[發明專利]一種基于空間特征聚合的道路目標檢測識別方法

有效

• 申請號: 202110864396.4
• 申請日: 2021-07-29
• 公開（公告）號: CN113569750B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 鄭培健;陳建邦;朱明
• 申請（專利權）人: 上海動亦科技有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/764;G06V10/80;G06V10/82;G06V10/774;G06V10/40;G06N3/0464;G06N3/082
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 翁惠瑜

本發明涉及一種基于空間特征聚合的道路目標檢測識別方法，包括：將待測車道圖輸入訓練好的道路目標檢測模型，獲得道路目標預測圖；所述的道路目標檢測模型包括特征提取器、特征融合模塊、分類模塊和上采樣模塊，所述的待測車道圖輸入特征提取器，獲得第一特征圖，所述的第一特征圖輸入特征融合模塊，進行特征融合，獲得第二特征圖，所述的第二特征圖輸入分類模塊，輸出第二特征圖上的道路目標預測位置，包含道路目標預測位置的第二特征圖輸入上采樣模塊，獲得與待測車道圖尺寸一致的道路目標預測圖。與現有技術相比，本發明具有識別精度高、實時性好等優點。

技術領域

本發明涉及一種道路交通圖像識別技術，尤其是涉及一種基于空間特征聚合的道路目標檢測識別方法。

背景技術

車道線檢測作為無人駕駛中是最重要的功能之一，它是無人叉車正常進行倉庫道路行駛必須具備的能力。

目前的車道線檢測算法主要劃分為兩種：基于傳統特征提取的方法和基于深度學習的方法。傳統的檢測算法利用車道線本身的結構信息，借助人為設計的低級特征(顏色特征、線分割特征、霍夫變換特征等)識別車道線。這種方法對復雜的場景魯棒性較差。而深度學習方法通過對大量數據樣本進行訓練學習，故對多種車道線識別能力較強。

現今的CNN模型通常是由卷積塊堆疊構建，雖然CNN有強大的特征提取能力，可以提取到圖像的語義信息，但現存CNN架構沒有足夠充分探索圖像行和列上的空間關系能力，這些關系對于學習強先驗形狀的對象很重要，尤其是外觀連貫性很弱。例如交通線，車道經常會被遮擋，或者壓根就沒在路上畫車道線。現存CNN架構所提取到的特征僅為局部特征，對于特征圖上的每個點來說，既沒有考慮到感受野之外的像素信息，也沒有考慮到感受野內的點與點之間的相關性。文獻《Spatial?As?Deep:Spatial?CNN?for?Traffic?SceneUnderstanding》提出了本文提出了Spatial?CNN(SCNN)模型，它將傳統的卷積層接層的連接形式的轉為feature?map中片連片卷積(slice-by-slice)的形式，使得圖中像素行和列之間能夠傳遞信息，如圖3，SCNN模型先將特征圖進行切片，然后再按照下、上、右、左的順序進行卷積以獲取各行各列像素間的空間信息。

但對于現有的SCNN模型，特征在長距離的傳播過程中會丟失信息，導致特征圖失真，進而導致后續的車道線識別精度降低。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于空間特征聚合的道路目標檢測識別方法，識別精度高，實時性好。

本發明的目的可以通過以下技術方案來實現：

一種基于空間特征聚合的道路目標檢測識別方法，包括：

將待測車道圖輸入訓練好的道路目標檢測模型，獲得道路目標預測圖；

其中，所述的道路目標檢測模型包括特征提取器、特征融合模塊、分類模塊和上采樣模塊，所述的待測車道圖輸入特征提取器，獲得第一特征圖，所述的第一特征圖輸入特征融合模塊，進行特征融合，獲得第二特征圖，所述的第二特征圖輸入分類模塊，輸出第二特征圖上的道路目標預測位置，包含道路目標預測位置的第二特征圖輸入上采樣模塊，獲得與待測車道圖尺寸一致的道路目標預測圖；

所述的特征融合過程包括：

對第一特征圖X₁進行迭代融合，所述的迭代融合的計算公式為：

X₁^k+1＝L_k(R_k(U_k(D_k(X₁^k)))),k＝1,2,…,K