【技术实现步骤摘要】
基于条件生成对抗网络的红外道路图像水体检测方法
本专利技术涉及路面水体检测
，具体涉及一种基于条件生成对抗网络的红外道路图像水体检测方法。
技术介绍
在无人驾驶领域中，路面水体区域的检测是一项关键而且重要的任务，路面水体区域往往意味着底下可能会隐藏着难以探知危险，比如水坑，如果无法正确检测出路面水体区域，可能会给无人驾驶汽车带来较大的损害。相比于可见光相机，红外相机采集的红外道路图片中，水体区域与周围环境差异性更大，更利于检测，因而在实际应用中常利用红外相机采集路面水体图像，并利用图像处理和计算机视觉的方法对红外图像中的水体区域进行检测。路面水体的反射特性会给水体检测任务带来一定的迷惑性，相比可见光图像，红外图像中水体的反射特性没有那么明显，但是仍然存在，在这种情况下，基于传统的图像处理手段实现的水体检测算法很容易造成虚检或者漏检。同时，由于图像中水体的数目、区域具有随机性，形状具有不规则性，应该用图像分割领域相关方法实现红外道路图像的水体检测方法。随着深度学习和人工智能技术的发展，利用深度学习的方法进行图像分割的例子...
【技术保护点】
1.一种基于条件生成对抗网络的红外道路图像水体检测方法，其特征在于，包括如下步骤：/n步骤1，利用红外相机采集红外道路图像并裁剪、缩放至指定尺寸，利用标注的方法获得包含采集所得图像中路面水体位置信息的掩膜；/n步骤2，构建条件生成对抗网络，所述条件生成对抗网络，其整体采用wasserstein GAN的基本结构；生成器是遵循U-Net模型结构的全卷积神经网络；判别器是卷积神经网络；利用反射注意力单元中的预处理函数对网络中生成器和判别器的输入图像进行预处理；/n步骤3，利用采集的红外道路图像及标注所得掩膜，训练条件生成对抗网络；/n步骤4，将待检测的单通道红外图像缩放至指定尺...
【技术特征摘要】
1.一种基于条件生成对抗网络的红外道路图像水体检测方法，其特征在于，包括如下步骤：
步骤1，利用红外相机采集红外道路图像并裁剪、缩放至指定尺寸，利用标注的方法获得包含采集所得图像中路面水体位置信息的掩膜；
步骤2，构建条件生成对抗网络，所述条件生成对抗网络，其整体采用wassersteinGAN的基本结构；生成器是遵循U-Net模型结构的全卷积神经网络；判别器是卷积神经网络；利用反射注意力单元中的预处理函数对网络中生成器和判别器的输入图像进行预处理；
步骤3，利用采集的红外道路图像及标注所得掩膜，训练条件生成对抗网络；
步骤4，将待检测的单通道红外图像缩放至指定尺寸，输入训练好的条件生成对抗网络，获得条件生成对抗网络的生成器输出的用以表示水体检测结果的二值图像。
2.根据权利要求1所述的基于条件生成对抗网络的红外道路图像水体检测方法，其特征在于，所述步骤2中，条件生成对抗网络遵循wassersteinGAN基本结构，满足以下要求：
1)判别器网络的输出层没有激活函数；
2)判别器网络的损失函数为判别器对生成掩膜的预测结果减判别器对真实掩膜的预测结果之差；
3)生成器网络的损失函数的对抗损失项为判别器对相应生成掩膜预测结果的相反数；
4)判别器每次优化后都对判别器的所有训练参数值进行截断，使之全部在规定的区间内；
5)优化器采用随机梯度下降优化器。
3.根据权利要求1所述的基于条件生成对抗网络的红外道路图像水体检测方法，其特征在于，所述步骤2中，条件生成对抗网络具有如下结构：
网络包含一个生成器网络和一个判别器网络；
其中生成器网络应为遵循U-Net模型结构的全卷积神经网络，网络的输入是固定尺寸的待检测或者待训练的真实图像，真实图像输入后经过反射注意力单元中的预处理函数预处理，之后输入第一层卷积层；生成器的输出是一幅表示对输入红外道路图像的水体检测结果的特征图，即生成掩膜，其中像素值越大，表示该像素对应的原图中同样位置的像素属于路面水体区域的概率越高；
判别器网络应为卷积神经网络，输入为真实图像的掩膜和对应的真实图像，或者生成器输出的生成掩膜和对应的真实图像，输入的真实图像经过反射注意力单元中的预处理函数预处理，之后和输入的真实掩膜或者生成掩膜在通道维度上连接，之后输入第一层卷积层处理；判别器的最后一层是一层全连接层，其中输出结果为一个单值，表示输入的掩膜是对应真实图像的真实掩膜的概率。
4.根据权利要求1所述的基于条件生成对抗...
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。