【技术实现步骤摘要】
基于边界细节补偿和相似特征强化的实时道路检测方法
[0001]本专利技术属于自动驾驶
,更具体地,涉及一种基于边界细节补偿和相似特征强化的实时道路检测方法。
技术介绍
[0002]道路检测作为自动驾驶技术的基础和必要模块,为其他自动驾驶高层任务提供中间结果和先验知识。单目相机相比激光雷达和双目相机等传感器应用场景广泛且价格低廉,可用于检测前方道路区域。
[0003]近年来,基于深度学习的道路检测方法相对于传统基于特征的方法,取得了更高的精度和更好的鲁棒性。这些基于深度学习的方法采用注意力机制(Sun,Jee
‑
Young et al.“Reverse and Boundary Attention Network for Road Segmentation.”2019IEEE/CVF International Conference on Computer Vision Workshop(ICCVW)(2019):876
‑
885.)、CNN+LSTM混合结构(Lyu,Yecheng et al.“Road Segmentation using CNN and Distributed LSTM.”2019IEEE International Symposium on Circuits and Systems(ISCAS)(2019):1
‑
5.)、贝叶斯模型和额外的道路边界监督(Chen,Z.and Zijing Chen.“RBNet:A Deep ...
【技术保护点】
【技术特征摘要】
1.一种基于边界细节补偿和相似特征强化的实时道路检测方法,其特征在于,包括以下步骤:步骤S1,利用多尺度图像特征提取器对单目相机采集的单帧图像进行多尺度图像特征提取;步骤S2,采用边界细节补偿模块对步骤S1提取的多尺度图像特征进行融合,得到道路边界细节补偿后的高层语义图像特征图;步骤S3,采用相似特征强化模块对步骤S2得到的道路边界细节补偿后的高层语义图像特征图进行基于相似度的局部特征聚合,得到强化图像特征图;步骤S4,将步骤S3输出的强化图像特征图输入第一分类器,输出所述单帧图像场景中的道路检测结果,将所述单帧图像的所有像素划分为道路和非道路两类。2.如权利要求1所述的基于边界细节补偿和相似特征强化的实时道路检测方法,其特征在于,所述步骤S1中的多尺度图像特征提取器,采用PeleeNet作为骨干网络进行单目图像多尺度图像特征提取,在stem块中加入插值操作,其结构包含四个阶段,其中:每个阶段逐步减小图像特征图的尺寸,并增加图像特征图的通道数;阶段三和阶段四中的3
×
3卷积层均为空洞卷积;输出阶段一的低层细节图像特征图和阶段四的高层语义图像特征图,其尺寸分别为单帧图像的1/8和1/32。3.如权利要求1或2所述的基于边界细节补偿和相似特征强化的实时道路检测方法,其特征在于,所述步骤S2中,边界细节补偿模块采用带恒等连接的变换模块融合多尺度图像特征,具体包括:步骤S21,将步骤S1输出的低层细节图像特征图依次输入1
×
1的卷积层和变换模块,输入和输出变换模块的特征图通过恒等连接进行逐像素点加法操作,得到步骤S21输出的图像特征图;步骤S22,将步骤S1输出的高层语义图像特征图依次输入3
×
3的卷积层和变换模块,输入和输出变换模块的特征图通过恒等连接进行逐像素点加法操作,得到步骤S22输出的图像特征图;步骤S23,将步骤S22输出的图像特征图插值到单帧图像尺寸的1/8与和步骤S21输出的图像特征图在通道维度上进行连接,并输入变换模块,输入和输出变换模块的特征图通过恒等连接进行逐像素点加法操作,得到步骤S23输出的道路边界细节补偿后的高层语义图像特征图。4.如权利要求3所述的基于边界细节补偿和相似特征强化的实时道路检测方法,其特征在于,变换模块采用两条支路进行特征变换;一条支路依次采用卷积核为k
×
1和1
×
k的深度可分离卷积;另一条支路依次采用卷积核为1
×
k和k
×
1的深度可分离卷积;两条支路输出的图像特征图进行逐像素点加法操作,并输入到1
×
1的卷积层。5.如权利要求1所述的基于边界细节补偿和相似特征强化的实时道路检测方法,其特征在于,所述步骤S3中,相似特征强化模块采用相似度度量捕捉局部上下文信息,对步骤S2输出的道路边界细节补偿后的高层语义图像特征图进行逐像素点的特征加权,具体包括:步骤S31,采用两个参数不共享的1
×
1卷积层分别对道路边界细节补偿后的高层语义
图像特征图X∈R
C
×
H
×
W<...
【专利技术属性】
技术研发人员:白翔,方聪,周瑜,朱盈盈,龚石,吴帆,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:
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。