[發(fā)明專利]一種基于監(jiān)督學(xué)習(xí)的深度自動編碼器的道路分割方法

有效

• 申請?zhí)枺?/td>: 201810218531.6
• 申請日: 2018-03-16
• 公開（公告）號: CN108537132B
• 公開（公告）日: 2021-10-01
• 發(fā)明（設(shè)計）人: 芮挺;宋小娜;王新晴;何雷;周遊;楊成松;方虎生;王東;張賽;周飛;張釜凱
• 申請（專利權(quán)）人: 中國人民解放軍陸軍工程大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62
• 代理公司: 南京天翼專利代理有限責(zé)任公司 32112
• 代理人: 奚銘

一種基于監(jiān)督學(xué)習(xí)的深度自動編碼器的道路分割方法，針對傳統(tǒng)分割方法存在的分割精度不高、實時性不好，基于全卷積網(wǎng)絡(luò)的語義分割方法存在的網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、參數(shù)調(diào)優(yōu)繁瑣、訓(xùn)練周期長等問題，在傳統(tǒng)的自動編碼器模型中加入監(jiān)督層，通過監(jiān)督學(xué)習(xí)機(jī)制來抽取有利于道路圖像分割的特征，實現(xiàn)道路圖像語義分割。本發(fā)明的監(jiān)督學(xué)習(xí)機(jī)制促使網(wǎng)絡(luò)結(jié)構(gòu)著重學(xué)習(xí)區(qū)域的輪廓、邊界等信息而忽略與分割無關(guān)的圖像細(xì)節(jié)，取得了更好的道路分割效果。并且本發(fā)明所提出的方法模型簡單、訓(xùn)練時間和運行時間都遠(yuǎn)低于Segnet網(wǎng)絡(luò)，這對實時性要求很高的道路識別而言是極其關(guān)鍵的。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)視覺技術(shù)領(lǐng)域，涉及智能車輛和無人駕駛車輛，具體為一種基于監(jiān)督學(xué)習(xí)的深度自動編碼器的道路分割方法。

背景技術(shù)

無人駕駛車輛道路環(huán)境感知問題一直以來是研究的熱點，基于機(jī)器視覺的道路環(huán)境感知方法是其研究重點之一，這類方法主要利用車載攝像機(jī)拍攝車輛行駛前方道路圖像，利用圖像處理和模式識別方法實現(xiàn)道路圖像分割，圖像語義分割就是機(jī)器自動從圖像中分割出對象區(qū)域，并識別其中的內(nèi)容，確定無人駕駛車輛的可行駛區(qū)域。

傳統(tǒng)的圖像分割方法大多是基于圖像本身的特征提取，需要先在圖像上生成不同的區(qū)域，再在區(qū)域上提取特征，對區(qū)域進(jìn)行分類合并才能得到最終語義分割的結(jié)果，過程比較復(fù)雜，并且效果也有待提升。隨著深度學(xué)習(xí)持續(xù)升溫，實踐中已證明深度卷積神經(jīng)網(wǎng)絡(luò)對圖像特征的提取具有很大的優(yōu)勢，但基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割實時性不好、分割精度也有待提升。2015年，Long等人提出了基于全卷積網(wǎng)絡(luò)(Fully ConvolutionalNetworks，F(xiàn)CN)的語義分割方法，為語義分割方法提供了一個新思路，此后大量基于FCN的圖像語義分割算法層出不窮，語義分割性能得到提升。但是該網(wǎng)絡(luò)結(jié)構(gòu)非常復(fù)雜，參數(shù)調(diào)優(yōu)過程漫長，網(wǎng)絡(luò)訓(xùn)練周期在高性能GPU上仍需高達(dá)幾周時間。

發(fā)明內(nèi)容

本發(fā)明要解決的問題是：針對傳統(tǒng)分割方法存在的分割精度不高、實時性不好，基于全卷積網(wǎng)絡(luò)的語義分割方法存在的網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、參數(shù)調(diào)優(yōu)繁瑣、訓(xùn)練周期長等問題，提出一種簡潔有效的道路分割方法。

本發(fā)明的技術(shù)方案為：一種基于監(jiān)督學(xué)習(xí)的深度自動編碼器的道路分割方法，用于確定智能車輛或無人駕駛車輛的可行駛道路區(qū)域，首先在自動編碼器模型中加入監(jiān)督層，將已知的道路環(huán)境圖像作為訓(xùn)練樣本，利用訓(xùn)練樣本的分割圖作為監(jiān)督信息，得到有監(jiān)督的單層自動編碼器，通過訓(xùn)練樣本訓(xùn)練后得到有監(jiān)督的單層自動編碼器模型；接著，建立一個有監(jiān)督的深度自動編碼器模型來抽取道路環(huán)境分割的深層特征，所述深度自動編碼器模型由所述單層自動編碼器模型多層堆疊而得，利用訓(xùn)練樣本和其道路環(huán)境分割圖，訓(xùn)練得到所述深度自動編碼器模型；最后加載測試樣本得到其語義分割圖，通過圖像處理確定道路環(huán)境圖像的可行駛道路區(qū)域。

所述有監(jiān)督的深度自動編碼器模型的建立為：將深度自動編碼器模型的訓(xùn)練分為三組，每組的訓(xùn)練都基于一個單層自動編碼器，每一組訓(xùn)練模型是獨立的，但整個訓(xùn)練過程中三組是相互關(guān)聯(lián)的，三組單層自動編碼器分別為：

1.1)第一組單層自動編碼器以原始道路環(huán)境圖像X作為輸入X₁，道路分割標(biāo)簽圖X_label作為監(jiān)督，輸出的重構(gòu)數(shù)據(jù)用表示，進(jìn)行監(jiān)督學(xué)習(xí)，以減小重構(gòu)數(shù)據(jù)與標(biāo)簽數(shù)據(jù)X_label的誤差；

1.2)第二組單層自動編碼器提取第一組通過監(jiān)督學(xué)習(xí)輸出的重構(gòu)數(shù)據(jù)作為輸入 X₂，再一次與道路標(biāo)簽數(shù)據(jù)X_label一起進(jìn)行監(jiān)督學(xué)習(xí)，進(jìn)一步減小重構(gòu)數(shù)據(jù)與標(biāo)簽數(shù)據(jù)X_label的誤差；

1.3)第三組單層自動編碼器以第一組模型中學(xué)習(xí)的特征編碼H₁作為輸入X₃，以第二組模型中的學(xué)習(xí)的特征編碼H₂作為監(jiān)督，進(jìn)行監(jiān)督學(xué)習(xí)，得到重構(gòu)數(shù)據(jù)