[发明专利]基于混合自动编码器道路图像语义分割方法

说明书

本发明公开一种基于混合自动编码器的道路图像语义分割方法，包括如下步骤：(10)样本集收集：将样本集图像分为训练集与测试集；(20)样本图像预处理：对样本集图像进行尺寸变换、对比度归一化处理，将待处理的样本集图像转换成标准形式；(30)混合自动编码器网络模型获取：利用预处理后的训练样本，分别训练稀疏自动编码器和去噪自动编码器，提取中间的编码权值和解码权值，通过建立一种合理的模型排列顺序与堆叠形式构建出混合自动编码器网络模型；(40)道路语义分割：利用混合自动编码器网络模型，对车载摄像头拍摄的道路图像进行语义分割。本发明通过一种混合自动编码器的堆叠形式，实现对图像语义的优化描述，建立一个简洁有效的语义分割模型，获得更好的道路语义分割性能。

技术领域

本发明属于计算机视觉技术领域，用于车辆自动/辅助驾驶中的环境感知，对 于车辆自主行驶具有重要作用，特别是一种结构简洁、特征描述能力强的道路区 域检测语义分割方法。

背景技术

道路检测是无人驾驶汽车环境感知的重要环节，利用计算机视觉技术实现对 环境场景的语义分割，识别出场景中每个区域的语义类别，并确定场景中的道路 区域，这对无人车导航与自主行驶具有重要意义。目前道路图像语义分割方法大 多在深度学习框架下，由分类模型转化而来，并通过小步幅卷积上采样(又称反 卷积)产生密集的像素级别的预测输出。图像语义分割模型在网络结构和训练策 略上虽有所差别，但基本思想都是通过具有一定深度的卷积神经网络实现对图像 语义的编码，然后通过反卷积过程完成语义分割。如FCN利用了VGG-16网络 对图像进行编码提取图像特征，再通过双线性插值上采样和组合中间层输出的特 征图，将粗糙分割结果转换为密集分割结果；SegNet是一种深度卷积编码器-解 码器图像语义分割构架，利用多层反卷积网络代替简单的双线性插值。但这种端 到端的网络结构过于复杂，不易于训练，并且对于特征的提取主要通过卷积和池 化的方式，特征提取形式相对单一。

综上所述，现有技术存在的问题是：道路语义分割模型网络结构复杂，训练 困难，实时性受到影响。

发明内容

本发明的目的在于提供一种基于混合自动编码器道路语义分割方法，采用堆 叠方式形成深度结构，因此模型形式简洁、易于训练，同时利用混合结构的自动 编码器获得更多样的图像语义特征，具有更好的图像语义分割效果。

实现本发明目的的技术解决方案为：

(10)样本集收集：将收集到的样本集图像分为训练样本集图像与测试样本 集图像两类；

(20)样本图像预处理：对样本集图像进行尺寸变换、对比度归一化处理， 将待处理的样本集图像转换成相应的唯一标准形式；

(30)混合自动编码器网络模型获取：利用预处理后的训练样本，分别训练 稀疏自动编码器和去噪自动编码器，提取中间的编码权值和解码权值，通过建立 一种合理的模型排列顺序与堆叠形式构建出混合自动编码器网络模型；

(40)道路图像语义分割：利用混合自动编码器网络模型，对车载摄像头拍 摄的道路图像进行语义分割，获取道路区域。

本发明与现有技术相比，由于采用一种稀疏自编码器和去噪自编码器相结 合的混合自动编码器语义分割模型。取得了以下显著优点：

1、语义特征形更具多样性：利用稀疏自动编码器的稀疏性语义编码和去噪 自动编码器鲁棒性语义编码，使提取的特征相比于传统方法更具多样性，并且使 混合模型学习的特征更有利于图像的语义分割；

2、语义分割模型可训练性好：通过栈堆叠的方式进行逐层的训练，网络在 训练中更易于收敛，缩短了训练周期。

结合这两方面的优点，训练得到的混合自动编码器模型在进行道路图像语义 分割时具有更高的分割精度。

下面结合附图和具体实施方式对本发明作进一步的详细描述。

附图说明