【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体涉及一种面向自动驾驶任务的车辆行驶场景判别方法。
技术介绍
1、场景判别问题是计算机视觉领域的一个基本问题，并且近年来也得到了越来越多的关注。场景判别技术在人机交互、智能机器人、智能视频监控、自动驾驶等应用中得到了广泛的应用，也被视为其他高级计算机视觉任务(如图像检索和目标检测)的先决条件或先验知识。场景判别不仅涉及物体的存在，还涉及物体与背景信息之间的语义关系。
2、现阶段，场景判别面临的主要困难有以下两点：一是同类场景的类内变化较大，即由于场景本身的复杂性和多样性，不同的拍摄角度以及不同的光照条件会造成在同一类场景下拍摄到的图像差异很大；二是不同场景的类间变化可能不明显，即由于不同场景下的语义信息在一定程度上存在交集，导致不同场景下的图像仍有一定的相似性。此外，标签歧义性(label ambiguity)问题也是复杂场景判别的一大新难题。因此，场景判别一直是计算机视觉领域非常具有挑战性的研究课题之一。在场景判别问题的研究上，一般可以分为两种：基于传统方法和基于深度学习方法。
3、基于传统方法的研究方法主要依赖于全局属性描述子(global attributedescriptor)，该描述算子是由一些底层特征或者高层特征组成，用来模拟人类的感知，方法相对简单且符合人类的直观理解。底层特征指的是基于图像像素点提取的原始属性，重点在于提取纹理信息。较为典型的方法有：0liva和torralba等提出的gist特征描述法，这种方法主要是捕获图像中反映场景类别的空间结构特性，但是忽
4、但是如果需要处理的场景数据的复杂性过高，场景分类的类别到达一定数量时，传统的基于底层特征以及高层特征提取的方法显然无法处理；但是基于深度学习的方法则能很好的解决该问题。随着图形处理器(gpu)的迅猛发展以及基于卷积的神经网络被广泛研究，让深度学习方法有了更多的应用场景。2012年alex krizhevsky等人提出的alexnet网络架构，较之前的深度网络相比，拥有更多的网络层，并且首次在卷积神经网络中应用了relu激活函数，设置了dropout机制来避免过拟合问题。alexnet在imagenet挑战赛中取得冠军，远超第二名使用传统分类方法的成绩，一举奠定了深度网络在图像分类领域的领先地位。2017年，来自麻省理工学院的bolei zhou等人提出了一个全新的面向大规模场景的数据集places，数据样本达到一千万张，总共划分为365个不同的场景类别，为并基于cnn网络架构训练了场景分类专用网络places-cnn。在此工作的基础上，herranz l等人考虑到数据集的尺度偏置问题，并就如何将物体分类和场景分类结合到一起提出了多尺度多模型结合的网络结构。这与来自中国深圳研究院的王利民、乔宇等提出的使用多分辨率设计的multi-resolution cnns有很多相似之处。但王利民等提出的方法考虑到了全局特征和局部特征，并利用知识迁移的方法解决了场景分类中类内差异大的问题。
5、然而现有的场景判别算法以及相关数据集大多面向室内或者室外的常规场景，几乎没有解决车辆行驶场景判别算法。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足，期望提供一种面向自动驾驶任务的车辆行驶场景判别方法。
2、本申请实施例提供了一种面向自动驾驶任务的车辆行驶场景判别方法，该方法包括：
3、s1：获取车辆行驶图像；
4、s2：将车辆行驶图像输入到asr-net模块中，所述asr-net模块用于识别车辆行驶图像中车辆的行驶场景；
5、s3：将识别后的行驶场景输入到ld-sr模块中，所述ld-sr模块用于对行驶场景中的左右转弯路段场景判进一步识别；
6、s4：将识别结果发送到客户端。
7、在其中一个实施例中，在步骤s2中，所述行驶场景包括：直行路段场景、左转弯路段场景、右转弯路段场景、十字路口场景。
8、在其中一个实施例中，所述asr-net模块包括6个stage单元，其中，第一个stage单元和第二个stage单元均包括conv block模块，第三个stage单元、第四个stage单元、第五个stage单元以及第六个stage单元均包括a-basic block模块。
9、在其中一个实施例中，所述asr-net模块用于识别车辆行驶图像中车辆的行驶场景，包括：
10、将车辆行驶图像依次输入到6个stage单元，6个stage单元经过预设算法后识别出车辆的行驶场景为直行路段场景、左转弯路段场景、右转弯路段场景或十字路口场景。
