[发明专利]结合全卷积回归神经网络和条件随机场的道路检测方法

权利要求书

1.一种结合全卷积回归神经网络和条件随机场的道路检测办法，其特征在于，包括以下步骤：

S1.采集行车记录仪视频，并随机剪辑获取行车记录仪图像，分辨率为720p或1080p，对每幅图像中的道路区域和非道路区域进行手动标定，得到与道路图像对应的标定图片，组成道路检测数据集，并设计好图像预处理程序，在每幅图像输入全卷积回归神经网络模型之前，都会使用图像预处理程序进行预处理；

S2.构建全卷积回归神经网络，设定初始训练参数和损失函数；

S3.构建基于卷积核的条件随机场，将卷积核条件随机场放置于全卷积回归神经网络的输出处，用于计算能量分布；

S4.使用标定完成的道路检测数据集，对全卷积回归神经网络模型进行分步训练；

S5.使用训练完成的全卷积回归神经网络模型进行道路检测；

所述步骤S3包括以下步骤：

S31.构建卷积核条件随机场，以全卷积回归神经网络的检测结果作为输入，卷积核条件随机场由一层卷积层和一层Relu层组成，其中卷积层使用特殊设计的卷积核；

S32.设置卷积核条件随机场的能量优化函数，优化卷积核条件随机场输出的能量分布；

所述步骤S31中的特殊设计的卷积核形式如下：

其中x_i代表特殊卷积核的中心像素，x_j代表x_i周边的像素，σ代表特殊卷积核中心像素x_i周边的像素邻域，特殊卷积核不参与权值更新；

所述步骤S32中的能量优化函数表达式如下：

其中x_out代表全卷积回归神经网络的输出，P_e()代表卷积核条件随机场计算得到的能量分布，Sum()代表求和操作，n代表能量分布矩阵中正值的数量。

2.根据权利要求1所述的结合全卷积回归神经网络和条件随机场的道路检测方法，其特征在于，所述步骤S1中的预处理程序包括以下步骤：

S11.将道路图像分辨率调整为1024*512；

S12.以图像左上顶点作为原点，水平方向为X轴，垂直方向为Y轴，在图像X轴上412到612像素，Y轴上206到306像素范围内，随机选取一点作为旋转中心点，任意旋转随机角度；

S13.对图像进行水平偏移，偏移程度为-200到200像素的任意数值，对图像进行垂直偏移，偏移成都为-100到100像素的任意数值；

S14.随机选取任意对称变换对图像进行处理，对称变换方式有水平方向对称变换，垂直方向对称变换，对角方向对称变换；

S15.对道路图像进行归一化处理，归一化处理形式如下：

0im,0jn

其中I代表道路图像，m和n分别代表道路图像矩阵的行值和列值，I^*代表归一化后的道路图像。

3.根据权利要求1所述的结合全卷积回归神经网络和条件随机场的道路检测方法，其特征在于，所述步骤S2包括以下步骤：

S21.构建一个全卷积回归神经网络，网络结构分为二个部分，第一部分由八个卷积模块组成，卷积模块由一层卷积层，一层归一化层，一层最大池化层和Relu层组成，第二部分由八个反卷积模块组成，反卷积模块由一层反卷积层，一层归一化层和一层Relu层组成；

S22.确定全卷积回归神经网络的训练参数，设置损失函数。

4.根据权利要求3所述的结合全卷积回归神经网络和条件随机场的道路检测方法，其特征在于，所述步骤S22中，全卷积回归神经网络使用的是回归损失函数，回归损失函数形式如下：

Loss_pix(x_label,x_out)＝||x_label-x_out||²

其中x_label代表道路数据集S_l中的样本，x_out代表全卷积回归神经网络的输出。