一种基于多尺度卷积特征融合的划线车位分割方法技术

本发明专利技术公开了一种基于多尺度卷积特征融合的划线车位分割方法，包括以下步骤：步骤1、利用车上的摄像头采集划线车位和禁停标志的视频；步骤2、对步骤1中采集的视频进行处理标注，得出车位数据集dataset；步骤3、构建深度学习模型；步骤4、对步骤3构建的深度学习模型进行调参训练，获得深度学习模型；步骤5、根据步骤4获得的深度学习模型进行画线车位的分割。本发明专利技术提高了划线车位的检测精度。本发明专利技术提高了划线车位的检测精度。本发明专利技术提高了划线车位的检测精度。

【技术实现步骤摘要】
一种基于多尺度卷积特征融合的划线车位分割方法


[0001]本专利技术涉及车位分割
，特别是一种基于多尺度卷积特征融合的划线车位分割方法。

技术介绍

[0002]人工智能是自动驾驶汽车的重要手段，以应对上路的诸多挑战，如如何应对随机的交通流，以及如何针对其他驾驶者做出反应。交通状况瞬息万变，而且没有固定的行为模式。每个单独的场景与之前的场景都不相同。人工智能所关注的是深度学习与传感器融合，而不是帮助汽车预测交通场景。尽管如此，创造汽车周围环境完整的、三维的实时地图是可行的，这样可以帮助车辆更快地做出更好的决定。通过与其他汽车共享经验和分析，自动驾驶汽车能够比人类表现得更好。多亏了人工智能算法，自动驾驶汽车可以提升应对道路状况的能力而不用必须先亲身经历这些场景。
[0003]在自动驾驶和辅助驾驶中，准确快速的把车停入划线车位中是重要的功能之一。
[0004]现有技术存在的问题：1.现有方法在检测关键点特征的技术上对车位信息进行定位．但当关键点信息被遮挡时，则划线车位检测会存在失败的风险。２．现有的关键点检测车位的方法在光照偏弱的环境下鲁棒性较差。

