检测可行驶区域的方法和装置制造方法及图纸

本发明专利技术公开了检测可行驶区域的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；采用两组卷积核从多通道特征图中提取图像特征分别得到第一检测图和第二检测图；分别对第一检测图和第二检测图进行反卷积，并根据预设检测规则确定待检测图像中的可行驶区域。该实施方式得到的可行驶区域的边界比较精细，检测准确率高；且检测时间少，实时性高。

Method and device for detecting feasible driving area

The invention discloses a method and a device for detecting a feasible driving area, which relates to the field of computer technology. One specific implementation of the method includes: extracting image features from the image to be detected using SqueezeNet model to obtain at least one multi-channel feature map; extracting image features from the multi-channel feature map using two sets of convolution kernels to obtain the first and second detection maps respectively; deconvoluting the first and second detection maps respectively, and determining the pending image according to the preset detection rules. The travelable area in the image is detected. The boundary of the feasible driving area obtained by the implementation method is fine, the detection accuracy is high, and the detection time is small, and the real-time performance is high.

【技术实现步骤摘要】
检测可行驶区域的方法和装置
本专利技术涉及计算机
，尤其涉及一种检测可行驶区域的方法和装置。
技术介绍
自动驾驶是指依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动操作的情况下自动安全地操作机动车辆。对于视觉计算，目前用于可行驶区域检测的方法主要有两类，即分块的方法和先卷积后反卷积的方法。分块的方法是把图像分割成一个一个块，每个块可能是4像素乘以4像素的块或8像素乘以8像素的块等，然后把每个块经过卷积神经网络，判断其属于可行驶区域还是非可行使区域。先卷积后反卷积的方法是先用卷积神经网络对图像进行特征提取，再用反卷积的方法把中间层放大到和原图一样的大小，从而实现了每个像素点对应一个标签。在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：1.采用分块的方法所得到的可行驶区域的边界比较粗糙，准确率低；2.采用先卷积后反卷积的方法所需参数量多且计算时间长，无法满足实时性的要求。
技术实现思路
有鉴于此，本专利技术实施例提供一种检测可行驶区域的方法和装置，能够提高检测可行驶区域的准确率；且检测所需时间少，实时性高。为实现上述目的，根据本专利技术实施例的一个方面，提供了一种检测可行驶区域的方法。本专利技术实施例的一种检测可行驶区域的方法包括：利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图；对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域。可选地，利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图包括：利用所述SqueezeNet模型的卷积层对所述待检测图像进行卷积得到至少一个卷积图；利用所述SqueezeNet模型的下采样层对所述卷积图分别进行降维处理得到所述多通道特征图；其中，所述降维处理是将所述卷积图中每个与卷积核对应的区域以该区域所有元素中的最大值进行替换。可选地，采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图包括：采用两组卷积核分别对所述多通道特征图进行图像特征提取，分别得到第一特征图集合和第二特征图集合；将所述第一特征图集合的各个特征图相加并进行激活处理，得到所述第一检测图；以及将所述第二特征图集合的各个特征图相加并进行激活处理，得到所述第二检测图。可选地，分别对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域包括：分别对所述第一检测图和所述第二检测图进行反卷积得到第一反卷积图和第二反卷积图，根据预设的检测规则对所述第一反卷积图和所述第二反卷积图进行计算得到二维标签矩阵，基于所述二维标签矩阵确定所述待检测图像中的可行驶区域。可选地，使用预设参数对所述SqueezeNet模型的参数进行初始化，采用反向传播和随机梯度下降法对初始化后的所述SqueezeNet模型的参数进行训练；使用双线性插值对所述反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的所述反卷积的参数进行训练。为实现上述目的，根据本专利技术实施例的另一方面，提供了一种检测可行驶区域的装置。本专利技术实施例的一种检测可行驶区域的装置包括：提取模块，用于利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；卷积模块，用于采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图；反卷积模块，用于对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域。可选地，所述提取模块还用于：利用所述SqueezeNet模型的卷积层对所述待检测图像进行卷积得到至少一个卷积图；利用所述SqueezeNet模型的下采样层对所述卷积图分别进行降维处理得到所述多通道特征图；其中，所述降维处理是将所述卷积图中每个与卷积核对应的区域以该区域所有元素中的最大值进行替换。可选地，所述卷积模块还用于：采用两组卷积核分别对所述多通道特征图进行图像特征提取，分别得到第一特征图集合和第二特征图集合；将所述第一特征图集合的各个特征图相加并进行激活处理，得到所述第一检测图；以及将所述第二特征图集合的各个特征图相加并进行激活处理，得到所述第二检测图。可选地，所述反卷积模块还用于：分别对所述第一检测图和所述第二检测图进行反卷积得到第一反卷积图和第二反卷积图，根据预设的检测规则对所述第一反卷积图和所述第二反卷积图进行计算得到二维标签矩阵，基于所述二维标签矩阵确定所述待检测图像中的可行驶区域。可选地，使用预设参数对所述SqueezeNet模型的参数进行初始化，采用反向传播和随机梯度下降法对初始化后的所述SqueezeNet模型的参数进行训练；使用双线性插值对所述反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的所述反卷积的参数进行训练。为实现上述目的，根据本专利技术实施例的又一方面，提供了一种检测可行驶区域的电子设备。本专利技术实施例的一种检测可行驶区域的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术实施例的一种检测可行驶区域的方法。为实现上述目的，根据本专利技术实施例的再一方面，提供了一种计算机可读存储介质。本专利技术实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本专利技术实施例的一种检测可行驶区域的方法。上述专利技术中的一个实施例具有如下优点或有益效果：因为采用对SqueezeNet模型进行改进，再结合反卷积的方法来检测图像中的可行驶区域的技术手段，所以克服了可行驶区域检测准确率低或无法满足实时性的要求的技术问题，从而达到检测得到的可行驶区域的边界比较精细检测，准确率高；且检测时间少，实时性高的技术效果。上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。附图说明附图用于更好地理解本专利技术，不构成对本专利技术的不当限定。其中：图1是根据本专利技术实施例的检测可行驶区域的方法的主要步骤的示意图；图2是根据本专利技术实施例的检测可行驶区域的装置的主要模块的示意图；图3是根据本专利技术实施例的检测可行驶区域的方法的修改后的SqueezeNet模型示意图；图4是本专利技术实施例可以应用于其中的示例性系统架构图；图5是适于用来实现本专利技术实施例的终端设备或服务器的计算机系统的结构示意图。具体实施方式以下结合附图对本专利技术的示范性实施例做出说明，其中包括本专利技术实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本专利技术的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。图1是根据本专利技术实施例的检测可行驶区域的方法的主要步骤的示意图。如图1所示，本专利技术实施例的一种检测可行驶区域的方法主要包括以下步骤：步骤S101：利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图。SqueezeNet模型是一种卷积神经网络结构，所需参数的数量为现有卷积模型的五十分之一本文档来自技高网...

