【技术实现步骤摘要】
一种基于深度神经网络的道路分割方法及系统
本专利技术涉及无人驾驶的
，具体地说是一种基于深度神经网络的道路分割方法及系统。
技术介绍
目前无人驾驶汽车面临着众多难题，道路分割问题就是其中之一。道路区域分割实际上是一种图像分割。图像分割是图像处理和计算机视觉领域的关键技术。它是图像处理的重要前提和基础，也是图像处理中最困难的问题之一。随着深度学习算法的不断引入，图像分割也得到了迅速的发展。图像分割可以分为传统的方法和基于深度学习的算法。传统的图像分割方法是将人工特征输入到新的数据集中。同时还需要增加专家知识和时间成本来调整特征。然而，基于深度学习的算法从不同的数据集中学习特征表示是近年来的研究热点。LongJ等人在2014年提出的FCN(fullConvolutionalNetwork)是深度学习中最早提出的图像分割方法。随后，从FCN框架推导出MaskRCNN、BiSeNet、SegNet、Deeplab等算法。这些算法可以在像素级对图像进行分类和标记，但耗时长，难以满足实时应用。随着深度神经网络的不断发展，基...
【技术保护点】
1.一种基于深度神经网络的道路分割方法，包括数据集的准备，其特征在于，还包括以下步骤：/n步骤1：构建算法模型；/n步骤2；训练所述算法模型，直到模型的参数成为一个稳定阈值；/n步骤3：将需要分割的图像输入所述算法模型进行道路分割。/n
【技术特征摘要】
1.一种基于深度神经网络的道路分割方法，包括数据集的准备，其特征在于，还包括以下步骤：
步骤1：构建算法模型；
步骤2；训练所述算法模型，直到模型的参数成为一个稳定阈值；
步骤3：将需要分割的图像输入所述算法模型进行道路分割。
2.如权利要求1所述的基于深度神经网络的道路分割方法，其特征在于，所述数据集的准备包括以下子步骤：
步骤01：路面图像的采集；
步骤02：对采集到的所述路面图像进行标注。
3.如权利要求2所述的基于深度神经网络的道路分割方法，其特征在于，所述采集方法为对各个路面的真实情况进行采集，选择多变的道路类型和/或多种的路面状况。
4.如权利要求3所述的基于深度神经网络的道路分割方法，其特征在于，所述步骤1包括构建一个网络SUG-Net，所述SUG-Net网络包括骨干网络和特征融合网络。
5.如权利要求4所述的基于深度神经网络的道路分割方法，其特征在于，所述骨干网络采用由卷积层与最大池化层嵌套的方式，由5个3*3的卷积层和4个最...
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。