[發明專利]一種結構性目標高精度分割方法、電子設備及存儲介質

有效

• 申請號: 201911332026.5
• 申請日: 2019-12-21
• 公開（公告）號: CN110991415B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 熊跡;何云;何豪杰;周智穎;劉奮
• 申請（專利權）人: 武漢中海庭數據技術有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/26
• 代理公司: 武漢藍寶石專利代理事務所(特殊普通合伙) 42242
• 代理人: 謝洋

本發明提供一種結構性目標高精度分割方法、電子設備及存儲介質，該方法包括：獲取采集的交通場景圖像，將所述交通場景圖像剪裁至預定大小；對剪裁后的交通場景圖像進行卷積計算得到特征矩陣，對所述特征矩陣進行下采樣和上采樣后，與基于ASPP模塊和注意力機制處理后的特征矩陣疊加得到目標特征矩陣；將所述目標特征矩陣經過sigmoid函數分類輸出，以檢測分割所述交通場景圖像中交通要素。通過該方案解決了現有語義分割方法目標分割精度不高的的問題，可以有效提高交通要素檢測分割精度，使訓練模型具有更強識別能力。

技術領域

本發明涉及計算機視覺領域，尤其涉及一種結構性目標高精度分割方法、電子設備及存儲介質。

背景技術

在自動駕駛領域，需要通過安裝在車上攝像頭，對交通場景中的道路、指示牌等要素進行識別分析，以便駕駛系統進一步根據場景作出決策。因此，圖像中的目標識別準確度，很大程度會影響車輛行駛的安全性。

圖像語義分割作為圖像處理領域的基礎，可以準確識別分割圖像中的目標區域，一般基于深度學習的語義分割方法有基于全卷積的語義分割，以及基于上下文信息的語義分割方法，這兩種方法雖然一定程度可以提高目標分割精度，但對于一些不清晰或殘缺圖像處理，目標分割精度不高，效果較為一般。

發明內容

有鑒于此，本發明實施例提供了一種結構性目標高精度分割方法、電子設備及存儲介質，以解決現有語義分割方法目標分割精度不高的問題。

在本發明實施例的第一方面，提供了一種結構性目標高精度分割方法，包括：

獲取采集的交通場景圖像，將所述交通場景圖像剪裁至預定大小；

對剪裁后的交通場景圖像進行卷積計算得到特征矩陣，對所述特征矩陣進行下采樣和上采樣后，與基于ASPP模塊和注意力機制處理后的特征矩陣疊加得到目標特征矩陣；

將所述目標特征矩陣經過sigmoid函數分類輸出，以檢測分割所述交通場景圖像中交通要素。

在本發明實施例的第二方面，提供了一種用于結構性目標高精度分割的電子設備，包括：

剪裁模塊，用于獲取采集的交通場景圖像，將所述交通場景圖像剪裁至預定大小；

處理模塊，用于對剪裁后的交通場景圖像進行卷積計算得到特征矩陣，對所述特征矩陣進行下采樣和上采樣后，與基于ASPP模塊和注意力機制處理后的特征矩陣疊加得到目標特征矩陣；

分割模塊，用于將所述目標特征矩陣經過sigmoid函數分類輸出，以檢測分割所述交通場景圖像中交通要素。

在本發明實施例的第三方面，提供了一種電子設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如本發明實施例第一方面所述方法的步驟。

本發明實施例的第四方面，提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現本發明實施例第一方面提供的所述方法的步驟。

本發明實施例中，通過獲取采集的交通場景圖像，將所述交通場景圖像剪裁至預定大小，對剪裁后的交通場景圖像進行卷積計算得到特征矩陣，對所述特征矩陣進行下采樣和上采樣后，與基于ASPP模塊和注意力機制處理后特征矩陣疊加得到目標特征矩陣；將所述目標特征矩陣經過sigmoid函數分類輸出，以檢測分割所述交通場景圖像中交通要素，從而解決了現有語義分割方法目標分割精度不高的問題，基于上采樣和下采樣，通過ASPP模塊和注意力機制處理可以提高交通要素分割精度，獲取采集圖像中的更多信息，減少殘缺目標生成。在原有網絡模型上將ASPP算法和Attention機制相融合，可實現精度，泛化能力，以及分類能力的提升，使訓練出來的模型具有更強的識別能力。

附圖說明