[发明专利]一种基于全卷积神经网络和条件随机场的道路分割系统及方法

权利要求书

1.一种基于全卷积神经网络和条件随机场的道路分割系统，其特征在于，包括：交通场景图像输入模块，用于对交通场景图像的读取；

基于VGG网络的特征自学习与表征模块，用于学习和提取交通场景图像的固有特征；

双线性上采样与转置卷积模块，用于将VGG网络提取的固有特征采用双线性插值方法进行特征图的恢复，并且使恢复后的特征图尺寸和输入的交通场景图像相统一；

Softmax分类识别模块，用于对恢复后的特征图进行像素级分类，判别每一个像素属于路面或者属于背景的概率；

CRF细节优化模块，用于将SoftMax分类识别模块提供的分割结果进一步优化，得到最终的精细道路分割结果。

2.一种基于全卷积神经网络和条件随机场的道路分割方法，其特征在于，包括以下步骤：

步骤1：输入交通场景图像；

步骤2：使用VGG基础神经网络自动学习表征交通场景图像的特征；

步骤3：对VGG基础神经网络自动学习的特征进行转置卷积，使特征图恢复到输入的原始交通场景图像统一的尺寸；转置卷积初始化权重由双线性上采样方法提供；

步骤4：采用Softmax分类器实现对上采样后特征图的像素级类别分类，完成道路分割；

步骤5：采用CRF对道路分割结果进行优化，得到边缘更精细、准确的分割结果。

3.根据权利要求2所述的一种基于全卷积神经网络和条件随机场的道路分割方法，其特征在于，步骤2中使用VGG基础神经网络自动学习表征交通场景图像的特征具体过程为：

步骤2.1：将原始交通场景图像进行减均值预处理，减均值预处理具体为：求得该图像所有像素点的像素值均值，图像中所有的像素点均与所求得的均值作差，作差后的结果，用作训练；

步骤2.2：采用微调的网络训练方式，图像减均值处理后，将图像输入到网络进行训练，微调过程中损失函数定为像素间的交叉熵损失函数，SoftMax给出的分类结果和图像对应的标注图进行像素级的比较，交叉熵损失函数为：

其中：N表示像素的数量，C表示类别的数量，变量t_nc表示第n个像素对应的实际分割区域，变量y_nc为模型的预测输出结果；

步骤2.3：对每一张图像进行若干次迭代训练，通过损失函数值的变化判断模型收敛情况，直到模型达到收敛状态。

4.根据权利要求3所述的一种基于全卷积神经网络和条件随机场的道路分割方法，其特征在于，步骤2.2中微调的网络训练方式采用的优化器选用Adam，学习率设为10^-6。

5.根据权利要求2所述的一种基于全卷积神经网络和条件随机场的道路分割方法，其特征在于，步骤3中双线性上采样方法的计算公式如下：

t(x)＝s(x-(c_n-c_m*T))

式中t(x)表示插值目标像素对应的权重，x为目标像素，T为像素插值倍数，c_n为上采样后的中心像素，公式为：

c_n＝(n-1)/2

n为插值前像素总数量，c_m为原像素中心像素点，公式为：

c_m＝(m-1)/2

m为插值后像素总数量；

式中s(u)公式为：

式中式中S_i为原像素点的第i个像素，f(x)为双线性上采样过滤器，公式为：

以此得到转置卷积的初始权重。