现全自动提取道路地面独立印刷物的边界轮廓信息。该算法具有高鲁棒性和良好的目标边界分割的准确性，可用于高精度地图生产中独立地面印刷物边界位置的准确提取。
[0035]本说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本说明书上述
技术实现思路
中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均应该视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征A+B+C，在另一个例子中公开了特征A+B+D+E，而特征C和D是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征E技术上可以与特征C相组合，则，A+B+C+D的方案因技术不可行而应当不被视为已经记载，而A+B+C+E的方案应当视为已经被记载。
附图说明
[0036]参考以下附图描述本申请的非限制性和非穷举性实施例，其中除非另有说明，否则相同的附图标记在各个视图中指代相同的部分。
[0037]图1是根据本说明书一个实施例中一种地面印刷物的边界提取方法的流程图。
[0038]图2是根据本说明书一个实施例中一种地面印刷物的边界提取方法的更详细的流程图。
[0039]图3(a)和图3(b)分别是现有技术与本专利技术中提取直行箭头边界的结果示意图。
[0040]图4(a)和图4(b)分别是现有技术与本专利技术中提取左转箭头边界的结果示意图。
[0041]图5(a)和图5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地面印刷物的边界提取方法，其特征在于，包括：获取待分割的地面印刷物栅格图像；对所述地面印刷物栅格图像进行深度学习的首次分割，获取所述地面印刷物栅格图像中地面印刷物的属性类别信息和掩膜二值化图像；利用图像矩技术对所述属性类别信息和所述掩膜二值化图像进行先验模板定位和匹配，形成先验符号距离约束函数并根据所述先验符号距离约束函数生成先验形状约束项能量函数；构造水平集分割模型的整体能量函数，所述整体能量函数包括所述先验形状约束项能量函数和根据所述待分割的地面印刷物栅格图像生成的数据驱动项能量函数；求解所述水平集分割模型的整体能量函数得到所述地面印刷物的边界轮廓。2.如权利要求1所述的地面印刷物的边界提取方法，其特征在于，构造水平集分割模型的整体能量函数的步骤，进一步包括：计算所述水平集分割模型的水平集演化曲线的曲率，所述整体能量函数还包括所述曲率，所述曲率作为所述整体能量函数的正则项。3.如权利要求1所述的地面印刷物的边界提取方法，其特征在于，构造水平集分割模型的整体能量函数的步骤，进一步包括：在所述整体能量函数中所述先验形状约束项能量函数和所述数据驱动项能量函数具有不同的权重。4.如权利要求1所述的地面印刷物的边界提取方法，其特征在于，所述先验形状约束项能量函数为E
prior
＝w∫
Ω
(H(Ψ)-H(φ))2dxdy，其中，φ为水平集函数，Ψ为所述先验符号距离约束函数，H为Heavside函数，w为权重系数，Ω表示整个图像域。5.如权利要求1所述的地面印刷物的边界提取方法，其特征在于，所述数据驱动项能量函数为E
Data
＝∫
Ω
(I
image-C
in
)2H(φ)...

【专利技术属性】
技术研发人员：李雨朋，
申请(专利权)人：千寻位置网络有限公司，
类型：发明
国别省市：