[发明专利]基于SegNet-RS网络的大障碍物轮廓分割方法

说明书

本发明公开了一种基于SegNet‑RS网络的大障碍物轮廓分割方法，该方法利用上下文信息和池化操作特性改进SegNet网络，然后修改卷积核的尺寸，最后采用PReLU函数代替ReLU函数，充分利用池化与上采样操作的特性，最大程度的还原了图像特征，提高语义分割在轮廓分割任务上的准确率。此外在网络的训练策略上也做了对应的优化设计。该方法实现了大障碍物检测的高完整轮廓分割，轮廓分割的平均准确率较SegNet网络提高了7％、平均交并比提升了9％、实时性与SegNet网络基本一致，具有优异的准确率和鲁棒性，特别适合于智能驾驶中的的大障碍物识别。

技术领域

本发明属于自动驾驶的图像处理领域，更具体地说，涉及一种基于SegNet-RS网络的大障碍物轮廓分割方法。

背景技术

在针对自动驾驶图像处理的常规性语义分割网络技术中，FCN网络、U-Net网络、SegNet网络和DeepLabv3+网络等研究比较热门，FCN网络对大类别物体的区分明显，但是轮廓形状不太标准，同时复杂环境下的物体出现糅杂，细小物体无法识别，DeepLabv3+网络虽然在平均准确率和平均交并比性能比较优异，但是检测速度过慢不适合对实时性有较高要求的智能驾驶系统，SegNet网络和U-Net网络的性能相差不大，但是SegNet网络的准确率更好，而速度相差不大，因此SegNet网络的综合表现性能最好。

现有技术中的SegNet网络是一种非常经典的语义分割网络，也是目前使用最多的分割网络之一，通过修改VGG-16网络而得到，在自动驾驶领域有十分广泛的应用。其结构如图1所示，左半部分是编码层，右半边部分是解码层，由中间的池化与上采样操作作为分割线的对称结构，共34层。左半边网络使用的是做了少许修改的VGG-16的前13层网络，用于提取图像特征并且保存池化索引；右边是反卷积与上采样的操作过程，利用反卷积操作使图像分类后复原图像特征，上采用操作还原至图像原始尺寸。最后的softmax函数则用来计算出不同分类的最大概率得到语义分割图。SegNet网络的卷积层将卷积、批标准化和激活函数结合成一个。卷积操作用于提取特征，卷积操作使用卷积核去计算卷积操作中输入特征图与卷积核相同大小的感受野，得出一个数值。当卷积核以滑动窗口形式遍历完整个图像时，将得到的数值重新组合成一个特征图的矩阵。

然而，现有的SegNet网络虽然能识别各类物体，但是分割结果不够精细，轮廓出现不完整车辆的轮廓，以致出现了空洞，容易被误判成前方有其它障碍物或两辆车，故其无法直接用于自动驾驶图像中的大障碍物轮廓的实时分析。

基于此，亟需设计一种图像处理速度快，准确率高且能识别大障碍物轮廓分割方法。

发明内容

(一)技术问题

基于上述的技术缺陷，本发明提供了一种基于SegNet-RS网络的大障碍物轮廓分割方法，该方法的实时性较好、准确率高，且能够有效识别和分割大障碍物的轮廓，特别适于智能驾驶系统中的图像处理。

(二)技术方案

本发明提供了一种基于SegNet-RS网络的大障碍物轮廓分割方法，针对采集的含大障碍物轮廓的图像，该方法在原SegNet网络上进行如下(1)～(4)方面的改进：

(1)SegNet-RS网络基本结构框架的构建；将解码过程中的1/8尺寸特征图同编码过程中1/8尺寸特征图进行迭代融合得到新的1/8尺寸的特征图，将其进行反卷积4和上采样3操作获得解码过程中1/4尺寸特征图；然后将解码和编码过程中的1/4尺寸特征图进行迭代融合获得新的1/4尺寸特征图，将其通过反卷积3和上采样2操作获得解码过程中1/2尺寸特征图；最后将解码与编码过程中的1/2尺寸的特征图进行迭代融合获得新的1/2尺寸的特征图，将其通过反卷积2、上采样1、反卷积1与Softmax函数四个操作获得与原图尺寸一样的语义分割图；

(2)池化层的选择；SegNet-RS网络的池化层选用2×2池化核的平均池化操作，以将特征图的特征值乘以4后平均分布至新的被放大的特征矩阵中去；