[发明专利]一种道路识别模型训练方法、道路识别方法及装置

说明书

本申请公开了一种道路识别模型训练方法，该方法包括：获取携带有类别标签的多帧待处理图像；多帧待处理图像为利用图像采集设备采集的图像；基于多帧待处理图像，及其对应的类别标签，训练道路识别模型；其中，道路识别模型包括第一数目层卷积神经网络结构和第二数目层循环神经网络结构。考虑到连续采集的多帧图像之间具有关联性，因此道路识别模型包括第二数目层循环神经网络，用于建立在第一时间范围内连续M个采集时间点采集的M帧待处理图像的图像特征之间的关联。因此，采用本申请实施例提供的方法训练得到的道路识别模型，考虑了连续采集的多帧图像之间的关联，故而能够更加准确的识别出道路。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种道路识别模型训练方法、道路识别方法及装置。

背景技术

随着科学技术的发展，许多车辆中配置了能够实现自动驾驶功能或辅助驾驶功能的智能系统。为了实现自动驾驶功能或辅助驾驶功能，车辆上的智能系统通常需要从车辆周围的道路图像中识别道路，以确定车辆的可行驶区域，从而指导车辆的驾驶。

目前，神经网络已经被应用到道路识别技术中。但是，基于神经网络实现的识别方案，难以准确的识别出道路。

发明内容

本申请所要解决的技术问题是如何准确的识别出道路，提供一种道路识别模型训练方法、道路识别方法及装置。

第一方面，本申请实施例提供了一种道路识别模型训练方法，所述方法包括：

获取携带有类别标签的多帧待处理图像；所述多帧待处理图像为利用图像采集设备采集的图像；

基于所述多帧待处理图像，及其对应的类别标签，训练所述道路识别模型；

其中，所述道路识别模型包括第一数目层卷积神经网络结构和第二数目层循环神经网络结构，所述循环神经网络结构，用于建立在第一时间范围内附近的连续M个采集时间点采集的M帧待处理图像的图像特征之间的关联；M为大于1的整数。

可选的，所述卷积神经网络结构，用于提取所述多帧待处理图像中每一帧待处理图像的图像特征；

所述循环神经网络结构，用于建立连续M帧待处理图像的图像特征之间的关联，包括：

所述循环神经网络结构，用于建立所述卷积神经网络连续输出的M组图像特征之间的关联。

可选的，所述第一数目为大于1的整数，所述第二数目等于1。

可选的，所述循环神经网络包括：

双向长时间记忆LSTM网络。

第二方面，本申请实施例提供了一种道路识别方法，所述方法包括：

获取连续多帧待识别图像；

将所述多帧待识别图像作为道路识别模型的输入，得到识别结果；

其中，所述道路识别模型为根据权利要求1所述的方法训练得到的道路识别模型。

第三方面，本申请实施例提供了一种道路识别模型训练装置，所述装置包括：

第一获取单元，用于获取携带有类别标签的多帧待处理图像；所述多帧待处理图像为利用图像采集设备采集的图像；

训练单元，用于基于所述多帧待处理图像，及其对应的类别标签，训练所述道路识别模型；

其中，所述道路识别模型包括第一数目层卷积神经网络结构和第二数目层循环神经网络结构，所述循环神经网络结构，用于建立在第一时间范围内附近的连续M个采集时间点采集的M帧待处理图像的图像特征之间的关联；M为大于1的整数。

可选的，所述卷积神经网络结构，用于提取所述多帧待处理图像中每一帧待处理图像的图像特征；