[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

说明书

一种快速的高速公路路面分割和摄像机定位的方法，涉及基于视频图像的目标检测、应用于高速公路交通场景下的视频监控数据的智能事件分析系统。本发明的方法步骤为：1）样本收集和模型训练；2）网络模型设计；3)模型损失函数；4)模型训练；5)模型预测。同现有技术相比，本发明能解决多场景下、不同天气情况下、不同路面状态下的高速路面定位分割问题；同时解决多场景下、不同天气情况下、不同路面状态下摄像机相对路面位置定位问题。

技术领域

本发明涉及基于视频图像的目标检测、应用于高速公路交通场景下的视频监控数据的智能事件分析系统，特别是将分割和分类问题，转化为多任务的回归和分类问题，快速高效地完成高速公路路面分割和摄像机相对路面位置定位的方法。

背景技术

2006年Hinton提出神经网络新的训练方法起，深度学习发展迅速，促使人工智能在图像、语音、自然语言处理等多个领域有了实质性的突破，达到产业应用标准。

卷积神经网络(CNN)是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点，是深度学习常用的一种模型。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。

参看图1，输入图像通过和三个可训练的滤波器和可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个S2层的特征映射图。这些映射图再进过滤波得到C3层。这个层级结构再和S2一样产生S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，最终得到输出。

一般地，C层为特征提取层，每个神经元的输入与前一层的局部感受野相连，并提取该局部的特征，一旦该局部特征被提取后，它与其他特征间的位置关系也随之确定下来；S层是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。

此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数，降低了网络参数选择的复杂度。卷积神经网络中的每一个特征提取层（C-层）都紧跟着一个用来求局部平均与二次提取的计算层（S-层），这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变容忍能力。卷积网络的核心思想是局部感受野、权值共享（或者权值复制）以及时间或空间亚采样，这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性。

卷积神经网络CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

在利用机器学习分析具体问题时，需要将问题抽象为有监督学习问题或者无监督问题。如果是有监督问题，还需要进一步抽象成分类或回归问题，最后再选择适合的算法来训练模型。深度学习本质上仍属机器学习范畴，因此利用深度学习解决实际问题，需要同样的问题抽象过程：

与传统机器学习一样，有监督学习问题和无监督学习问题主要由样本数据是否需要标签来决定：