[发明专利]语义分割方法、终端及存储介质

说明书

本发明提供一种语义分割方法、终端及存储介质。该方法包括：获取训练样本集；训练样本集包括同一摄像设备在处于预设角度时拍摄的多张训练图像，每张训练图像的每个像素点均已标注对应的类别；获取预先设定的目标类别；根据训练样本集中目标类别像素点的出现频率，确定目标图像的重点区域和非重点区域；目标图像为摄像设备处于预设角度时拍摄的任意一张图像；确定重点区域中各像素点的第一位置权重和非重点区域中各像素点的第二位置权重，第一位置权重大于第二位置权重；根据第一位置权重和第二位置权重，对目标图像进行语义分割。本发明能提高语义分割模型对重点关注的类别和重点关注的区域上的分割精度，更加符合实际使用需求。

技术领域

本发明涉及语义分割技术领域，尤其涉及一种语义分割方法、终端及存储介质。

背景技术

盲区监测(Blind Spot Detection，BSD)系统可以基于摄像头对盲区内场景进行语义分割和目标检测，并基于摄像头标定的内外参数对与目标之间的距离进行测量，当与目标之间的距离低于设定的安全距离时，发出报警信息。

BSD系统中的语义分割模型可以将图像逐像素进行分类，所分类别通常包括行人、车辆、路面、交通标志、背景等。目前，当对语义分割模型进行训练时，通常将交叉熵作为损失函数，交叉熵损失函数为L＝-∑y_qlog(p_q)，其中，y_q为图像中第q个像素点的标签值，p_q为图像中第q个像素点的预测概率。

上述交叉熵损失函数平等对待图像中的区域和类别，导致语义分割模型对于占比较多的像素类别的分割准确性较高，对占比较少的像素类别分割准确性较低，对容易学习的像素区域学习效果较好，对学习难度大的像素区域学习效果较差。但是，占比较多的像素类别不一定是BSD系统需要重点关注的类别，容易学习的像素区域也不一定是BSD系统重点关注的区域，从而导致语义分割模型在重点关注的类别和重点关注的区域上分割精度较低，不符合实际使用需求。

发明内容

本发明实施例提供了一种语义分割方法、终端及存储介质，以解决现有技术在重点关注的类别和重点关注的区域上分割精度较低，不符合实际使用需求的问题。

第一方面，本发明实施例提供了一种语义分割方法，包括：

获取训练样本集；训练样本集包括同一摄像设备在处于预设角度时拍摄的多张训练图像，每张训练图像的每个像素点均已标注对应的类别；

获取预先设定的目标类别；

根据训练样本集中目标类别像素点的出现频率，确定目标图像的重点区域和非重点区域；目标图像为摄像设备处于预设角度时拍摄的任意一张图像；

确定重点区域中各像素点的第一位置权重和非重点区域中各像素点的第二位置权重，第一位置权重大于第二位置权重；

根据第一位置权重和第二位置权重，对目标图像进行语义分割。

在一种可能的实现方式中，确定非重点区域中各像素点的第二位置权重，包括：

根据训练样本集，确定非重点区域内距离本车区域最近的路面像素点的集合；

根据集合确定划分线；

根据划分线，确定非重点区域的本车区域和非本车区域；

将本车区域的各像素点的第二位置权重均设置为第一预设权重，将非本车区域的各像素点的第二位置权重均设置为第二预设权重；第一预设权重小于第二预设权重。

在一种可能的实现方式中，根据集合确定划分线，包括：

对集合中的各个像素点进行直线拟合，得到拟合直线；

获取拟合直线与目标图像的上下边界的交点在预设坐标系中的横坐标，分别记为x1和x2；