[發明專利]一種復雜車路環境的偏振特征多尺度池化分類算法

有效

• 申請號: 202011057118.X
• 申請日: 2020-09-29
• 公開（公告）號: CN112580424B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 王會峰;黃鶴;關麗敏;高榮;溫立民;劉盼芝;張佳佳;王曉艷;趙丹
• 申請（專利權）人: 長安大學
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/774;G06V10/80;G06V10/764;G06V10/82;G06N3/0464
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 李婷

本發明提出了一種針對復雜車路環境的偏振特征多尺度池化分類算法，實現了復雜車路環境下圖像目標的分類。首先對車路環境介質狀況進行分析，探索復雜車路環境下高質量的成像方式；其次基于模擬實驗結果，設計偏振成像方案，并組裝標定三通道成像系統；最后提出多尺度池化的深度語義識別算法，實現車路環境目標的識別分類。實驗結果表明，本發明可以有效提高復雜場景的語義分類識別效果，為復雜車路環境下車輛的安全輔助駕駛行駛視覺感知提供可靠的技術保障。

技術領域

本發明涉及針對復雜車路環境的偏振特征多尺度池化分類算法，具體涉及偏振成像方法及基于深度學習的語義分割算法。

背景技術

目前交通環境感知技術的主要研究分為圖像目標檢測算法和圖像分割算法，其中對車路圖像中的目標分割是最基礎和重要的研究領域之一，而目標分割算法主要分為傳統的機器學習方法和基于卷積神經網絡的深度學習算法。

傳統的圖像分割算法主要分為閾值分割、聚類分割、區域生長等。Kaptur等人提出最佳熵閾值方法，對于無法呈現理想雙峰直方圖的圖像，此方法可以進行良好的分割，不必依賴先驗知識，缺點是該方法計算量巨大，且對閾值變化不敏感；許樹成提出基于模糊聚類的圖像分割算法將模糊C聚類算法結合馬爾可夫隨機場模型，增強圖像分割的魯棒性和空間關聯性；但是由于道路場景的復雜性和類別的豐富性，傳統的圖像分割方法效果仍有待提高。近年來，深度學習技術引起了各領域的廣泛關注，也被嘗試應用于圖像分割，傳統的卷積神經網絡模型需要耗費大量的時間和計算量，且在數據集較小的情況下極容易出現過擬合現象，通過引用遷移學習，加速卷積神經網絡的訓練過程。引用遷移學習方法后，卷積神經網絡模型在訓練速度以及準確率上都能得到大幅度的提高。目前車路環境下對圖像進行分析進而實現分類識別的方法主要針對可見光圖像，在路況條件復雜、光線差(如霧霾、夜色、黃昏和雨天等)的情況下，很多感知技術難以發揮其應用效能，但這些環境又不可避免，這為車路環境感知技術的研究帶來了挑戰。相比于分析圖像目標強度信息，探測目標的偏振信息可以獲得更多的有效信息，偏振光與目標場景相互作用后的散射光中包含更多目標本身特有的特征信息，因此基于偏振光成像可以降低多次散射的影響，提高成像質量，將偏振視覺圖像應用于復雜車路環境目標的識別分類，能夠提高復雜場景的語義分類識別效果。

然而在智能交通領域，還未檢索到完全利用偏振信息與深度學習技術相融合，并用于增強復雜車路環境下車輛的安全輔助駕駛行駛視覺感知相關技術。

發明內容

為了解決現有技術存在的技術問題，本發明的目的在于提供一種針對復雜車路環境的偏振特征多尺度池化分類算法,實現車路環境目標的識別分類。

為達實現上述技術任務，本發明采用了如下技術方案予以解決：

一種復雜車路環境的偏振特征多尺度池化分類算法，包括以下步驟：

1)獲取并分析車路環境介質信息；

2)設計偏振成像方案，構建三通道成像系統得到偏振圖像特征；

3)利用多尺度池化算法對偏振圖像特征進行融合；

4)輸出車路環境目標識別與分類結果。

進一步地，其中步驟2)具體包括以下步驟：設計三通道并列排布成像光路，每個通道均由CCD探測器和偏振片構成；在xoy平面，β為偏振片方向與x軸夾角，將β分別取0°、60°和120°，實時獲取同一場景的三個不同偏振方向的光強圖像，對獲取到的不同偏振方向的光強圖像進一步計算得到Stokes的三個參量I、Q、U參量信息和車路環境目標的偏振信息。

上述步驟3)具體包括以下步驟：使用網絡模型作為預訓練模型，用多尺度池化結構代替網絡的最后一層普通池化層，融合復雜車路目標不同尺度的多個偏振圖像特征。