一种弱对比度交通场景下的车辆检测分割算法制造技术

本发明专利技术公开了一种弱对比度交通场景下的车辆分割算法方法，通过确定交通场景下的车辆分割任务建立分割目标的数据库，并训练全卷积神经网络语义分割模型通过训练好的全卷积神经网络的对弱对比度交通场景下的前方车辆进行初步分割，从而得到车辆的概率图与分割结果接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和微小空洞接着将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到细化的分割结果，最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的前车概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的车辆细化分割。

【技术实现步骤摘要】
一种弱对比度交通场景下的车辆检测分割算法
本专利技术属于图像处理领域，具体涉及一种弱对比度交通场景下的车辆检测分割算法。
技术介绍
在交通场景下的车辆图像采集方面，一些专家学者提出了一系列交通场景下的车辆分割算法，但是在弱对比度交通环境下的车辆分割任然存在以下难点：由于在实际的交通场景获取的图像容易受到多方面的干扰，比如天气的变化、光照强弱的变化、车辆自身产生的阴影、车辆与车辆之间的相互遮挡等问题，这些因素都对弱对比度交通场景下的车辆分割造成极大的困扰。如何在复杂交通环境的车辆进行有效的分割仍然值得大家研究。相比于传统的交通场景下的目标分割方法，基于全卷积神经网路的目标分割算法由于其准确率与鲁棒性受到了广泛关注。但是经典的全卷积神经网(FCN-8S)语义分割模型采用上池化的方式进行反卷积操作所以导致分割图像的边缘不够精细，并且经典的全卷积神经网络语义分割模型采用阈值比较的方式对得到的车辆概率图进行边界划定，所以导致分割结果的边界结构和形状的都很差。
技术实现思路
本专利技术的目的在于提供一种弱对比度交通场景下的车辆检测分割算法，以克服现有技术的不足。为达到上述目的，本专利技术采用如下技术方案：一种弱对比度交通场景下的车辆检测分割算法，包括以下步骤：步骤1)、确定分割目标，建立分割目标的数据库，从而产生训练集与测试集；步骤2)、建立分割目标的正负样本数据库，并对步骤1)产生的训练集进行全卷积神经网络语义分割模型；步骤3)、使用训练好的全卷积神经网络模型对测试集进行语义分割从而得到车辆的概率图与二值分割结果图；步骤4)、接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和空洞；步骤5)、接着将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到均值漂移分割结果；步骤6)、最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的前车概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的精细化前车分割。进一步的，步骤1)中，确定目标分割任务为弱对比交通场景下的车辆分割，通过采集各类交通场景中的图片，并对交通场景中的车辆进行标注，从而产生训练集与测试集。进一步的，采取Citycapes作为全卷积神经网络的训练集，并对本专利技术所提出的全卷积神经网络模型进行训练。进一步的，步骤3)中，对将采集的交通场景图片放入全卷积神经网络语义分割模型中进行检测，从而得到车辆概率图与二值化的语义分割图，车辆二值化分割计算公式如公式1所示：t(i,j)表示二值化的像素值，pi,j表示进行语义分割以后得到的车辆概率图中概率值。进一步的，步骤4)中，对得到的二值化图像进行中值滤波操作并将连通域面积小于16像素的孔洞去除从而对二值化分割图像实现滤波操作。进一步的，步骤5)中，将去噪后的二值图映射回原图，输入为候选区域图像input，输出分割图像output。进一步的，a)、所选取的目标的候选区域图像input，将提取的像素点的图像颜色信息即R，G，B值作为检测到的每个像素点的属性值；b)、初始化参数，设置目标的搜索区域的带宽参数h、像素的均值收敛阈值ε；c)、将所有图像中像素点全部标记为0，循环执行如下步骤：从图像中没有被访问过的一个像素点作为目标的初始点x；根据式(2)计算均值漂移量mh(x)，并将已经被访问的目标像素值标记为1；mh(x)表示均值漂移量，g(x)代表核函数，h为带宽参数，x为每个像素点的属性值；如果||mh(x)-x||≤ε，则终止迭代并对点进行归类；否则，将mh(x)赋值给x，然后转步骤b)，根据实验室取值ε＝0.03；判断图像中是否存在没有被访问过的像素值，若有，转步骤a)；d)：将没有被访问过但没有作为初始点进行元素迭代的像素点到各类中心的距离合并到己有的类中，从而得到交通环境下目标的分割结果output。与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术一种弱对比度交通场景下的车辆检测分割算法，首先通过确定分割目标，建立分割目标的数据库，并训练全卷积神经网络语义分割模型；然后建立目标的正负样本数据库，并训练全卷积神经网络语义分割模型；使用训练好的全卷积神经网络模型对测试集进行语义分割从而得到车辆的概率图与二值分割结果图；接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和空洞；将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到均值漂移分割结果；最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的前车概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的精细化前车分割，采用区域合并的方式将全卷积神经网络分割结果与均值漂移分割结果相互结合，从而解决了全卷积神经网络对弱对比度交通场景下的分割结果存在的像素漂移问题以及分割结果的边缘不够精细等问题，利用本专利技术车辆分割算法，从而提高了车辆检测分割的准确率与精确率。附图说明图1为弱对比度交通场景下的车辆分割算法流程图。图2为全卷积神经网络模型。图3为滤波及去噪后的结果图。图4为均值漂移分割结果图。图5为区域合并示意图。图6为前车分割算法过程结果图，(a)原图；(b)全卷积神经网络语义分割图；(c)映射回原图；(d)均值漂移分割结果图；(e)区域合并分割结果图。图7为常规交通环境下前车分割结果图；(a)测试原图；(b)真值图；(c)FCN-8S语义分割结果图；(d)Segnet语义分割结果图；(e)本文所提出分割算法结果图。图8为强弱光照交通场景下前车分割结果图：(a)测试原图；(b)真值图；(c)FCN-8S语义分割结果图；(d)Segnet语义分割结果图(e)本文所提出分割算法结果图。图9为阴影交通场景下前车分割结果图：(a)测试原图；(b)真值图；(c)FCN-8S语义分割结果图；(d)Segnet语义分割结果图；(e)本文所提出分割算法结果图。图10为遮挡交通场景下前车分割结果图：(a)测试原图；(b)真值图；(c)FCN-8S语义分割结果图；(d)Segnet语义分割结果图；(e)本文所提出分割算法结果图。具体实施方式下面结合附图对本专利技术做进一步详细描述：如图1所示，一种弱对比度交通场景下的车辆检测分割算法，包括以下步骤：步骤1)、确定分割目标，建立分割目标的数据库，从而产生训练集与测试集；步骤2)、建立分割目标的正负样本数据库，并训练全卷积神经网络语义分割模型；步骤3)、使用训练好的全卷积神经网络模型对测试集进行语义分割从而得到车辆的概率图与二值分割结果图；步骤4)、接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和空洞；步骤5)、接着将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到均值漂移分割结果；步骤6)、最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的前车概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的精细化前车分割。步骤1)中，确定目标分割任务为弱对比交通场景下的车辆分割，通过采集各类交通场景中的图片，并对交通场景中的车辆进行标注，从而产生训练集与测试集；具体的，采取Citycapes作为全卷积神经网络的训练集，并对本专利技术本文档来自技高网...

