[发明专利]基于深浅特征融合卷积神经网络的路侧图像车辆分割方法

摘要

本发明公开了基于深浅特征融合卷积神经网络的路侧图像车辆分割方法，该方法针对智能路侧终端图像中车辆相互粘连造成其边界难以准确获取的难题，首先通过对池化层、不同类型卷积层进行优化设计，得到一个高效的卷积神经网络来分层提取车辆特征，进而将网络浅层所提取的边缘细节特征与深层所提取的语义特征融合，得到深浅特征融合卷积神经网络。本发明方法在提高分割速度的同时，获得了完整、准确的车辆分割边界，有效克服了单一网络结构难以准确描述车辆边界的不足，满足智能路侧终端对准确性和实时性的要求。

主权项

1.基于深浅特征融合卷积神经网络的路侧图像车辆分割方法，其特征在于，包括以下步骤：(1)建立车辆分割数据集；(2)构建深浅特征融合卷积神经网络，首先通过对池化层、不同类型卷积层进行优化设计，得到一个高效的卷积神经网络来分层提取车辆特征，进而将网络浅层所提取的边缘特征与深层所提取的语义特征融合，获得深浅特征融合卷积神经网络，包括以下子步骤：子步骤1：设计池化层，池化层数量为2，均采用最大池化操作，采样尺寸均为2×2，步长均为2；子步骤2：设计扩张卷积层，扩张卷积层数量为5，扩张率分别为2、4、6、8、4，卷积核数量分别为128、128、256、256、512，卷积核大小均为3×3，步长均为1；子步骤3：设计标准卷积层，标准卷积层数量为4，卷积核数量分别为64、64、2、2，卷积核大小分别为3×3、3×3、3×3、1×1，步长均为1；子步骤4：设计分解卷积层，分解卷积层数量为4，卷积核数量分别为256、256、512、512，卷积核大小分别为3×1、1×3、3×1、1×3，步长均为1；子步骤5：设计反卷积层，反卷积层数量为2，卷积核数量分别为2、2，卷积核大小均为3×3，步长均为2；子步骤6：确定网络的浅层特征和深层特征所在位置，浅层特征位于从左至右第5个卷积层，深层特征位于从左至右第12个卷积层；子步骤7：融合浅层特征与深层特征，使用步骤(2)的子步骤3中设计的1×1标准卷积对浅层特征进行降维，使其具有与深层特征相同的维度，然后构建跳跃连接结构将浅层特征与深层特征融合；子步骤8：确定网络架构，根据步骤(2)中的网络层参数建立模型，得到网络架构如下：标准卷积层1_1：用64个3×3的卷积核与A×A像素的输入样本做卷积，步长为1，再经过ReLU激活，得到维度为A×A×64的特征图；标准卷积层1_2：用64个3×3的卷积核与标准卷积层1_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为A×A×64的特征图；池化层1：用2×2的核对标准卷积层1_2输出的特征图做最大池化，步长为2，得到维度为的特征图；扩张卷积层2_1：用128个3×3的卷积核与池化层1输出的特征图做卷积，步长为1，扩张率为2，再经过ReLU激活，得到维度为的特征图；扩张卷积层2_2：用128个3×3的卷积核与扩张卷积层2_1输出的特征图做卷积，步长为1，扩张率为4，再经过ReLU激活，得到维度为的特征图；池化层2：用2×2的核对扩张卷积层2_2输出的特征图做最大池化，步长为2，得到维度为的特征图；扩张卷积层3_1：用256个3×3的卷积核与池化层2输出的特征图做卷积，步长为1，扩张率为6，再经过ReLU激活，得到维度为的特征图；标准卷积层3_1_1：用2个1×1的卷积核对扩张卷积层3_1输出的特征图进行降维，步长为1，再经过ReLU激活，得到维度为的特征图；扩张卷积层3_2：用256个3×3的卷积核与扩张卷积层3_1输出的特征图做卷积，步长为1，扩张率为8，再经过ReLU激活，得到维度为的特征图；分解卷积层3_3：用256个3×1的卷积核与扩张卷积层3_2输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；分解卷积层3_4：用256个1×3的卷积核与分解卷积层3_3输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；分解卷积层3_5：用512个3×1的卷积核与分解卷积层3_4输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；分解卷积层3_6：用512个1×3的卷积核与分解卷积层3_5输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；扩张卷积层3_7：用512个3×3的卷积核与分解卷积层3_6输出的特征图做卷积，步长为1，扩张率为4，再经过ReLU激活，得到维度为的特征图；标准卷积层3_8：用2个3×3的卷积核与扩张卷积层3_7输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；反卷积层4：用2个3×3的卷积核对标准卷积层3_1_1与标准卷积层3_8融合后输出的特征图做反卷积，步长为2，得到维度为的特征图；反卷积层5：用2个3×3的卷积核与反卷积层4输出的特征图做反卷积，步长为2，得到维度为A×A×2的特征图；(3)训练设计的深浅特征融合卷积神经网络，获得网络参数；(4)使用深浅特征融合卷积神经网络进行路侧图像车辆分割。