[发明专利]一种基于残差网络的道路图像多尺度边缘检测模型及方法

说明书

本发明公开了一种基于残差网络的道路图像多尺度边缘检测模型及方法，所述模型包括：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，输入到多尺度边缘检测网络；多尺度边缘检测网络，用于在训练时通过不同层之间输出结果的相互约束来帮助网络的不同层学习检测不同尺度的图像边缘特征，最终使网络由浅层到深层能够检测从小尺度到大尺度的图像边缘。

技术领域

本发明涉及计算机图像处理技术领域，特别是涉及一种基于残差网络的道路图像多尺度边缘检测模型及方法。

背景技术

目前，对图像的边缘检测算法已经有很多，例如，早期提出的传统的边缘检测算法更多关注图像中的强度、颜色梯度和纹理等，如Canny算子，但是由于图像中的有些显著边缘在颜色梯度上的变化并不明显，这导致在某些情况下使用这些方法并不能很好的检测到边缘。

基于学习的边缘检测算法使用监督模型和手工标注的特征，如结构化随机森林引入图像的结构信息对图像进行边缘检测，基于深度学习进行边缘检测的方法也被提出，有使用卷积神经网络(CNN)提取图像的特征，也有直接学习一个边缘检测的端到端的模型。但是这些方法都没有很好的对图像的边缘进行多尺度的检测，如道路的大尺度边缘和植物枝叶的小尺度边缘。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种基于残差网络的道路图像多尺度边缘检测模型及方法，以实现行驶道路图像的多尺度边缘检测。

为达上述目的，本发明提出一种基于残差网络的道路图像多尺度边缘检测模型，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，输入到多尺度边缘检测网络；

多尺度边缘检测网络，用于在训练时通过不同层之间输出结果的相互约束来帮助网络的不同层学习检测不同尺度的图像边缘特征，最终使网络由浅层到深层能够检测从小尺度到大尺度的图像边缘。

优选地，所述数据集构建模块通过对自动驾驶和智能监控中车辆抓拍到的行驶道路图像以及人工标注了图像边缘的二值图像，构建用于模型训练用的数据集。

优选地，所述数据集中的数据以行驶道路图像和对应的二值图像作为一个训练样本，每个训练样本中的行驶道路图像用于输入到多尺度边缘检测网络，人工标注的图像边缘的二值图像用于网络训练时用来作为标签真值。

优选地，所述多尺度边缘检测网络基于残差网络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，并在前三个block后分别加入一个2×2的最大值池化层形成。

优选地，在每个block中将各层卷积层的输出使用一层反卷积扩大到输入图像大小，然后将输出相加，最后通过两个1×1的卷积输出两个结果，所述该多尺度边缘检测网络共有8个输出，每个输出都是一张预测的边缘图像。

优选地，所述8个输出的标签数据计算如下：从浅层block1到深层block4，每个block取一个输出，对block1的输出使用输入图像的标签图作为真值图进行训练，对block2的输出则将输入图像的标签图减去上述block1的输出之后作为真值图进行训练，对block3的输出为输入图像的标签图减去前两个block的输出之后作为真值图进行训练，对block4的输出为输入图像的标签图减去前三个block的输出作为真值图进行训练；各个block的另一个输出，则从深层的block4开始，使用输入图像的标签图作为真值图进行训练。

优选地，所述多尺度边缘检测网络最终对图像的边缘检测结果为所述8个block输出的融合。