[发明专利]一种基于语义分割和多特征融合的车辆前障碍物检测方法

说明书

本发明涉及人工智能、深度学习领域，具体公开了一种基于语义分割和多特征融合的车辆前障碍物检测方法，包括：首先通过特征提取模块对输入图像进行特征提取；然后对处理后的特征图进行4倍、8倍、16倍下采样，同时将下采样时的特征图通过特征融合模块进行特征融合；再将得到的特征图输入给膨胀卷积模块；再将处理后的特征图进行16倍、8倍、4倍上采样将特征图恢复至原始图像大小，在4倍上采样的同时将特征融合采集到的特征进行特征融合；将融合后的特征送入softmax层，最终输出语义分割的图像。该模型中采用编解码结构，和跳接连接方式，能够快速时时进行语义分割，完成自动驾驶等场景中的障碍物检测。

技术领域

本发明涉及深度学习无人驾驶领域，特别是涉及一种基于语义分割和多特征融合的车辆前障碍物检测方法。

背景技术

人工智能领域中无人驾驶的研究发展迅速，已经能实现一定程度的无人驾驶，对于无人驾驶车辆来说，检测出车辆前方障碍物对车辆人员安全是极为重要的，从而减少事故的发生，为无人驾驶车辆提供决策、规划的信息基础。

随着深度学习算法的迅速发展，以基于神经网络为基础的目标检测算法广泛用于无人驾驶领域，如检测车辆、行人、交通标识牌的等。但都存在检测不全，目标框偏离目标，小目标检测能力不足等，易造成决策失误的问题。基于卷积神经网络的语义分割技术可以对车前方障碍，如行人、车辆、锥桶等，进行像素级的检测和分类，能很好地解决上述问题。语义分割领域的模型有FCN、SegNet、DeepLab、PSPNet等，能很好的对图像进行语义分割，但上述网络都存在参数过多，硬件要求较高，实时性不好的问题。而实时性和准确性是无人驾驶的硬性要求，并且无人驾驶所采用的硬件规格不是太高。

发明内容

为了解决上述问题，本发明受上述模型的启发，提出一种基于语义分割和多特征融合的车辆前障碍物检测方法，目的在于提高无人驾驶车辆在行驶中检测车辆前方障碍物的能力。本发明采用编解码的设计，提高模型的实时检测能力，并采用特征融合方法将低维特征和高维特征进行特征融合，起到更好的分割效果，融合时采用跳接结构，以使模型能够更深以提高模型的鲁棒性。

具体技术方案包括以下步骤：

步骤一，将图像输入到网络中，通过特征提取模块对输入图像进行特征提取，得到特征图；

步骤二，对所述特征图进行4倍下采样，将得到的特征图输入给后端，并将下采样后的特征图输入给后端特征融合模块；

步骤三，对所述4倍下采样后的特征图进行8倍下采样，得到的特征图输入给后端，并将8倍下采样后的特征图输入给前端特征融合模块；

步骤四，对所述8倍下采样后的特征图进行16倍下采样，得到的特征图输出给后端的膨胀卷积模块，用以增加特征图的感受野，并将16倍下采样后的特征图输入给前端特征融合模块；其中，前端特征融合模块将8倍下采样后的特征图和16倍下采样后的特征图进行融合，然后将融合后的低维特征送入后端特征融合模块中；

步骤五，将经过膨胀卷积后的特征图进行16倍上采样，得到16倍上采样后的特征图，并将得到的特征图输入给后端；

步骤六，将所述16上采样后的特征图进行8倍上采样，得到8倍上采样特征图，并将得到的特征图输入给后端；

步骤七，将所述8倍上采样后的特征图进行4倍上采样，同时对后端特征融合模块得到的低维特征进行4倍上采样，然后将两路4倍上采样后的特征进行叠加；其中，后端特征融合模块用于将4倍下采样后的特征图和前端特征融合模块的输出特征图进行融合；

步骤八，将所述叠加后的特征输入给softmax模块，得到最终的语义分割图像；