11、在其中一个实施例中，所述a-basic block模块由基础残差块模块、通道注意力模块以及空间注意力模块组成。
12、在其中一个实施例中，所述ld-sr模块由efficietnet模块、regression loss模块、no-shared parameter模块、curve fitting模块以及calculate slope模块组成。
13、在其中一个实施例中，所述ld-sr模块用于对行驶场景中的左右转弯路段场景判进一步识别，包括：
14、将左右转弯路段场景依次输入到efficietnet模块、regression loss模块、no-shared parameter模块、curve fitting模块以及calculate slope模块中。
15、本申请的有益效果包括：
16、本申请提供的面向自动驾驶任务的车辆行驶场景判别方法，其中，融合注意力机制的深度聚合判别网络(asr-net)模块，使用更多的非线性结构跨层进行信息融合，创新性地将空间注意力机制、通道注意力机制和聚合结构相结合，解决了场景判别中语义信息过多导致的场景难以区分问题，使模型聚焦于场景的关键信息，提高任务处理的效率和准确性。针对特定场景的类间差异性小导致判别网络的效果不理想问题，基于三维视角下曲线拟合的车道线辅助场景判别(ld-sr)模块创新性地将基于物理意义的车道线三维建模参数作为特征提取网络的输出。根据预测参数，利用基于斜率的辅助场景判别方法，解决了asr-net在左右转弯场景判别难的问题，也为车道线检测开拓了新的应用点。本申请提供的方法，通过对典型车辆行驶场景的精确判别，使得感知层更为准确地判断车辆行驶环境，决策层依据不同的环境特征，可以高效做出不同的行驶决策，本文档来自技高网...
【技术保护点】
1.一种面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，该方法包括：
2.根据权利要求1所述的面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，在步骤S2中，所述行驶场景包括：直行路段场景、左转弯路段场景、右转弯路段场景、十字路口场景。
3.根据权利要求1所述的面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，所述ASR-Net模块包括6个Stage单元，
4.根据权利要求3所述的面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，所述ASR-Net模块用于识别车辆行驶图像中车辆的行驶场景，包括：
5.根据权利要求3所述的面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，所述A-Basic Block模块由基础残差块模块、通道注意力模块以及空间注意力模块组成。
6.根据权利要求1所述的面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，所述LD-SR模块由EfficietNet模块、Regression loss模块、no-Shared parameter模块、Curve Fitting模块以及Calculat
7.根据权利要求6所述的面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，所述LD-SR模块用于对行驶场景中的左右转弯路段场景判进一步识别，包括：
...【技术特征摘要】
1.一种面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，该方法包括：
2.根据权利要求1所述的面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，在步骤s2中，所述行驶场景包括：直行路段场景、左转弯路段场景、右转弯路段场景、十字路口场景。
3.根据权利要求1所述的面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，所述asr-net模块包括6个stage单元，
4.根据权利要求3所述的面向自动驾驶任务的车辆行驶场景判别方法，其特征在于，所述asr-net模块用于识别车辆行驶图像中车辆的行驶场景，包括：
5.根据权利要求3所述的面向自...
【专利技术属性】
技术研发人员：么渲正，胡微笑，孙闯，魏倩茹，
申请(专利权)人：西北工业大学，
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。