[发明专利]场景分割方法及系统

说明书

本发明属于场景分割技术领域，尤其涉及一种场景分割方法及系统。其中，场景分割方法包括利用轻量级网络对场景视频中的各帧图像进行场景分割；利用轻量级网络对场景视频中的各帧图像进行场景分割；其中，轻量级网络包含多个卷积网络且网络架构预先设定，其训练过程为：将像素点归一化的训练集中的图像输入至已知架构的轻量级网络；在编码阶段采用卷积进行特征提取，在解码阶段结合卷积和双线性插值还原输入图像的信息，得到输出具有语义信息的特征图；采用若干组卷积核学习不同类别的特征图，将不同时期的特征图融合；通过交叉熵损失函数优化轻量级网络中每个卷积网络。

技术领域

本发明属于场景分割技术领域，尤其涉及一种场景分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

场景分割又称语义分割，是对图片中的每一个类别标一种颜色，从而得到具有语义类别信息的分割图片。图片由很多像素点构成，不同的类别，像素点的RGB值不同，结合周围的像素点，我们可以判断出某一个区域属于哪一个种类，通过对每一个像素点所属的类别进行预测，计算机可以得到有语义信息的分割图片。目前，场景分割应用于遥感卫星图像的分割、农田分割、医学图像处理、服装分割、无人驾驶等。场景分割是无人驾驶中的基础任务，为后续的目标检测奠定基础。近几年，车辆增多，人们追求功能更多的车，无人驾驶成了人们研究的热点。无人驾驶是复杂的计算机任务，需要在变化的场景中进行感知、规划并执行，要求后端计算机很好地感知周围的整体环境和不同场景，而目标检测只能检测出特定的物体，场景分割将整个图片中不同的类别完全区分，所以场景分割是无人驾驶中的核心技术。车载摄像头或者激光雷达将实时的道路图片输入，经过场景分割算法，输出具有语义信息的图片，从而控制汽车的前进、避障。传统的场景分割方法，比如：阈值法，边缘检测法，区域提取法，只能模糊地分割不同类别，而无人驾驶需要超高的精度，以保证安全性。所以随着神经网络时代的到来，无人驾驶也有了一定突破，基于神经网络的场景分割能达到较高的精度。

发明人发现，目前场景分割存在物体有重叠，光线昏暗，道路场景过于复杂的问题，从而给场景分割的精度带来影响，另外场景分割的神经网络取得高精度的同时，需要很大的内存和较长的时间来训练网络。

发明内容

为了解决上述问题，本发明的第一个方面提供一种场景分割方法，其利用轻量级网络对场景视频中的各帧图像进行场景分割，在保障分割精度的同时，提高了分割处理的速度。

为了实现上述目的，本发明采用如下技术方案：

一种场景分割方法，包括：

利用轻量级网络对场景视频中的各帧图像进行场景分割；

轻量级网络包含多个卷积网络且网络架构预先设定，其训练过程为：

将像素点归一化的训练集中的图像输入至已知架构的轻量级网络；

在编码阶段采用卷积进行特征提取，在解码阶段结合卷积和双线性插值还原输入图像的信息，得到输出具有语义信息的特征图；采用若干组卷积核学习不同类别的特征图，将不同时期的特征图融合；

通过交叉熵损失函数优化轻量级网络中每个卷积网络。

为了解决上述问题，本发明的第二个方面提供一种场景分割系统，其利用轻量级网络对场景视频中的各帧图像进行场景分割，在保障分割精度的同时，提高了分割处理的速度。

为了实现上述目的，本发明采用如下技术方案：

一种场景分割系统，包括：

数据接收模块，其用于接收场景视频；

数据处理模块，其用于利用轻量级网络对场景视频中的各帧图像进行场景分割；

在所述数据处理模块中，轻量级网络包含多个卷积网络且网络架构预先设定，其训练过程为：