路况检测方法技术

本申请提供了一种路况检测方法

【技术实现步骤摘要】
路况检测方法、电子设备及存储介质


[0001]本申请涉及计算机视觉

、
尤其涉及一种路况检测方法
、
电子设备及存储介质
。

技术介绍

[0002]在车辆的自动驾驶中，环境感知是极为重要的技术
。
目前，环境感知的功能大多数采用基于深度学习的语义分割方法来达成
。
语义分割方法使用深度学习的分割模型识别出图像中的物体
。
然而，上述方法只能识别事先定义好的物体类别，例如识别事先定义好的道路
、
行人
、
车等类别，但是实际应用时道路上场景极为复杂，若道路场景上出现未知的物体类别，训练的模型常常识别错误或无法识别，导致车辆可能直接撞上道路中的物体，发生交通事故
。

技术实现思路

[0003]鉴于以上内容，有必要提供路况检测方法
、
电子设备及存储介质，以解决应用的模型无法识别未知类别的物体而导致车辆无法做出相应判断的问题，从而避免交通事故的发生
。/>[0004]本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种路况检测方法，其特征在于，所述路况检测方法包括：获取车辆前方图像作为检测图像；将所述检测图像输入至训练完成的语义分割模型，所述语义分割模型包括
backbone
网络及
head
网络；利用所述
backbone
网络对所述检测图像进行特征提取，得到多个特征图；将所述多个特征图输入所述
head
网络，所述
head
网络的第一分割网络对所述多个特征图进行处理，得到第一识别结果，及所述
head
网络的第二分割网络对所述多个特征图像进行处理，得到第二识别结果；基于所述第一识别结果及所述第二识别结果确定所述车辆是否可以继续行驶
。2.
根据权利要求1所述的路况检测方法，其特征在于，所述方法还包括：构建语义分割模型并完成对所述语义分割模型的训练，包括：获取训练图像；将所述训练图像输入至所述
backbone
网络进行特征提取，得到多个训练特征图；将所述多个训练特征图输入所述
head
网络，所述第一分割网络对所述多个训练特征图进行处理，得到所述训练图像的第一训练结果；根据所述第一训练结果与预设的第一期望结果，利用预设的损失函数计算所述第一分割网络的第一损失值；所述第二分割网络对所述多个训练特征图进行处理，得到所述训练图像的第二训练结果；根据所述第二训练结果与预设的第二期望结果，利用所述预设的损失函数计算所述第二分割网络的第二损失值；根据所述第一损失值及所述第二损失值，调整所述语义分割模型的参数，得到所述训练完成的语义分割模型
。3.
根据权利要求2所述的路况检测方法，其特征在于，所述第一训练结果与所述第二训练结果的获取方式包括：利用所述第一分割网络对所述多个训练特征图进行上采样及反卷积处理，得到多个与所述训练图像大小一致的第一训练特征图，利用第一
softmax
层对每个第一训练特征图按照第一预设像素类别进行分类，得到所述训练图像中每个像素分类的概率，选择最大概率值对应的类别作为所述像素对应的类别，输出所述第一训练结果，其中，所述第一预设像素类别包括预定义的多个物体类别；利用所述第二分割网络对所述多个训练特征图进行上采样及反卷积处理，得到多个与所述检测图像大小一致的第二训练特征图，利用第二
softmax
层对每个训练特征图按照第二预设像素类别进行分类，得到所述训练图像中每个像素分类的概率，选择最大概率值对应的类别作为所述像素对应的类别，输出所述第二训练结果，其中，所述第二预设像素类别包括预定义的两个道路类别：车道或非车道
。4.
根据权利要求2所述的路况检测方法，其特征在于，所述根据所述第一损失值及所述第二损失值，调整所述语义分割模型的参数，得到所述训练完成的语义分割模型包括：将所述第一损失值与所述第二损失值相加得到所述语义分割模型的损失值；采用梯度...

【专利技术属性】
技术研发人员：简士超，郭锦斌，
申请(专利权)人：鸿海精密工业股份有限公司，
类型：发明
国别省市：