技术实现思路

[0005]本专利技术所要解决的技术问题是克服现有技术的不足而提供一种基于多尺度卷积特征融合的划线车位分割方法，本专利技术能够得到正确的分割车位。
[0006]本专利技术为解决上述技术问题采用以下技术方案：根据本专利技术提出的一种基于多尺度卷积特征融合的划线车位分割方法，包括以下步骤：步骤1、采集划线车位和禁停标志的视频；步骤2、对步骤1中采集的视频进行处理标注，得出车位数据集dataset；具体如下：步骤2.1、将步骤１中采集的视频间隔f帧处理成待标注的图像数据集；步骤2.2、定义标签，标签包括车库长边标签garageh、车库短边gagrageb、除了车库长边和短边这四条线外区域的标签background；步骤2.3、对步骤２.1处理后的图像数据集进行标注；具体如下：根据步骤2.2中定义的标签，对车库的短边、车库的长边、除了长边和短边这四条线外区域进行标注,形成最终的车位数据集dataset；步骤3、构建深度学习模型；具体如下：步骤 A、通过深度学习工具加载残差网络的resnet18预训练模型，从resnet18预训练模型的网络中获取第三组卷积layer3和第四组卷积layer4的输出：第三残差特征feat3、第四残差特征feat4；步骤B、将feat3和feat4输入至注意力am模块进行处理；注意力am模块进行处理过程具
体如下：步骤B-1、将feat3和feat4作为输入的特征图，对feat3和feat4进行全局池化得出池化特征；步骤B-2、对步骤B-1中得到的池化特征进行卷积，卷积核大小为１＊１，然后利用批归一化算法对卷积后的池化特征进行归一化，得到第一特征conv_out_arm；步骤B-3、将步骤B-2中的第一特征conv_out_arm作为激活函数sigmoid的输入，得到第一分支特征；步骤B-4、对第三残差特征feat3、第四残差特征feat4和步骤B-３的第一分支特征进行相加得到注意力am模块输出的注意力特征；步骤C、特征图链接；步骤C-１、对feat3和feat4使用链接层concate进行结合得到链接特征feat_concat；步骤C-２、将步骤C-１输出的链接特征feat_concat进行卷积操作，最终得出融合特征feat_concat_conv；步骤D、多尺度卷积融合；步骤D-1、将步骤A输出的feat4通过全局池化得到长尾特征tail，并将tail和feat4相加得到第二分支特征feat4_32；步骤D-2、将步骤D-1的第二分支特征feat4_32和步骤B-4中的注意力特征相加，得到输出大尺度特征am_32；步骤D-3、将步骤A中的feat3与步骤C-1的链接特征feat_concat_convt相加，得到输出小尺度特征am_16；步骤D-4、将步骤D-2输出的am_32上采样到步骤D-3输出的am_16同样的尺寸，得到上采集特征am_32_u；步骤D-5、将步骤D-4中的上采集特征和步骤D-3的小尺度特征am_16相加得出网络输出特征feat；步骤D-6、将步骤D-5中网络输出特征feat进行上采样到和步骤2的dataset数据集图像同样的像素大小；步骤4、对步骤3构建的深度学习模型进行调参训练，获得深度学习模型；步骤5、根据步骤4获得的深度学习模型进行画线车位的分割。
[0007]作为本专利技术所述的一种基于多尺度卷积特征融合的划线车位分割方法进一步优化方案，步骤2.1中，f =10。
[0008]作为本专利技术所述的一种基于多尺度卷积特征融合的划线车位分割方法进一步优化方案，步骤C-2中，卷积核大小:３＊３。
[0009]作为本专利技术所述的一种基于多尺度卷积特征融合的划线车位分割方法进一步优化方案，步骤1中是利用车上的摄像头采集划线车位和禁停标志的视频。
[0010]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：（1）利用设计的多尺度卷积特征融合的算法进行划线车位的语义分割，可以获得车位的全局信息，当某个车位关键点被遮挡的时候不会影响对整个车位的分割,进而提高划线车位的检测精度；（2）利用设计的多尺度卷积特征融合的方法进行划线车位的分割，及时在某些部位被
遮挡的情况下也能正确的分割车位,鲁棒性更高。
附图说明
[0011]图1是本专利技术的流程图。
具体实施方式
[0012]下面结合附图对本专利技术的技术方案做进一步的详细说明：如图1所示，一种基于多尺度卷积特征融合的划线车位分割方法，包括以下步骤：步骤1、利用车上的摄像头采集划线车位和禁停标志的视频；步骤2、对步骤1中采集的视频进行处理标注，得出车位数据集dataset；具体如下：步骤2.1、将步骤１中采集的视频间隔f帧处理成待标注的图像数据集；步骤2.2、定义标签，标签包括车库长边标签garageh、车库短边gagrageb、除了车库长边和短边这四条线外区域的标签background；步骤2.3、对步骤２.1处理后的图像数据集进行标注；具体如下：根据步骤2.2中定义的标签，对车库的短边、车库的长边、除了长边和短边这四条线外区域进行标注,形成最终的车位数据集dataset；步骤3、构建深度学习模型；具体如下：步骤 A、通过深度学习工具加载残差网络的resnet18预训练模型，从resnet18预训练模型的网络中获取第三组卷积layer3和第四组卷积layer4的输出：第三残差特征feat3、第四残差特征feat4；步骤B、将feat3和feat4输入至注意力am模块进行处理；注意力am模块进行处理过程具体如下：步骤B-1、将feat3和feat4作为输入的特征图，对feat3和feat4进行全局池化得出池化特征；步骤B-2、对步骤B-1中得到的池化特征进行卷积，卷积核大小为１＊１，然后利用批归一化算法对卷积后的池化特征进行归一化，得到第一特征conv_out_arm；步骤B-3、将步骤B-2中的第一特征conv_本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度卷积特征融合的划线车位分割方法，其特征在于，包括以下步骤：步骤1、采集划线车位和禁停标志的视频；步骤2、对步骤1中采集的视频进行处理标注，得出车位数据集dataset；具体如下：步骤2.1、将步骤1中采集的视频间隔f帧处理成待标注的图像数据集；步骤2.2、定义标签，标签包括车库长边标签garageh、车库短边gagrageb、除了车库长边和短边这四条线外区域的标签background；步骤2.3、对步骤２.1处理后的图像数据集进行标注；具体如下：根据步骤2.2中定义的标签，对车库的短边、车库的长边、除了长边和短边这四条线外区域进行标注,形成最终的车位数据集dataset；步骤3、构建深度学习模型；具体如下：步骤 A、通过深度学习工具加载残差网络的resnet18预训练模型，从resnet18预训练模型的网络中获取第三组卷积layer3和第四组卷积layer4的输出：第三残差特征feat3、第四残差特征feat4；步骤B、将feat3和feat4输入至注意力am模块进行处理；注意力am模块进行处理过程具体如下：步骤B-1、将feat3和feat4作为输入的特征图，对feat3和feat4进行全局池化得出池化特征；步骤B-2、对步骤B-1中得到的池化特征进行卷积，卷积核大小为1＊1，然后利用批归一化算法对卷积后的池化特征进行归一化，得到第一特征conv_out_arm；步骤B-3、将步骤B-2中的第一特征conv_out_arm作为激活函数sigmoid的输入，得到第一分支特征；步骤B-4、对第三残差特征feat3、第四残差特征feat4和步骤B-３的第一分支特征进行相加得到注意力am模块输出的注意力特征；步骤C、特征图链接；...

【专利技术属性】
技术研发人员：冯偲，
申请(专利权)人：的卢技术有限公司，
类型：发明
国别省市：