[發明專利]一種基于深度學習的越野環境場景識別方法及系統

有效

• 申請號: 201910667021.1
• 申請日: 2019-07-23
• 公開（公告）號: CN110458047B
• 公開（公告）日: 2023-01-10
• 發明（設計）人: 熊光明;陳晨;丁澤亮;胡宇輝;邸慧軍;齊建永;龔建偉
• 申請（專利權）人: 北京理工大學;北理慧動（北京）科技有限公司;北理慧動（常熟）車輛科技有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V20/56;G06V10/774;G06V10/764
• 代理公司: 北京天達知識產權代理事務所有限公司 11386
• 代理人: 李明里

本發明涉及一種基于深度學習的越野環境場景識別方法及系統，屬于越野環境場景識別技術領域，解決了現有越野環境場景識別時間長、可通過區域提取成本高且提取效果較差的問題。一種基于深度學習的越野環境場景識別方法，包括如下步驟：獲取越野環境場景下拍攝得到的待檢測圖像；對待檢測圖像進行場景識別，處理得到待檢測圖像的煙霧識別結果、揚塵識別結果、自然場景識別結果和道路類型識別結果；根據所述道路類型識別結果對待檢測圖像進行道路語義分割，處理得到待檢測圖像的路面分割結果；在待檢測圖像上統一顯示所述煙霧識別結果、揚塵識別結果、自然場景識別結果、道路類型識別結果及路面分割結果。該方法有效縮短了越野環境場景識別時間。

技術領域

本發明涉及越野環境場景識別技術領域，尤其涉及一種基于深度學習的越野環境場景識別方法及系統。

背景技術

無人駕駛車輛在越野環境中的場景理解任務主要包括對道路的識別與檢測，以及一些特殊場景，如煙霧場景、沙塵環境等的識別。

目前基于深度學習的場景理解算法大多數是針對城市環境而言，不適用于越野環境。城市環境中的道路類型往往是結構化道路，受環境影響較小，而越野環境下的道路類型通常是非結構化道路，道路輪廓不規則，且受天氣影響較大，特征多變，如雨天中的泥濘路面和晴天下的土路的道路特征就不一致，所以一些適用于城市環境的場景理解算法在越野環境下有可能會失效。其次，在場景理解任務中，由于場景復雜度不同，不同場景之間存在交叉關聯性。如越野場景可分為煙霧環境、沙塵環境、土路場景、砂石路場景等等，但目前的場景理解算法往往只檢測某一種場景，實現的是單輸入單輸出的檢測方式，不能滿足復雜越野環境下的單輸入多輸出的場景理解任務需求。

由于針對場景分類任務，對于相同類別的屬性特征，每個深度學習訓練出來的模型只能輸出一種類別的屬性。目前為了實現單輸入多輸出的場景理解任務，可以有兩種實現方式。一種是采取多顯卡配置，每個顯卡運行一個模型，輸出一個屬性結果，多個顯卡承載多個模型，以此實現多輸出的方法。但該方法需要用到多個顯卡，成本高，且每個顯卡只運行一個模型，配置利用率低。另一種實現多輸出的方法是在單個顯卡上依次運行多個模型。將待檢測圖像輸入第一個模型，運行出結果后釋放該模型，然后將待檢測圖像輸入到下一個模型，依次類推，直至將所有模型遍歷一遍。該方法顯卡利用率高，但加載模型和釋放模型的時間消耗過長，不適用于無人駕駛車輛的實車運行。

另外，當無人車在越野環境中行駛時，可通行區域的提取往往依賴多個激光雷達配合檢測，激光雷達成本較高，且使用單一種類的傳感器的檢測效果不佳。

發明內容

鑒于上述的分析，本發明旨在提供一種基于深度學習的越野環境場景識別方法及系統，用以解決現有越野環境場景識別時間長、可通過區域提取成本高且提取效果較差的問題。

本發明的目的主要是通過以下技術方案實現的：

一種基于深度學習的越野環境場景識別方法，包括如下步驟：

獲取越野環境場景下拍攝得到的待檢測圖像；

對待檢測圖像進行場景識別，處理得到所述待檢測圖像的煙霧識別結果、揚塵識別結果、自然場景識別結果和道路類型識別結果；

根據所述道路類型識別結果對所述待檢測圖像進行道路語義分割，處理得到所述待檢測圖像的路面分割結果；

在所述待檢測圖像上統一顯示所述煙霧識別結果、揚塵識別結果、自然場景識別結果、道路類型識別結果及路面分割結果。

在上述方案的基礎上，本發明還做了如下改進：

進一步，所述對待檢測圖像進行場景識別，處理得到所述待檢測圖像的煙霧識別結果、揚塵識別結果、自然場景識別結果、道路類型識別結果，包括：

利用滑動窗口掃描所述待檢測圖像，得到若干個待檢測子區域；