【技术保护点】
1.一种弱对比度交通场景下的车辆检测分割算法，其特征在于，包括以下步骤：步骤1)、确定分割目标，建立分割目标的数据库，从而产生训练集与测试集；步骤2)、建立分割目标的正负样本数据库，并对步骤1)产生的训练集进行全卷积神经网络语义分割模型；步骤3)、使用训练好的全卷积神经网络模型对测试集进行语义分割从而得到车辆的概率图与二值分割结果图；步骤4)、接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和空洞；步骤5)、接着将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到均值漂移分割结果；步骤6)、最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的前车概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的精细化前车分割。

【技术特征摘要】
1.一种弱对比度交通场景下的车辆检测分割算法，其特征在于，包括以下步骤：步骤1)、确定分割目标，建立分割目标的数据库，从而产生训练集与测试集；步骤2)、建立分割目标的正负样本数据库，并对步骤1)产生的训练集进行全卷积神经网络语义分割模型；步骤3)、使用训练好的全卷积神经网络模型对测试集进行语义分割从而得到车辆的概率图与二值分割结果图；步骤4)、接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和空洞；步骤5)、接着将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到均值漂移分割结果；步骤6)、最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的前车概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的精细化前车分割。2.根据权利要求1所述的一种弱对比度交通场景下的车辆检测分割算法，其特征在于，步骤1)中，确定目标分割任务为弱对比交通场景下的车辆分割，通过采集各类交通场景中的图片，并对交通场景中的车辆进行标注，从而产生训练集与测试集。3.根据权利要求2所述的一种弱对比度交通场景下的车辆检测分割算法，其特征在于，采取Citycapes作为全卷积神经网络的训练集，并对本发明所提出的全卷积神经网络模型进行训练。4.根据权利要求1所述的一种弱对比度交通场景下的车辆检测分割算法，其特征在于，步骤3)中，对将采集的交通场景图片放入全卷积神经网络语义分割模型中进行检测，从而得到车辆概率图与二值化的语义分割图，车辆二值化分割计算公式如公式1...

【专利技术属性】
技术研发人员：赵祥模，刘占文，高涛，董鸣，杨楠，沈超，徐江，樊星，连心雨，张凡，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61