[发明专利]一种基于视觉注意机制的自主学习导航方法

说明书

本发明提供了一种基于视觉注意机制的自主学习导航方法，该方法使用发育神经网络作为核心算法，同时加入受人类视觉系统启发的视觉注意机制，在接收图像传感器输入的同时，只需要接收前两个时刻的导航引导信息，即可持续不断的输出正确的导航信息，由于注意机制的加入，该方法对复杂和多噪声的导航环境也有很好的鲁棒性。

技术领域

本发明涉及计算机视觉、信息技术技术领域，尤其涉及一种基于视觉注意机制的自主学习导航方法。

背景技术

视觉辅助导航是智能车辆导航领域的研究热点之一。系统基于对车辆周围场景的图像信息的采集和分析，产生对行驶行为的参考信息，从而消除驾驶过程中的危险驾驶因素。基于视觉的导航辅助系统已经在智能驾驶的诸如车道偏离预警(LDW)、前向碰撞预警(FCW)、车道保持辅助(LKA)和全景泊车(SVP)等具体应用中显示出强大的性能。相比于传统的超声波雷达、激光雷达、毫米波雷达等多模态导航技术，图像传感器采集到的数据可以通过稀疏化手段极大地压缩，对于车载计算机的计算资源需求很小，更加经济高效。

在传统的工作模式中，视觉导航技术通常采用深度卷积网络对采集的图像进行语义分割，分离出车道与非车道像素，然后通过控制算法对车辆行驶过程进行校正。然而，由于其训练过程需要大量标注数据，且采集到的数据难以覆盖所有驾驶环境，导致训练好的模型泛化能力较差，无自学习能力的模型影响了系统在陌生环境中的性能。同时，由于图像中背景信息的冗余，带来的噪声和干扰也会极大地降低模型的训练速度和鲁棒性。本发明提出了一种基于视觉注意机制的可自主学习导航方法用于提高视觉导航系统对背景噪声的抗干扰能力和对陌生环境的泛化能力。

为了解决传统方法的对未知环境的泛化能力和对背景噪声的抗干扰能力不足的缺点，本发明提供了一种基于视觉注意机制的可自主学习导航方法，在仅需前两个时刻的引导信息的情况下，系统可以不断的自主学习。此外，通过加入视觉注意机制，使模型拥有注意到图像关键区域的能力，有效地解决了传统方法对复杂背景图片中噪声敏感，学习效率低，学习效果差的缺点，大大提高了视觉导航的性能。

发明内容

有鉴于此，本发明目的是提供一种基于视觉注意机制的自主学习导航方法，包括以下几个步骤：

S1、获取视觉导航模型的前端输入和后端输入，其中，前端输入信息由图像传感器不断输入，后端输入信息在前两个时刻由外界输入，后续时刻由此前时刻的模型输出作为输入；

S2、前端输入经过注意机制处理，关键区域的图像被保留，其余区域的图像被抑制；

S3、经过注意机制处理的前端输入与自底向上的权重内积计算得到自底向上的部分预响应，后端输入与自顶向下的权重内积计算得到自顶向下的部分预响应，两个部分预响应叠加得到总预响应,预响应经过竞争，得到Y区域响应；

S4、Y区域响应与Z区域自底向上的权重内积计算得到Z区域响应，将Z区域响应映射到效应空间，得到最后的导航输出；

S5、视觉导航模型自主学习更新，进入下一轮步骤循环,直到不再接收到前端输入，循环终止。

本发明提供的技术方案带来的有益效果是：本发明仅需要前两个时刻的引导信息作为模型训练的监督信息，并使用发育神经网络作为核心处理算法，使模型拥有自主学习能力；为模型加入视觉注意机制，提供自顶向下的注意信息作为监督信息，从而提高模型对复杂背景干扰信息的鲁棒性。

附图说明

图1是本发明一种基于视觉注意机制的可自主学习导航方法的流程图；

图2是本发明一种基于视觉注意机制的可自主学习导航方法的时序示意图；

图3是本发明的核心导航算法模型-发育神经网络示意图；

图4是本发明的视觉注意机制示意图；