[发明专利]一种快速的高速公路路面分割和摄像机定位的方法

权利要求书

1.一种快速的高速公路路面分割和摄像机定位的方法，它的方法步骤为：

首先，对大量的有代表性的图像训练样本，标注路面区域的五个关键特征点和摄像机的位置信息，其次定义损失函数，最后进行深度学习迭代训练，当训练收敛之后，选择当前的训练模型作为结果模型；

1）样本收集和模型训练：

收集不同路面的图像数据，对图像数据进行数据标注，标注路面区域的五个点为路面区域的五个边界关键点，其中上面两个点为路面边缘，下面三个点为两个路面边缘点和图像的边界点；

图像上面部分的两个点在标注过程中，根据图像大小，动态设置上面两个点的高度线位置信息，该高度线与路面边缘的交点作为上面两个边界关键点；

对坐标位置采用相对于图像的高度和宽度的比例进行归一化操作，即相对坐标位置信息；

对摄像机位置采用相对于路面的位置信息；

2）网络模型设计：

设计了如下的网络结构模型，分为3个conv层，3个pool层，4个Relu层和2个全连接层；其中conv层的作用是提取图像中具有平移、旋转、尺度不变的特征，同时完成对图像特征维度降维，防止过拟合，提高模型泛化能力；卷积层的特点包括局部感知、参数共享、多核卷积；第一个conv层具有96个卷积核，每个核的大小为5*5，步长为2，第二个conv层具有96个卷积核，每个核的大小为3*3，步长为2，第三个conv层具有128个卷积核，每个核的大小为3*3，步长为2；

pool层的卷积核为只取对应位置的最大值或者平均值，并且不经过反向传播的修改；

Relu层是线性修正函数层，梯度计算公式为：1{x>0}，正向传播过程中，Relu函数仅需要设置阈值，如果x<0,f(x)=0，如果x>0,f(x)=x；

全连接是矩阵乘法，共有两个全连接层，第一个全连接层主要完成将高维数据降维的作用，使数据特征维度降低到192维，然后再经过第二个全连接层的处理，输出11维的结果信息，即是模型最终的输出结果信息；

3)模型损失函数:

针对回归路面位置和摄像机位置两类数据设计了综合损失函数，其中路面位置信息的10维数据与摄像机位置的1维数据具有不同的权重，该函数的定义和特征如下所示：

4)模型训练：

模型训练过程包括4步，这4步被分为两个阶段：

第一阶段，前向传播阶段：

a）从样本集中提取样本(X,Yp)，将X输入网络；

b）计算相应的实际输出Op；

在此过程中，原始图像数据经过网络模型的处理，完成3次conv运算和3个pool运行，进行2次全连接运算，最终输出结果信息；

第二阶段，后向反馈阶段：

a）根据实际输出Op结果与GroundTruth通过损失函数计算Loss值，计算该Loss值对各层卷积核的偏导值；

b）根据偏导值及学习率反向传播调整模型参数；

5)模型预测:

根据设计的网络模型，结果会输出11维的数据，其中前10维代表路面的5个关键点的（x,y）坐标信息，第11维表示摄像机相对于路面的位置信息。

2.根据权利要求1所述快速的高速公路路面分割和摄像机定位的方法，其特征在于，所述损失函数采用欧氏距离。