[发明专利]一种基于边界引导的道路场景语义分割方法

说明书

本发明公开了一种基于边界引导的道路场景语义分割方法，涉及深度学习领域，具体步骤为：获取训练集，训练集包括原始道路场景RGB图像、Thermal热红外图像、预处理后的边界图像；构建卷积神经网络；将训练集输入到卷积神经网络中进行训练，得到对应的语义分割预测图；语义分割预测图构成第一集合，真实语义分割图像处理成的独热编码图像构成第二集合，计算第一集合与第二集合之间的损失函数，得到卷积神经网络分类训练模型的最优权值矢量和偏置项，卷积神经网络分类训练模型训练完成；将待语义分割的道路场景图像输入卷积神经网络分类训练模型中，得到预测语义分割图像，优点是提高了RGB‑T道路图像的语义分割效率和准确度。

技术领域

本发明涉及深度学习技术领域，更具体的说是涉及一种基于边界引导的道路场景语义分割方法。

背景技术

智能交通行业的兴起，使得语义分割在智能交通系统的应用越来越广泛，从交通场景理解和多目标障碍检测到视觉导航都可借由语义分割技术实现。目前，传统语义分割，主要主要依靠图像纹理、颜色以及其他一些简易的表层特征和外部结构特征进行图像分割，以此方式得到的分割结果相对粗陋，精度较低，而使用深度学习来对交通场景进行语义分割简单方便，更重要的是，深度学习的应用极大地提高了图像像素级分类任务的精度。

采用深度学习的语义分割方法，直接进行像素级别端到端(end-to-end)的语义分割，其只需要将训练集中的图像输入进模型框架中训练，得到权重与模型，即可在测试集进行预测。卷积神经网络的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征。目前，基于深度学习语义分割的方法分为两种，第一种是编码-译码架构。编码过程通过池化层逐渐减少位置信息、抽取抽象特征；译码过程逐渐恢复位置信息。一般译码与编码间有直接的连接。第二种架构是带孔卷积(dilated convolutions)，抛弃了池化层，通过带孔卷积的方式扩大感知域，较小值的带孔卷积感知域较小，学习到一些部分具体的特征；较大值的带孔卷积层具有较大的感知域，能够学习到更加抽象的特征，这些抽象的特征对物体的大小、位置和方向等鲁棒性更好。

现有的道路场景语义分割方法大多采用深度学习的方法，利用卷积层与池化层相结合的模型较多，然而单纯利用池化操作与卷积操作获得的特征图单一且不具有代表性，从而会导致得到的图像的特征信息减少，最终导致还原的效果信息比较粗糙，分割精度低。因此，对本领域技术人员来说，如何在保证分割效率的同时提高分割精度是亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种基于边界引导的道路场景语义分割方法，基于边界引导进行道路场景语义分割，其分割效率高，且分割准确度高。

为了实现上述目的，本发明采用如下技术方案：一方面，提供一种基于边界引导的道路场景语义分割方法，包括训练阶段和测试阶段，其特征在于，具体步骤为：

获取训练集，所述训练集包括原始道路场景RGB图像、Thermal热红外图像、预处理后的边界图像；

构建卷积神经网络；

将所述训练集输入到所述卷积神经网络中进行训练，得到对应的语义分割预测图；

所述语义分割预测图构成第一集合，真实语义分割图像处理成的独热编码图像构成第二集合，计算所述第一集合与第二集合之间的损失函数，得到卷积神经网络分类训练模型的最优权值矢量和偏置项，所述卷积神经网络分类训练模型训练完成；

将待语义分割的道路场景图像输入所述卷积神经网络分类训练模型中，得到预测语义分割图像。