[发明专利]一种面向自动驾驶场景的基于深度学习的语义分割方法

说明书

本发明公开一种面向自动驾驶场景的基于深度学习的语义分割方法，主要解决当前街景图像语义分割技术中计算量大，分割准确率不高的问题。该方法以Cityscapes和Camvid数据集作为训练集和测试集，在Tensorflow环境中对数据集进行预处理，然后以改进的Xception分类模型为主干网络，对复杂场景图像中目标对象进行特征提取，将Xception识别处理的结果送到DeeplabV3+中进行语义分割，经过训练、测试调整网络参数后，得到分割结果。本发明以改进的Xception作为分类网络模型提高了图像目标识别、分割的准确率，降低了识别时间和经济成本，可以应用在自动驾驶、军事等领域中。

技术领域

本发明涉及深度学习领域与计算机视觉、图像分析领域，具体是一种面向自动驾驶场景的基于深度学习的语义分割方法。

背景技术

近年来人工智能技术迅速发展，人们的生活越来越倾向于智能化，越来越多的智能化产品相继问世，人们的生活也越来越依赖智能产品完成一些琐碎的工作。如今辅助驾驶汽车、无人机、机器人、城市虚拟化等大批智能化设备和技术得到发展，同时对于在智能识别的需求也变得愈来愈迫切。然而对图像的分割是智能识别的基础和前提，分割的效果直接影响到识别的效率和准确率。同时对于街景的图像的分割与识别是无人驾驶、无人机、智慧城市以及城市重建等新兴领域的关键技术因此更精确的图像分割技术对于生活中个方面的发展都有很大的提升与帮助。

目前大部分的家庭都拥有了私家车，使用私家车出行给人们的生活带来了很大的便利。但是带来便利的同时，在驾驶汽车行驶过程中由于驾驶员的分心驾驶、危险驾驶、疲劳驾驶、违反交通规则等其它不可抗拒因素，每年都会引发很多的交通事故，对一个家庭带来很大的经济损失甚至会付出生命的代价。随着近年来汽车产业与在人工智能产业的联合发展，对在汽车代步的基础上逐渐增加了一些智能化的功能，来辅助驾驶人员驾驶汽车，减少因为不正确驾驶所产生的经济损失和人员伤亡。目前有许多相关领域的公司，例如百度、谷歌等科技公司都展开了对自动驾驶领域的研究，推动了自动驾驶领域的发展。

在自动驾驶技术中，对街景场景的精确感知是至关重要的。街景状况的感知可以通过分割获取的行车道路图像来获取道路信息。对于街景图像的快速分割处理技术的应用能够促进更多产业的快速发展，因此对于街景图像分割技术的深入研究对社会的发展具有很重要的意义。目前，图像的分割方法主要分为传统分割方法和新理论分割方法。传统的图像分割方法主要有：阈值法、区域法和边缘检测法等。新理论的图像分割方法有：超像素法和语义分割法。在深度学习的引领下语义分割在街景图像分割领域取得了比较显著的成果。而由谷歌团队提出的Depplab-V3+被誉为语义分割界的新高峰，本文将使用Deeplab-V3+算法模型针对街景图像进行语义分割处理。

发明内容

本文提出一种自动驾驶场景中基于编码器-解码器模型进行语义分割的方法，利用深度学习技术解决了微小目标边界分割困难问题。该方法在平衡网络分割的准确率、识别速度的同时，使两者均达到最优值。

本发明可以通过以下技术步骤进行实现：

1)Cityscapes(5000张精细标注的图像)和Camvid两个数据集作为训练集和测试集，划分比例为7∶3。对上述数据集进行标签化处理，再将标签化处理的数据转换为便于Tensorflow获取的TFRecord格式数据。

2)在Tensorflow环境下对每一帧图像进行翻转、旋转、缩放和移位等几何变换来增强图像数据，并使用CUDA进行加速运算。

3)将Xception模型中的扩展卷积和深度可分离卷积组成扩张分离卷积，原模型中的最大池化操作换成了带有下采样的深度可分离卷积，并在每个3×3卷积后面添加了批量归一化处理和Relu激活函数，实现对复杂场景图像中目标对象的特征提取。