【技术实现步骤摘要】
一种基于深度卷积神经网络的光流场估计方法
本专利技术涉及无人驾驶与人工智能
，尤其涉及一种基于深度卷积神经网络的光流场估计方法。
技术介绍
自从第一辆汽车问世以来人类一直在努力追求实现无人驾驶的梦想，近三年谷歌、宝马、丰田、特斯拉、百度、小鹏、蔚来、上汽等公司都已着手进行大规模无人驾驶的路测实验。目前利用摄像头检测运动目标主要有两种方式：一种是基于传统计算机视觉算法，利用车道线、车辆的已知几何特征、纹理、颜色等进行检测，或者利用光流法估算视频相邻帧图像的光流场以获得目标的运动信息。另一种是基于深度神经网络方法来进行检测，通过训练深度神经网络让其自主学习所需的多层次特征，能够较精确地估计运动目标。基于车载摄像头提供二维图像视频信息逆向重建三维运动场景是一个典型欠定求解问题，当无人驾驶环境中目标存在强遮挡、大小位移均有、高动态变化时，建立准确、快速、鲁棒的光流估计模型仍然面临着很大的挑战。
技术实现思路
有鉴于此，本专利技术提供一种基于深度卷积神经网络的光流场估计方法，包括以下步骤：S1、使用光...
【技术保护点】
1.一种基于深度卷积神经网络的光流场估计方法，其特征在于，包括以下步骤：/nS1、使用光流数据集Flying Chairs和Flying Things3D作为训练数据集；/nS2、以卷积神经网络为基础构建Optical-Flow-Network-S，简称OFNS模型；/nS3、以卷积神经网络为基础构建Optical-Flow-Network-C，简称OFNC模型；/nS4、以S2和S3构建的模型为基础构建Optical-Flow-Network-Mix，简称OFNM模型；/nS5、使用S1中的光流数据集Flying Chairs对S4构建的OFNM模型进行预训练得到预训练模...
【技术特征摘要】
1.一种基于深度卷积神经网络的光流场估计方法，其特征在于，包括以下步骤：
S1、使用光流数据集FlyingChairs和FlyingThings3D作为训练数据集；
S2、以卷积神经网络为基础构建Optical-Flow-Network-S，简称OFNS模型；
S3、以卷积神经网络为基础构建Optical-Flow-Network-C，简称OFNC模型；
S4、以S2和S3构建的模型为基础构建Optical-Flow-Network-Mix，简称OFNM模型；
S5、使用S1中的光流数据集FlyingChairs对S4构建的OFNM模型进行预训练得到预训练模型，再利用光流数据集FlyingThings3D对预训练模型进行再训练得到模型的参数，然后利用训练好的模型对测试数据进行测试。
2.根据权利要求1所述的一种基于深度卷积神经网络的光流场估计方法，其特征在于，步骤S1中使用的光流数据集FlyingChairs和FlyingThings3D均是合成场景光流数据集，数据集的每一个样本包含两张图像，即一个图像对以及它们对应的光流场。
3.根据权利要求1所述的一种基于深度卷积神经网络的光流场估计方法，其特征在于，步骤S2具体如下：
S21、构建OFNS的特征提取部分，特征提取部分有九个卷积层，每层后均有ReLU激活操作，随着卷积层数的增加，卷积核的大小逐渐减小，卷积核的数量每层递增两倍；
S22、构建OFNS的光流场估计部分，光流场估计部分是由转置卷积层组成，利用特征提取部分得到的特征图向后进行转置卷积操作，同时在小的特征图上直接预测光流场，然后把预测结果双线性插值后结合在转置卷积后的特征图上，接着继续往后进行四次同样的操作，预测的光流场分辨率渐渐扩大到原图的1/4，最终在1/4光流场基础上直接双线性插值得到全分辨率的光流场；
S23、将特征提取部分和光流场估计部分结合得到OFNS模型。
4.根据权利要求3所述的一种基于深度卷积神经网络的光流场估计方法，其特征在于，步骤S3具体如下：
S31、构建OFNC的特征提取部分，特征提取部分先针对图像对创建两个独立但相同处理流，分别提取两个图像的特征；
S32、在更高级别的关联层进行特征融合，关联层在前面提取的两路特征图中比较所有的图像块，给定两个分别来自两路处理流的特征图f1和f2，关联层就是让网络比较f1中的每个图像块和f2中的每个图像块，f1的某个以x1为中心的图像块与f2的某个以x2为中心的图像块之间的关联定义为：
其中，o表示x1和x2的邻域，k为x1和x2的邻域的大小，图像块...
【专利技术属性】
技术研发人员：韩荣，蒋伟，许祎晗，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42
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。