[发明专利]一种基于多尺度边缘特征检测的隧道识别模型及方法

权利要求书

1.一种基于多尺度边缘特征检测的隧道识别模型，包括：

数据集构建模块，用于利用各种行驶道路的图像构建用于模型训练用的数据集；

训练样本加载模块，用于在训练时批量加载训练样本，并于加载时将图像尺寸裁剪为同等大小，输入到识别网络；

识别网络，基于残差网络Resnet34构建所述识别网络，在训练网络时使用边缘二值图像为标签，引导网络在学习图像特征时学习边缘特征，并结合多尺度边缘特征，以更精确地预测隧道。

2.如权利要求1所述的一种基于基于多尺度边缘特征检测的隧道识别模型，其特征在于：所述数据集构建模块通过利用对自动驾驶和智能监控中车辆抓拍到的行驶道路图像作为输入图像，人工标注的图像边缘二值图像以及有无隧道信息作为标签，构建用于模型训练用的数据集。

3.如权利要求2所述的一种基于基于多尺度边缘特征检测的隧道识别模型，其特征在于：所述数据集中的数据以行驶道路图像、边缘二值图像以及隧道标签作为一个训练样本。

4.如权利要求2所述的一种基于基于多尺度边缘特征检测的隧道识别模型，其特征在于：所述识别网络基于残差网络Resnet34，通过去掉残差网络Resnet34中的全连接层、一开始的7×7的卷积层以及两个池化层，并将其根据通道数分为4个block，将每个block最后的特征图输出，使用1×1的卷积层分别将多层的特征图转换为一张图像。

5.如权利要求4所述的一种基于多尺度边缘特征检测的隧道识别模型，其特征在于：除第一个block的输出特征图外，其他三个block的输出特征图在经过1×1的卷积之后，还接上一个反卷积层进行上采样，以将图像变换为与输入图像大小相同的图像。

6.如权利要求5所述的一种基于多尺度边缘特征检测的隧道识别模型，其特征在于：将所有block最终得到的图像结合，并使用1×1的卷积层变换得到一张图像，从而使得所述识别网络中与原图像大小一样的输出有5张图像，并且所述5张图像输出都通过相应的真值图像进行误差函数计算。

7.如权利要求6所述的一种基于多尺度边缘特征检测的隧道识别模型，其特征在于：在最终结合的图像输出层之后，使用两个3×3的卷积层进行卷积，然后使用2×2的最大值池化层，再接两个全连接层，得到输出为{0，1}，分别代表图像中有隧道和没有隧道。

8.如权利要求7所述的一种基于多尺度边缘特征检测的隧道识别模型，其特征在于：所述识别网络共有5个图像输出及一个分类输出，都各自使用交叉熵损失，总的损失函数为所有损失函数的和。

9.一种基于多尺度边缘特征检测的隧道识别方法，包括如下步骤：

步骤S1，利用各种行驶道路的图像构建用于模型训练用的数据集；

步骤S2，批量加载训练样本，并于加载时将图像尺寸裁剪为同等大小，输入到识别网络中；

步骤S3，构造loss损失函数，并构造SGD优化器；

步骤S4，将训练样本批量输入到网络中，使用步骤S3所构造的损失函数计算损失，并使用S3构造的优化器进行反向传播更新网络参数；

步骤S5，多次重复上述步骤S2到步骤S4，对网络进行迭代优化，直到训练完毕，得到最终的模型。

10.如权利要求9所述的一种基于多尺度边缘特征检测的隧道识别方法，其特征在于：于步骤S1中，通过利用对自动驾驶和智能监控中车辆抓拍到的行驶道路图像作为输入图像，人工标注的图像边缘二值图像以及有无隧道信息作为标签，构建用于模型训练用的数据集。