[發明專利]一種基于多尺度信息道路可行駛區域分割方法

在審

• 申請號: 202010565430.3
• 申請日: 2020-06-19
• 公開（公告）號: CN111882620A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 蔡英鳳;張田田;王海;李祎承;陳小波;孫曉強;陳龍;徐興
• 申請（專利權）人: 江蘇大學
• 主分類號: G06T7/90
• 分類號: G06T7/90;G06T7/11;G06N3/04;G06K9/62;G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于多尺度信息道路可行駛區域分割方法，包括：選取BDD100K可行使區域分割數據集，作為分割網絡訓練的訓練數據集及驗證數據集；構建基于多尺度信息道路分割網絡，使用訓練集訓練所述的分割網絡，提出新的損失函數最小化為網絡優化目標函數，優化分割網絡；使用在驗證集驗證的最優模型，對實車道路場景下可行駛區域檢測和分割。本發明使用改進后的ResNet?101網絡提取特征，其最后兩個卷積塊由空洞卷積代替以提高模型的分辨率，從而提高模型的檢測準確率。提出新的損失函數，解決了訓練正負樣本不均衡問題，實現更準確地完成道路行駛區域分割的無人駕駛感知任務。

技術領域

本發明屬于智能汽車感知領域，具體地指一種道路可行使區域檢測方法。

背景技術

智能車是一個包括感知、決策及控制的復雜系統，環境感知是路徑規劃和決策控制的重要前提，基于攝像頭的道路可行駛區域檢測是環境感知的關鍵內容之一，對于車道偏離預警、車道保持等ADAS系統開發以及自主駕駛的路徑規劃具有重要影響。

傳統方法的語義分割主要利用圖像的灰度、顏色、紋理和形狀對圖像進行區域劃分，檢測魯棒性差；當前，越來越多的基于深度學習的分割網絡，如SegNet、FCN等，在圖像分割中得到了大量的研究。由于這些分割網絡中的池化和步長大于1的卷積操作起到了下采樣的作用，輸出特征圖像尺寸的降低，導致像素細節信息丟失。并且沒有充分考慮到訓練網絡中正負樣本的數量不均衡問題。

發明內容

本發明的目的是克服上述現有技術的缺陷，提供一種可靠的可行駛區域檢測方法，更快速、更準確地完成道路可行駛區域檢測。

為了實現上述目的，本發明采用的技術方案是：一種基于多尺度信息道路可行駛區域分割方法，該方法包括以下步驟：

步驟1、構建基于多尺度信息道路可行駛區域分割網絡，所述分割網絡包括特征提取模塊、并行空洞卷積模塊、道路可行駛區域分割模塊；

步驟2、選取BDD100K可行使區域分割數據集，作為道路可行駛區域分割網絡訓練用的訓練數據集及驗證數據集；

步驟3、使用訓練集訓練所述的道路可行駛區域的分割網絡，并提出新的損失函數最小化為網絡優化目標函數，優化分割網絡；

步驟4、使用在驗證集上驗證的最優模型，對實車道路場景下可行駛區域檢測和分割。

具體地，所述道路可行駛區域分割網絡，主要包括特征提取模塊和并行空洞卷積模塊，道路可行使區域分割模塊。

所述特征提取模塊用于提取道路可行駛區域的多層特征圖，通過全卷積神經網絡ResNet-101對RGB圖像進行特征提取，其在特征提取過程中，越往后得到的特征圖尺寸越小，感受野越大，語義信息更加豐富，但連續的下采樣會丟失大量的像素細節信息，本發明ResNet-101網絡最后兩個卷積模塊由空洞卷積模塊替代，以提高模型的分辨率，從而提高模型的檢測準確率。

所述并行空洞卷積模塊用于根據特征提取模塊提取到的特征圖，分別以不同膨脹率的空洞卷積并行采樣，最終特征圖合并在一起用于道路可行駛區域分割模塊的解碼，能夠更好地捕獲目標與圖像上下文多尺度信息，很好地解決了道路場景下普遍存在地多尺度問題。

所述道路可行駛區域分割模塊用于根據并行空洞卷積模塊輸出的特征圖，對其進行解碼，完成對道路可行駛區域的分割。

進一步的，所述特征提取模塊由通過改進的全卷積神經網絡ResNet-101對RGB圖形進行特征提取，所述改進的全卷積神經網絡ResNet-101由4個編碼單元串聯組成，第一個編碼單元是1*步長為2的殘差卷積層、2*維度不變卷積層；第二個編碼單元是1*步長為2的殘差卷積層、3*維度不變卷積層；第三個編碼單元是1*膨脹率為2的空洞卷積層、22*維度不變卷積層；第四個編碼單元是1*膨脹率為2的空洞卷積層、2*維度不變卷積層。