The present invention relates to a road scene segmentation method based on full convolution neural network, which includes: step 1, using KSW two-dimensional threshold and genetic algorithm to obtain training sets by median filtering of the original road scene images; step 2, constructing a full convolution neural network framework; step 3, getting training samples and passing people in step 1 The artificial segmentation image of eye recognition and judgment mark is used as the input data of the full convolution neural network, and the depth learning neural network segmentation model with high robustness and good accuracy is trained. Step 4, the road scene image test data to be segmented is introduced into the trained depth learning neural network segmentation model, and the final result is obtained. Segmentation results. The experimental results show that the method can effectively solve the segmentation problem of road scene images, obtain higher robustness and segmentation accuracy than traditional road scene image segmentation methods, and can be further applied to road image segmentation in more complex scenes.
【技术实现步骤摘要】
基于全卷积神经网路的道路场景分割方法
本专利技术属于图像分割
,涉及适用于城市、郊区、高速公路等多场景道路图像分割,可用于目标识别、目标检索、无人驾驶技术等领域。
技术介绍
随着社会的发展,经济的提高,城市交通不断完善,汽车的普及程度已很大,但由于汽车驾驶不当引起的各类交通事故也日益增多。在科技不断进步的今天,无人驾驶技术也应运而生。无人驾驶系统是一个集合智能识别、路径规划、机械控制等多个模块的复杂智能控制系统,最终目的是实现车内计算机控制系统实现自动驾驶操作。无人驾驶技术的研究是为了提供汽车驾驶的安全性、舒适性以及娱乐性,发展城市智能交通,解决城市交通拥堵等一系列问题。因此无人驾驶技术的研究实现具有巨大的现实意义,未来发展前景十分可观。智能识别模块在无人驾驶系统中具有举足轻重的作用,其主要是感知车辆周围环境中的车辆、行人、房屋、行车线等物体,将感知结果提供给路径决策模块进行相应的道路规划,最终由机械控制模块通过相关机械联动使汽车自动驾。环境感知包括道路识别、汽车检测、行人检测及道路标识线识别等,解决这些问题一直以来存在着很大的挑战。传统道路分割常采用两类方法:基于双目视觉深度图的方法和基于运动的方法。基于双目立体视觉和SVM算法行人检测是利用阈值分割确定运动目标所在的坐标位置;针对运动指标多样性则是以高度、投影表面方向、特征跟踪密度等5个运动指标对道路进行分割,但是上述方法需要极大的计算资源,难以满足现阶段无人驾驶汽车实用性要求。自2014年起,深度学习被逐渐引入到道路场景分割中,一些研究者提出了基于端对端深度学习的智能车转向研究,通过预训练自编码 ...
【技术保护点】
1.基于全卷积神经网路的道路场景分割方法,其特征在于,包括如下步骤:步骤1,利用改进的KSW二维阈值及遗传算法对原始道路场景图像进行中值滤波处理获得训练集,包括如下子步骤;步骤1a,首先设定KSW二维阈值及遗传算法中的初始种群数,采用16位二进制来表示阈值矢量,前8位二进制码表示阈值s,后8位二进制码表示阈值t;构造适应度函数如式(1)所示:
【技术特征摘要】
1.基于全卷积神经网路的道路场景分割方法,其特征在于,包括如下步骤:步骤1,利用改进的KSW二维阈值及遗传算法对原始道路场景图像进行中值滤波处理获得训练集,包括如下子步骤;步骤1a,首先设定KSW二维阈值及遗传算法中的初始种群数,采用16位二进制来表示阈值矢量,前8位二进制码表示阈值s,后8位二进制码表示阈值t;构造适应度函数如式(1)所示:式中s*表示前8位编码最佳阈值,t*表示后8位编码最佳阈值,H(s,t)表示二维信息熵;步骤1b,然后将适应度较大的个体的比例直接遗传到下一代,再通过轮赌法选择个体;并设置交叉算子如式(2)所示,其中,k表示算法的搜索代数;步骤1c,将进化过程分为初期、中期和后期三个阶段,每个阶段采用不同变异概率,具体变异算子的设置如式(3)所示,其中,k表示算法的搜索代数;步骤1d,将新一代的二维阈值输入适应度函数,如果满足函数,则确定该二维阈值对原始道路场景图像进行滤波,如果不满足函数,则返回重新编码、交叉、变异得到下一代种群,直到得到最优二维阈值,然后利用最优二维阈值来对原始道路...
【专利技术属性】
技术研发人员:王云艳,罗冷坤,徐超,
申请(专利权)人:湖北工业大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。