基于SegNet-RS网络的大障碍物轮廓分割方法技术

本发明专利技术公开了一种基于SegNet

【技术实现步骤摘要】
基于SegNet
‑
RS网络的大障碍物轮廓分割方法


[0001]本专利技术属于自动驾驶的图像处理领域，更具体地说，涉及一种基于SegNet
‑
RS网络的大障碍物轮廓分割方法。

技术介绍

[0002]在针对自动驾驶图像处理的常规性语义分割网络技术中，FCN网络、U
‑
Net网络、SegNet网络和DeepLabv3+网络等研究比较热门，FCN网络对大类别物体的区分明显，但是轮廓形状不太标准，同时复杂环境下的物体出现糅杂，细小物体无法识别，DeepLabv3+网络虽然在平均准确率和平均交并比性能比较优异，但是检测速度过慢不适合对实时性有较高要求的智能驾驶系统，SegNet网络和U
‑
Net网络的性能相差不大，但是SegNet网络的准确率更好，而速度相差不大，因此SegNet网络的综合表现性能最好。
[0003]现有技术中的SegNet网络是一种非常经典的语义分割网络，也是目前使用最多的分割网络之一，通过修改VGG
‑
16网络而得到，在自动驾驶领域有十分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SegNet
‑
RS网络的大障碍物轮廓分割方法，其特征在于，针对采集的含大障碍物轮廓的图像，该方法在原SegNet网络上进行如下(1)～(4)方面的改进：(1)SegNet
‑
RS网络基本结构框架的构建；将解码过程中的1/8尺寸特征图同编码过程中1/8尺寸特征图进行迭代融合得到新的1/8尺寸的特征图，将其进行反卷积4和上采样3操作获得解码过程中1/4尺寸特征图；然后将解码和编码过程中的1/4尺寸特征图进行迭代融合获得新的1/4尺寸特征图，将其通过反卷积3和上采样2操作获得解码过程中1/2尺寸特征图；最后将解码与编码过程中的1/2尺寸的特征图进行迭代融合获得新的1/2尺寸的特征图，将其通过反卷积2、上采样1、反卷积1与Softmax函数四个操作获得与原图尺寸一样的语义分割图。(2)池化层的选择；SegNet
‑
RS网络的池化层选用2
×
2池化核的平均池化操作，以将特征图的特征值乘以4后平均分布至新的被放大的特征矩阵中去；(3)激活函数的选择；选择参数化修正线性单元PreLU作为激活函数；(4)卷积操作的尺寸选择；采用2个含3
×
3的卷积核的卷积操作的复合卷积操作；卷积1和反卷积1采用通道数为64的卷积，其它卷积操作均采用128作为其卷积操作的通道数。2.根据权利要求1所述的基于SegNet

【专利技术属性】
技术研发人员：胡均平，张洪伟，罗春雷，罗睿，段吉安，夏毅敏，赵海鸣，
申请(专利权)人：中南大学，
类型：发明
国别省市：