【技术保护点】
1.一种检测可行驶区域的方法，其特征在于，包括：利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图；对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域。

【技术特征摘要】
1.一种检测可行驶区域的方法，其特征在于，包括：利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图；对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域。2.根据权利要求1所述的方法，其特征在于，利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图包括以下步骤：利用所述SqueezeNet模型的卷积层对所述待检测图像进行卷积得到至少一个卷积图；利用所述SqueezeNet模型的下采样层对所述卷积图分别进行降维处理得到所述多通道特征图；其中，所述降维处理是将所述卷积图中每个与卷积核对应的区域以该区域所有元素中的最大值进行替换。3.根据权利要求1所述的方法，其特征在于，采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图包括：采用两组卷积核分别对所述多通道特征图进行图像特征提取，分别得到第一特征图集合和第二特征图集合；将所述第一特征图集合的各个特征图相加并进行激活处理，得到所述第一检测图；以及将所述第二特征图集合的各个特征图相加并进行激活处理，得到所述第二检测图。4.根据权利要求1所述的方法，其特征在于，分别对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域包括：分别对所述第一检测图和所述第二检测图进行反卷积得到第一反卷积图和第二反卷积图，根据预设的检测规则对所述第一反卷积图和所述第二反卷积图进行计算得到二维标签矩阵，基于所述二维标签矩阵确定所述待检测图像中的可行驶区域。5.根据权利要求1所述的方法，其特征在于，使用预设参数对所述SqueezeNet模型的参数进行初始化，采用反向传播和随机梯度下降法对初始化后的所述SqueezeNet模型的参数进行训练；使用双线性插值对所述反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的所述反卷积的参数进行训练。6.一种检测可行驶区域的装置，其特征在于，包括：提取模块，用于利用SqueezeN...

【专利技术属性】
技术研发人员：张立成，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京,11