【技术实现步骤摘要】
本专利技术属于图像计算，具体的说是一种更快速识别高速行人非法上路的道路语义分割方法。
技术介绍
1、高速道路行人上路是高速常见的安全事故之一，为了更精准地识别高速行人非法上路行为，需要准确识别出监控画面中的道路场景精确区域，这需要对道路监控画面做出精准的道路语义分割结果；传统的道路语义分割方法，往往基于图像中每个像素的特征编码去预测每个像素点属于哪个类别，这种方法在超清摄像头、高分辨率的道路监控场景下，针对每个像素点预测分类结果，往往计算开销巨大，对道路监控镜头的实时计算能力有过高的要求。此外，传统的实例分割方法区别于语义分割，仅获取特定类别目标下的分割结果，虽能获取更快速的计算速度，但是往往只能识别类别单一的目标，无法对复杂的道路全场景像素级区域做精准分类。
2、如授权公布号为cn109740451b的专利公开了基于重要性加权的道路场景图像语义分割方法，首先建立基于重要性加权的损失函数的segnet神经网络架构；然后选择cityscapes数据集，划分成训练数据集、验证数据集、测试数据集，训练神经网络模型，进行道路场景图像...
【技术保护点】
1.一种更快速识别高速行人非法上路的道路语义分割方法，其特征在于，包括以下具体步骤：
2.如权利要求1所述的一种更快速识别高速行人非法上路的道路语义分割方法，其特征在于，所述Transformer结构像素级语义分割模型由Transformer网络模型和像素级编码模型组成，并通过mask分类损失函数和像素级mask区域损失函数训练该道路Transformer结构像素级语义分割模型。
3.如权利要求2所述的一种更快速识别高速行人非法上路的道路语义分割方法，其特征在于，所述Transformer网络模型通过将通过N个可学习的位置编码和所述图像特征向量...
【技术特征摘要】
1.一种更快速识别高速行人非法上路的道路语义分割方法，其特征在于，包括以下具体步骤：
2.如权利要求1所述的一种更快速识别高速行人非法上路的道路语义分割方法，其特征在于，所述transformer结构像素级语义分割模型由transformer网络模型和像素级编码模型组成，并通过mask分类损失函数和像素级mask区域损失函数训练该道路transformer结构像素级语义分割模型。
3.如权利要求2所述的一种更快速识别高速行人非法上路的道路语义分割方法，其特征在于，所述transformer网络模型通过将通过n个可学习的位置编码和所述图像特征向量f计算得到的n个查询向量作为输入，再经过多层感知机(mpl)映射为n个目标的掩码预测区域和预测类别与掩码位置向量，其中所述目标的掩码预测区域和预测类别映射的向量尺寸为n×(k+1)，n表示n次查询，k为图像中总的类别数，加上空类别，结果为k+1，所述掩码位置向量尺寸为cε×n，cε表示输出向量长度。
4.如权利要求3所述的一种更快速识别高速行人非法上路的道路语义分割方法，其特征在于，所述n个查询向量的具体获取步骤包括：首先将图片预测为一组数量为n的二值掩码，每个掩码的尺寸与所述高速路段道路全景rgb图像尺寸相同，值为0或1，代表该掩码预测到的目标实例，针对每个预测的掩码目标，去预测掩码所代表的类别，其中n是预先设置好的超参数，假设图像中存在类别个数为k，k和之间的关系满足n＞＞k，若预测的掩码存在现实意义，则该掩码下所有像素均预测为该掩码代表的类别值，若该掩码不存在现实意义，则该掩码被预测为空类别，最终n个掩码，每个掩码均会被预测为k+1种类别中的一种。
5.如权利要求3所述的一种更快速识别高速行人非法上路的道路语义分割方法，其特征在于，所述像素级编码模型中配有像素解码器，将所述图像特征向量f输入所述像素解码器，得到像素...
【专利技术属性】
技术研发人员：梁丞瑜，李文成，李永，陈岩，卢隆，王军鹏，樊庆宇，简铮，
申请(专利权)人：天翼云科技有限公司，
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。