[发明专利]一种基于人工智能平台下的路径识别方法

权利要求书

1.一种基于人工智能平台下的路径规划方法，包括如下步骤：

(1)采集具有路径的图像：采集具有路径的图像，对每张图像进行标类，根据定义的特征类型，建立数据联系，形成数据集；

(2)数据预处理：对原始图像计算整个数据集上每个像素的均值和标准差，对每张图像以50％概率翻转，同时进行归一化处理，得到预处理后的图像集合；

(3)提取初级特征：依次确定从上到下的51层ResNets网络架构和1层ResNets网络架构作为构建特征人工智能网络的底层网络，对路径采集图像进行初级特征提取，提取出5个不同的尺度的特征A₁，A₂，A₃，A₄，A₅；计算网络架构权重β；

(4)卷积网络叠加：将步骤(3)中得到的5个尺度的特征分别通过从上到下的卷积网络进行叠加得到新特征S₁，S₂，S₃，S₄，S₅消除不同层之间的混叠效果；

(5)特征图重建：建立特征金字塔网络作为主体网络，将得到的特征S₅、S₆、S₇通过上采样和单层卷积生成重建特征，完成特征的重组；

(6)目标框输出：将5个重建特征连接至适用于重建特征图的目标框输出，将目标框的输出分为两个分类子网络，一个分类子网作为回归目标的类别输出，另一个回归子网则作为回归的边界框的输出：

Focal Loss函数输出为：

FL(Q_t)＝-(1-Q_t)^λβlog(Q_t)；

其中Q_t是路径图像识别正确的概率，β是权重，取值在0.2-0.3之间，λ是聚焦系数；

平衡交叉熵函数输出为：

CE(Q_t)＝-βlog(Q_t)；

将Focal Loss函数输出和平衡交叉熵函数输出，使用点集置信度函数进行交集并集比计算：

其中D_T(x)为相应特征图中的图集x与真实标签的点集之间的像素距离，d_s为预设的最小距离值；

(7)计算路径图像均方误差：在计算分类子网的同时，将5个新特征用于计算均方误差损失：

n≤5，x_i'是路径图像识别的值；

(8)获得路径识别模型：计算分类子网与回归子网的输出后，与最后使用分类子网和回归子网的输出进行梯度下降训练得到路径识别模型；

所述步骤(4)中的卷积网络进行叠加的具体步骤包括：将S₅尺度特征扩大5-10倍，得到扩倍特征R₅，特征R₄是由特征S₅加2倍之后得到的，同时尺度特征A₄经过1×8×128的卷积得到卷积特征A₄′，将扩倍特征R₅与卷积特征A₄′相加得到新特征S₄；尺度特征A₃经过1×8×128的卷积得到卷积特征A₃′，将扩倍特征R₄与卷积特征A₃′相加得到新特征S₃；尺度特征A₂经过1×8×128的卷积得到卷积特征A₂′，将扩倍特征R₃与卷积特征A₂′相加得到新特征S₂；尺度特征A₁经过1×8×128的卷积得到卷积特征A₁′，将扩倍特征R₂与卷积特征A₁′相加得到新特征S₁；所述步骤(5)中的新特征S₆是通过对S₅进行9×9，步长为2的卷积得到，然后对特征S₆进行Leaky ReLU函数激活，再通过9×9，步长为2的卷积，得到新特征S₇；所述步骤(5)中的重组的特征图的生成方式如下：

其中Conv代表单层卷积，Upsample代表上采样；

所述步骤(8)中的路径识别模型为：

V_D(x)＝βMSE+(1-β)D(x)

V_CE(Qt)＝βCE(Q_t)+(1-β)V_D(x)

W＝V_D(x)-αV_CE(Qt)

b＝W-αCE(Q_t)

V_D(x)为识别速度、V_CE(Qt)为最高速度、W为规划路径、b为实际路径，通过此路径识别模型进行路径识别。

2.根据权利要求1所述的一种基于人工智能平台下的路径规划方法，其特征在于：所述的步骤(2)中，所有均值图像为标准差为std，对于特定图像x，对其进行归一化如下：

f(x′)代表网络层的单元k在空间中的激活值；w_k为单元k对本网络层的权值。