[发明专利]一种驾驶场景目标识别与可行驶区域分割集成方法

说明书

本发明公开了一种驾驶场景目标识别与可行驶区域分割集成方法，包括：S1，共享特征模块获取输入的车载视觉系统的参数配置信息和图像信息；S2，目标检测网络模块在目标检测ROI区域内根据输入的3个不同尺寸的目标检测特征输出目标类别、目标左上角横坐标、目标左上角点纵坐标、目标宽度和目标高度；S3，目标检测网络模块对目标类别、目标左上角横坐标、目标左上角点纵坐标、目标宽度和目标高度，进行置信度阈值过滤和极大值抑制后，合并输出目标检测列表；S4，场景分割网络模块在场景分割ROI区域内根据输入的3个不同尺寸的场景分割特征输出与场景分割特征对应的单通道可通行区域二进制输出图。采用本发明，大幅提升鲁棒性以及准确性。

技术领域

本发明涉及车辆视觉系统，尤其涉及车辆视觉系统中驾驶场景目标识别与可行驶区域分割集成方法。

背景技术

现有商用车载视觉系统感知功能主要包括行人、车辆、交通标识以及结构化道路标识线的检测与识别。其算法层面大多基于传统的视觉处理与及其学习的方法，包括基础的图像特征算子、霍夫变换、adaboost或SVM分类器等。此类方法的效果取决于图像特征描述算子的设计，并且应用的鲁棒性以及可移植性较差。其局限性以及应用难点在于：比如行人、车辆、交通标识等不同类别的目标检测需要设计不同的图像特征描述算子，白天夜间的算法目标检测架构与方法需要区分调整，对于非结构化道路边界难以识别等。

发明内容

本发明的目的提供一种驾驶场景目标识别与可行驶区域分割集成方法，提高了精度，降低了成本。

为解决现有技术存在的问题，本发明提供一种驾驶场景目标识别与可行驶区域分割集成方法，该方法应用于车载视觉系统中，所述车载视觉系统包括深度卷积神经网络模块，所述深度卷积神经网络模块包括共享特征模块、目标检测网络模块和场景分割网络模块，其特征在于，所述方法包括：

S1，共享特征模块获取输入的车载视觉系统的参数配置信息和图像信息，并通过卷积步长对图像信息进行降采样后输出3个不同尺度的目标检测特征和场景分割特征；

S2，目标检测网络模块在目标检测ROI区域内根据输入的3个不同尺寸的目标检测特征输出目标类别、目标左上角横坐标、目标左上角点纵坐标、目标宽度和目标高度；

S3，目标检测网络模块对目标类别、目标左上角横坐标、目标左上角点纵坐标、目标宽度和目标高度，进行置信度阈值过滤和极大值抑制后，合并输出目标检测列表；

S4，场景分割网络模块在场景分割ROI区域内根据输入的3个不同尺寸的场景分割特征输出与场景分割特征对应的单通道可通行区域二进制输出图。

优选的，还包括离线训练的步骤，所述步骤包括：

采集各类道路驾驶场景数据，提取时序离散时序样本集；

根据生成的训练样本，通过损失函数采用随机梯度下降的方式分步训练共享卷积模块的权重系数，所述损失函数为：

Loss1＝α1*L_seg+β1*L_det；

其中，α1，β1为可配置参数，L_seg表示每个像素点分类交叉熵之和，L_det表示每个目标的分类交叉熵与位置回归损失之和；

固化上述共享卷积特征权重系数，并按场景分割模块以及检测网络模块各自的损失函数分别进行离线训练。

优选的，步骤S4还包括：

目标检测网络模块对输出的检测目标列表按预设重合度阈值进行极大值抑制。

优选的，步骤S5还包括：

对场景分割网络模块输出的二进制输出图，比较各像素点UI的softmax输出，对每一像素点，取softmax相对较大的类，生成场景分割mask。

优选的，步骤S5还包括：