[发明专利]一种基于多尺度信息道路可行驶区域分割方法

说明书

本发明公开了一种基于多尺度信息道路可行驶区域分割方法，包括：选取BDD100K可行使区域分割数据集，作为分割网络训练的训练数据集及验证数据集；构建基于多尺度信息道路分割网络，使用训练集训练所述的分割网络，提出新的损失函数最小化为网络优化目标函数，优化分割网络；使用在验证集验证的最优模型，对实车道路场景下可行驶区域检测和分割。本发明使用改进后的ResNet‑101网络提取特征，其最后两个卷积块由空洞卷积代替以提高模型的分辨率，从而提高模型的检测准确率。提出新的损失函数，解决了训练正负样本不均衡问题，实现更准确地完成道路行驶区域分割的无人驾驶感知任务。

技术领域

本发明属于智能汽车感知领域，具体地指一种道路可行使区域检测方法。

背景技术

智能车是一个包括感知、决策及控制的复杂系统，环境感知是路径规划和决策控制的重要前提，基于摄像头的道路可行驶区域检测是环境感知的关键内容之一，对于车道偏离预警、车道保持等ADAS系统开发以及自主驾驶的路径规划具有重要影响。

传统方法的语义分割主要利用图像的灰度、颜色、纹理和形状对图像进行区域划分，检测鲁棒性差；当前，越来越多的基于深度学习的分割网络，如SegNet、FCN等，在图像分割中得到了大量的研究。由于这些分割网络中的池化和步长大于1的卷积操作起到了下采样的作用，输出特征图像尺寸的降低，导致像素细节信息丢失。并且没有充分考虑到训练网络中正负样本的数量不均衡问题。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种可靠的可行驶区域检测方法，更快速、更准确地完成道路可行驶区域检测。

为了实现上述目的，本发明采用的技术方案是：一种基于多尺度信息道路可行驶区域分割方法，该方法包括以下步骤：

步骤1、构建基于多尺度信息道路可行驶区域分割网络，所述分割网络包括特征提取模块、并行空洞卷积模块、道路可行驶区域分割模块；

步骤2、选取BDD100K可行使区域分割数据集，作为道路可行驶区域分割网络训练用的训练数据集及验证数据集；

步骤3、使用训练集训练所述的道路可行驶区域的分割网络，并提出新的损失函数最小化为网络优化目标函数，优化分割网络；

步骤4、使用在验证集上验证的最优模型，对实车道路场景下可行驶区域检测和分割。

具体地，所述道路可行驶区域分割网络，主要包括特征提取模块和并行空洞卷积模块，道路可行使区域分割模块。

所述特征提取模块用于提取道路可行驶区域的多层特征图，通过全卷积神经网络ResNet-101对RGB图像进行特征提取，其在特征提取过程中，越往后得到的特征图尺寸越小，感受野越大，语义信息更加丰富，但连续的下采样会丢失大量的像素细节信息，本发明ResNet-101网络最后两个卷积模块由空洞卷积模块替代，以提高模型的分辨率，从而提高模型的检测准确率。

所述并行空洞卷积模块用于根据特征提取模块提取到的特征图，分别以不同膨胀率的空洞卷积并行采样，最终特征图合并在一起用于道路可行驶区域分割模块的解码，能够更好地捕获目标与图像上下文多尺度信息，很好地解决了道路场景下普遍存在地多尺度问题。

所述道路可行驶区域分割模块用于根据并行空洞卷积模块输出的特征图，对其进行解码，完成对道路可行驶区域的分割。

进一步的，所述特征提取模块由通过改进的全卷积神经网络ResNet-101对RGB图形进行特征提取，所述改进的全卷积神经网络ResNet-101由4个编码单元串联组成，第一个编码单元是1*步长为2的残差卷积层、2*维度不变卷积层；第二个编码单元是1*步长为2的残差卷积层、3*维度不变卷积层；第三个编码单元是1*膨胀率为2的空洞卷积层、22*维度不变卷积层；第四个编码单元是1*膨胀率为2的空洞卷积层、2*维度不变卷积层。