基于改进DeepLabv3+的非结构化道路可行驶区域识别方法技术

本申请涉及道路识别技术领域，本申请提供一种基于改进DeepLabv3+的非结构化道路可行驶区域识别方法，包括：构建改进的DeepLabv3+模型，包括MobileNetv4网络、ASPP模块与解码器；获取非结构化道路的图像，基于MobileNetv4网络进行特征提取处理，获取高维特征图；对所述高维特征图进行基于注意力机制的特征优化处理，获取高维优化特征图；对所述高维优化特征图进行基于ASPP模块的多尺度上下文信息提取，获取最终高维优化特征图；基于混合损失函数训练DeepLabv3+模型；基于解码器输出非结构化道路的识别图像。本申请通过在DeepLabv3+中集成MobileNetv4主干网络、插入CBAM注意力模块优化ASPP输入特征，并采用混合损失函数，达到显著提升非结构化道路场景下可行驶区域识别精度与抗干扰能力的效果。

【技术实现步骤摘要】

本专利技术属于道路识别，尤其涉及一种基于改进deeplabv3+的非结构化道路可行驶区域识别方法。

技术介绍

1、自动驾驶技术的核心挑战之一在于对复杂道路环境的精准感知，而非结构化道路的可行驶区域识别尤为关键。早期的可行驶区域识别研究主要依赖传统图像处理技术，如颜色空间转换、边缘检测或几何模型匹配。在结构化道路场景中，这些方法通过提取车道线或边界特征能够实现较高精度，但在非结构化道路中，因无法有效处理动态环境干扰与道路形态突变，常导致误分割或漏检。

2、近年来，深度学习的兴起为这一领域注入了新动力。基于卷积神经网络（cnn）的语义分割模型通过端到端学习实现了多层次特征的自动提取，显著提升了非结构化道路识别的适应性，尤其在处理模糊边界与噪声干扰方面展现出优势。其中，deeplabv3+ 通过编码器的aspp模块捕捉多尺度上下文信息，结合解码器的渐进式上采样策略，显著提升了分割结果的边界精度与语义一致性。例如，在自动驾驶的街景分割中，deeplabv3+能够精准区分路面、交通标志和植被等目标，即使在遮挡或光照变化的挑战下，仍能保持对车轮轮廓、树叶边本文档来自技高网...

【技术保护点】

1.一种基于改进DeepLabv3+的非结构化道路可行驶区域识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于改进DeepLabv3+的非结构化道路可行驶区域识别方法，其特征在于，所述S2中的基于MobileNetv4网络进行特征提取处理，包括：

3.根据权利要求2所述的一种基于改进DeepLabv3+的非结构化道路可行驶区域识别方法，其特征在于，所述初始卷积与下采样操作，包括：

4.根据权利要求3所述的一种基于改进DeepLabv3+的非结构化道路可行驶区域识别方法，其特征在于，所述多阶段UIB模块特征混合操作，包括：

5.根...

【技术特征摘要】

1.一种基于改进deeplabv3+的非结构化道路可行驶区域识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于改进deeplabv3+的非结构化道路可行驶区域识别方法，其特征在于，所述s2中的基于mobilenetv4网络进行特征提取处理，包括：

3.根据权利要求2所述的一种基于改进deeplabv3+的非结构化道路可行驶区域识别方法，其特征在于，所述初始卷积与下采样操作，包括：

4.根据权利要求3所述的一种基于改进deeplabv3+的非结构化道路可行驶区域识别方法，其特征在于，所述多阶段uib模块特征混合操作，包括：

5.根据权利要求2所述的一种基于改进deeplabv3+的非结构化道路可行驶区域识别方法，其特征在于，所述特征融合与输出操作...

【专利技术属性】
技术研发人员：尚文利，罗国峻，肖乐杰，
申请(专利权)人：广州大学，
类型：发明
国别省市：