一种融合道路空间先验和区域级特征的弱监督车辆可行域分割方法技术

本发明专利技术公开了一种融合道路空间先验和区域级特征的弱监督车辆可行域分割方法，能够在自动驾驶复杂场景中解决类别标签与目标区域空间信息错误关联的问题，其具体实施方案为：1)获取数据集与对应标签；2)训练集数据处理；3)构建道路分类模型；4)训练道路分类模型；5)获取道路全局空间权重；6)提取超像素区域级特征；7)融合空间先验和区域级特征的自适应加权聚类；8)车辆可行域图像分割。本发明专利技术可通过道路全局空间权重生成方法优化可行域类别标签关联到的目标区域空间信息，提供精准的空间先验，并结合可行域局部相似性提取超像素区域级特征以获取可行域判别表征，从而有效提升弱监督车辆可行域分割的准确性和鲁棒性。督车辆可行域分割的准确性和鲁棒性。

【技术实现步骤摘要】
一种融合道路空间先验和区域级特征的弱监督车辆可行域分割方法


[0001]本专利技术属于图像处理
，具体涉及一种融合道路空间先验和区域级特征的弱监督车辆可行域分割方法。

技术介绍

[0002]车辆可行域分割旨在识别路面上可确保车辆安全行驶而不发生碰撞的可通行区域。作为自动驾驶领域中的关键感知问题之一，可行驶区域的准确识别对车辆轨迹预测和路径规划等都起着至关重要的作用。车辆可行域分割可作为全监督语义分割任务解决，但这种方法需要大量人工标注的像素级标签，过程耗时长且容易引入标注人员的主观误差，限制了车辆可行域分割方法在不同环境中的迁移性。因此，研究如何用更易获得的图像级弱标签来进行车辆可行域分割对于自动驾驶领域具有重要意义。
[0003]目前弱监督语义分割方法主要利用图像级弱标签的隐式定位能力，通过将类别标签与图像中的目标空间信息进行关联来实现像素级分割。在简单场景下，每张图像所包含的标签数量极少且差异较大，很容易将类别标签关联到目标判别区域的空间信息，而在自动驾驶场景下，图像中存在着大量类别标签，一些干扰性较强的非道路类别物体如车辆、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合道路空间先验和区域级特征的弱监督车辆可行域分割方法，其特征在于包括以下步骤：(1)获取数据集与对应标签，具体包括以下步骤：(1
‑
a)从自动驾驶图像公开数据集获取道路图像作为正样本，从自然场景图像公开数据集获取非道路图像作为负样本，组成分类样本数据集，并制作对应的二分类标签；(1
‑
b)获取自动驾驶图像公开数据集，从其原始标签中提取出可行域边界标注信息，制作对应的分割标签；(2)训练集数据处理，具体包括以下步骤：(2
‑
a)对步骤(1
‑
a)获取的数据集图像缩放后进行随机裁剪与水平翻转；(2
‑
b)对步骤(2
‑
a)获取的图像采取底部裁剪策略，将图像高度裁剪为m像素大小，其中m为正整数，取值范围为[20,224]；(2
‑
c)将步骤(2
‑
b)获取的图像进行归一化操作；(3)构建道路分类模型，具体包括以下步骤：(3
‑
a)构建分类基础网络，共包括五组卷积层，将步骤(2)得到的训练集图像依次经过这五组卷积层，得到高语义特征图X
c
；第一组卷积层包括一个卷积模块；第二、三组卷积层各包括三个残差卷积模块，每个残差卷积模块内包括三个卷积模块；第四组卷积层包括六个残差卷积模块，每个残差卷积模块内包括三个卷积模块；第五组卷积层包括五个膨胀卷积残差模块，第一、二、三个膨胀卷积残差模块内包括一个卷积模块和两个膨胀卷积模块，第四个和第五个膨胀卷积残差模块内包括三个卷积模块和一个膨胀卷积模块；(3
‑
b)在步骤(3
‑
a)描述的分类基础网络之上，增加目标分类模块，目标分类模块包括一个全局平均池化模块和一个1
×
1卷积模块，将步骤(3
‑
a)得到的高语义特征图X
c
作为目标分类模块的输入；全局平均池化模块的作用是对X
c
各特征通道进行空间信息压缩，其输出为特征向量V
c
，1
×
1卷积模块的作用是进行维度变换，利用分类权重矩阵W将V
c
特征空间映射到类别标签空间；(4)训练道路分类模型：利用步骤(2)得到的训练集数据训练步骤(3)构建的道路分类模型，使用交叉熵作为分类模型的损失函数得到损失值，并使用随机梯度下降算法优化分类模型每一层的模型参数，更新分类权重矩阵W，直到损失值不再下降，得到训练好的道路分类模型；(5)获取道路全局空间权重，具体包括以下步骤：(5
‑
a)生成类别空间权重图，将步骤(1
‑
b)获取的自动驾驶图像输入到步骤(4)得到的训练好的道路分类模型中，自动驾驶图像通过步骤(3
‑
a)构建的分类基础网络得到高语义特征图X
s
，并与步骤(4)中学习到的分类权重矩阵W进行通道加权求和，获取自动驾驶图像对于每个类别的类别空间权重图；(5
‑
b)对步骤(1
‑
b)获取的自动驾驶图像进行超像素分割；(5
‑
c)对步骤(5
‑
a)获取的类别空间权重图进行归一化操作并上采样到输入图像大小，将步骤(5
‑
b)得到的超像素分割结果映射到可行域类别的类别空间权重图上，对超像素内部各像素的权重进行平均，获取道路全局空间权重；(6)提取超像素区域级特征，具体包括以下步骤：(6
‑
a)构建特征提取器，其中共包括八组卷积层，步骤(1
‑
b)获取的自动驾驶图像依次
经过八组卷积层，在第七、八组卷积层分别输出得到中间特征图F1、F2；第一组卷积层包括一个卷积块和一个残差卷积模块，第二组卷积层包括一个残差卷积模块，第三、四、五、六组卷积层各包括两个残差卷积模块，第七、八组卷积层各包括一个膨胀卷积残差模块；其中的所有卷积层中残差卷积模块...

【专利技术属性】
技术研发人员：阳春华，陈佩，赵于前，张帆，余伶俐，
申请(专利权)人：中南大学，
类型：发明
国别省市：