基于卷积神经网络的岔路口识别及深度估计方法技术

本发明专利技术公开了一种基于卷积神经网络的岔路口识别及深度估计方法，包括以下步骤：S1、收集室外各种场景的岔路口样本和非岔路口样本；S2、对岔路口样本和非岔路口样本进行预处理；S3、训练CNN岔路口检测器；S4、获取检测图片，并对获取的检测图片进行预处理；S5、将检测图像构建图像金字塔；S6、对图像金字塔进行特征提取；S7、对特征图进行扫描，形成特征向量；S8、特征分类；S9、合并检测窗口并输出。本发明专利技术采用卷积神经网络从样本中学习到岔路口本质的特征，采用在检测图像上扫描窗口的特征提取方式，并用卷积神经网络的分类器进行分类，通过卷积神经网络的线性回归得到岔路口的深度信息；可有效提高岔路口检测的鲁棒性和抗干扰性。

【技术实现步骤摘要】

本专利技术涉及计算机视觉、模式识别等多个领域，特别涉及一种基于卷积神经网络的岔路口识别及深度估计方法。
技术介绍
室外移动机器人导航技术的基本任务是通过传感器给出移动机器人与环境的相对位置，为机器人进行路径规划。在已有的导航技术中，基于视觉的方法由于其丰富的传感器信息和最接近人类的感知方式，已经成为最具有研究前景的方法之一。在视觉方法中，基于单目视觉的算法由于在鲁棒性和效率之间达到了较好的平衡，且只需要相对廉价的设备，从而获得了最为广泛的研究。到目前为止,机器人导航的发展大致分为3个阶段：第1阶段研究主要针对结构化环境的应用，其中小范围环境中通常使用基于地图的方法,但基本停留在实验室阶段；针对公路环境的应用则不创建全局地图，大多依赖地面标线特征进行局部相对位置估计，主要面向智能交通领域的应用；第2阶段的研究开始转向复杂的结构化道路、城市环境和非结构化环境(野外环境)。机器学习理论，更复杂的滤波技术以及传感器融合技术被引入该检测系统，传感器层面和算法层面的融合成为这个时期研究的重点。但同时，由于面临的问题更为发散和复杂，不能像第1阶段的研究那样形成一个“标准”的算法框架。第3阶段研究本文档来自技高网...

【技术保护点】
基于卷积神经网络的岔路口识别及深度估计方法，其特征在于，包括离线训练和在线检测两个步骤；所述离线检测包括以下步骤：S1、收集室外各种场景的岔路口样本和非岔路口样本，并对岔路口样本分类；S2、对岔路口样本和非岔路口样本进行预处理；S3、训练CNN岔路口检测器；所述在线检测包括以下步骤：S4、获取检测图片，并对获取的检测图片进行预处理；S5、将检测图像构建图像金字塔；S6、对图像金字塔进行特征提取：利用CNN岔路口检测器的特征提取器对整个检测图像进行特征提取，通过多次卷积和降采样形成多张特征图；S7、对特征图进行扫描，形成特征向量；S8、特征分类：利用CNN岔路口检测器的分类器对特征向量进行分类，...

【技术特征摘要】
1.基于卷积神经网络的岔路口识别及深度估计方法，其特征在于，包括离线训练和在线检测两个步骤；所述离线检测包括以下步骤：S1、收集室外各种场景的岔路口样本和非岔路口样本，并对岔路口样本分类；S2、对岔路口样本和非岔路口样本进行预处理；S3、训练CNN岔路口检测器；所述在线检测包括以下步骤：S4、获取检测图片，并对获取的检测图片进行预处理；S5、将检测图像构建图像金字塔；S6、对图像金字塔进行特征提取：利用CNN岔路口检测器的特征提取器对整个检测图像进行特征提取，通过多次卷积和降采样形成多张特征图；S7、对特征图进行扫描，形成特征向量；S8、特征分类：利用CNN岔路口检测器的分类器对特征向量进行分类，如果分类器输出值大于设定的阈值，则判定该窗口对应在检测图像中的区域包含岔路口，否则判定为背景；S9、合并检测窗口并输出。2.根据权利要求1所述的基于卷积神经网络的岔路口识别及深度估计方法，其特征在于，所述步骤S1具体实现方法为：通过手机拍摄大量岔路口的样本，岔路口样本集包含了不同的岔路口形状，岔路口的各个视角以及到岔路口各种距离的情况。3.根据权利要求2所述的基于卷积神经网络的岔路口识别及深度估计方法，其特征在于，所述步骤S2包括以下子步骤：S21、根据设定的样本尺寸，岔路口样本和非岔路口样本进行尺度变换；S22、每个岔路口样本进行随机地进行水平...

【专利技术属性】
技术研发人员：张凌云，徐晨飞，叶茂，陆川，廖丹，张力，张明，吴涵莹，徐邦焱，陈雪，陈平，汤维，
申请(专利权)人：电子科技大学成都研究院，
类型：发明
国别省市：四川;51