[发明专利]单目视觉实例分割深度链式特征提取网络、方法和系统

说明书

单目视觉实例分割深度链式特征提取网络、方法和系统，属于计算机视觉应用中的实例分割领域，单链结构主要由卷积层组和加法融合器组成，且被区分为双端输入π型单链结构和双端输入倒π型单链结构，双端输入π型单链结构和双端输入倒π型单链结构交替顺序连接，本发明结构简单灵活，可连续堆叠使用，适用于无人驾驶、移动机器人等低功耗、快速反应需求的多种场景和设备。

技术领域

本发明属于计算机视觉应用中的实例分割领域，具体的说是一种适用于无人驾驶等单目视觉环境的，级联堆叠的实例分割特征提取网络。

背景技术

近年来无人驾驶技术快速发展，无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。而在无人驾驶技术中，如何使用简单的设备快速准确地识别车辆前方的物体和行人毫无疑问是当前无人驾驶技术发展的一个很大的障碍，如果不能在简易装置下短时间内准确识别并做出反应，那么无人驾驶技术将很难走远。

近年来，人工神经网络识别技术已经引起了社会广泛的关注，并且大量应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。但在深度学习中，往往一个框架只能完成单线程任务，而随着深度学习计算机视觉领域的发展，越来越要求在深度神经网络中实现多任务集成，即目标检测，图像分类，图像分割通过一个学习框架完成，代表框架就是实例分割。

专利《一种融合空洞卷积和边缘信息的实例分割方法》(公开号：CN110348445A)，公开了一种融合空洞卷积和边缘信息的实例分割方法，提出在特征金字塔网络加入混合空洞卷积层对金字塔顶层特征图进行混合空洞卷积；在初步分割网络加入边缘检测模块，对分割结果进行边缘检测。专利《基于无人驾驶技术对实例分割的改进方法》(公开号：CN110276378A)，公开了一种实例分割的改进方法，提出基于Mask R-CNN的Faster R-CNN基础上对目标进行检测以及分类，之后通过FCN特征粗提取以及CRF优化输出从而实现实例分割。该方法对特征金字塔提取到的特征进行深入精细处理，通过特征融合优化来提高分割结果。

发明内容

为了解决根据实际硬件环境和设备参数，可调整堆叠层数数量，更适用于低功耗、快速反应的硬件设备需求的问题，本发明提出如下技术方案：一种单目视觉实例分割深度链式特征提取网络，主要由若干单链结构顺序连接而成，单链结构主要由卷积层组和加法融合器组成，且被区分为双端输入π型单链结构和双端输入倒π型单链结构，双端输入π型单链结构和双端输入倒π型单链结构交替顺序连接；

双端输入π型单链结构的卷积层组输出第一超前特征信息和第二超前特征信息，第一超前特征信息输出，作为至该双端输入π型单链结构最近邻后级双端输入π型单链结构的卷积层组超前特征信息输入，第二超前特征信息与基本特征信息在加法融合器中融合并输出，作为该双端输入π型单链结构后级双端输入倒π型单链结构卷积层组的基本特征信息输入；

双端输入倒π型单链结构的卷积层组输出与该双端输入倒π型单链结构的前级双端输入π型单链结构输出的第一超前特征信息于加法融合器中融合并输出，作为该双端输入倒π型单链结构的后级双端输入π型单链结构的基本特征信息输入。

作为技术方案的补充，首端单链结构是单端输入π型单链结构，双端输入倒π型单链结构的输出端和位于其后级的双端输入π型单链结构组成双端输入π型双链复合结构。

作为技术方案的补充，链式网络末端的单链结构是双端输入倒π型单链结构或者是双端输入π型单链结构，且末端的单链结构的超前特征信息与基本特征信息中的一个通过卷积层组，并与另一个融合于加法融合器中并输出。

作为技术方案的补充，单端输入π型单链结构，包括

第一特征信息输入端，输出1a特征信息和1b特征信息；

第一卷积层组，1a特征信息输入第一卷积层组，第一卷积层组输出2a特征信息和1d特征信息；