[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

说明书

本发明公开了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，首先利用深度神经网络良好的特征表征能力，将道路分割视为一个二分类问题，构建一个基于VGG_16深度卷积网络的全卷积网络，实现道路图像端到端的路面和背景分类；然后利用全连接条件随机场能够实现图像精细分割的特点，采用全连接条件随机场对二分类得到的粗糙边缘再进行平滑优化。本发明方法获得了98.13％的分割准确率以及每0.84s处理1幅图像的分割速度，为交通场景图像道路分割提供了一种高效的解决方案。

技术领域

本发明属于计算机视觉领域，具体涉及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。

背景技术

道路分割一直是智能驾驶研究领域中的重要课题。传统的道路分割方法多为基于颜色、纹理、边缘、道路几何形状等图像固有属性的研究。基于颜色的分割算法有鲁棒Gauss法，K-means聚类，最近邻法等。此类算法往往对路面阴影、积水等干扰敏感，分割性能易衰减。Catmull-Rom样条模型和B-Snake模型，该类方法要求道路边缘轮廓清晰，以便于控制点的选取，但该类方法过分依赖控制点，建模条件复杂，对边缘不清晰的路面没有很好的分割能力。

卷积神经网络广泛应用在计算机视觉领域，并取得突破性进展。但是传统的卷积神经网络使用较大的接受域，导致图像分割结果边缘粗糙，同时由于最大池化的使用，每一池化层只提取最明显特征，导致进一步加重了分割边缘粗糙的问题。条件随机场是Lafferty等针对标注问题提出的，是一种判别式概率无向图学习模型，但仅对同类特征或相似特征的组合具有优势，并且通常在观察数据的分布具有长距离依赖的情况下才具有良好的标注性能，不能很好的适用于其他情况。

发明内容

本发明的目的在于提供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，以克服上述现有技术存在的缺陷，本发明能够对自然场景下的交通场景进行有效的特征表征，显著改善了分割的正确率，提升分割精细程度，为高精度交通场景理解提供了一种高效的解决方案。

为达到上述目的，本发明采用如下技术方案：

一种基于全卷积神经网络和条件随机场的道路分割系统，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自身特征；双线性上采样与转置卷积模块，用于将SoftMax分类识别模块提取的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，用于将恢复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分割边缘优化模块，用于将全卷积神经网络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。

其中，基于VGG网络的特征自学习与表征模块包括卷积神经网络特征表征模块，将原始交通场景图像进行减均值预处理后，用于从减均值后的图像中提取交通场景图像自身固有特征，通过最大池化稀疏提取特征数量，保留有效特征，进而获得用于道路分割的特征；双线性上采样与转置卷积模块包括转置卷积，用于将VGG网络自提取的特征恢复到与输入的交通场景图像相同的尺寸，转置卷积过程中，由双线性上采样提供转置卷积核的初始化权重；Softmax分类识别模块具体用于对双线性上采样和转置卷积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背景的类别概率；CRF优化模块具体是首先以SoftMax分类识别模块给出的分类结果作为CRF能量函数的一元势函数，以此作为初始化类别，进而结合图像自身颜色与位置信息构造二元势函数，最后以平均场近似的求解方式，解CRF图模型，优化道路分割结果。

一种基于全卷积神经网络和条件随机场的道路分割方法，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；