一种基于语义分割的道路置信估计模糊帧方法   0    0

本发明公开了一种基于语义分割的道路置信估计模糊帧方法。本发明包括如下步骤：步骤1、搭建SegNet语义网络，用于输入检测道路的图像；步骤2、获取检测道路的图像数据集；步骤3、对数据集中的基础图像进行训练；步骤4、道路帧模糊性判断。本发明实现了一种基于语义分割的道路置信估计模糊帧，对智能驾驶中检测模糊图像有较大意义。本发明中的方法利用图片的语义特性将，道路驾驶的图像经过语义分割处理输出图像特征图，并通过时间差分法实现对图像进行置信估计，找出模糊、不稳定帧。排除这些干扰图像对智能图像识别的成功具有较高的提升。

1.一种基于语义分割的道路置信估计模糊帧方法，其特征在于包括如下步骤：
步骤1、搭建SegNet语义网络，用于输入检测道路的图像；
步骤2、获取检测道路的图像数据集：
步骤3、对数据集中的基础图像进行训练；
步骤4、道路帧模糊性判断；
步骤1具体实现如下：
SegNet是一种用于图像分割的深度卷积编码解码结构，采用核心的可训练的分割引擎，包含一个编码网络和一个对应的解码网络，并跟随着一个像素级别的分类层，编码器网络的架构在拓扑上与VGG16网络中的13个卷积层相同都采用了same卷积，不改变图像的大小；在每个卷积层前会有一个批量标准化层和ReLU激活层，批量标准化层将特征值进行标准化处理用于计算当前的学习率和其他参数，激活层采用ReLU作为非线性激活函数使训练网络收敛速度更快，最后使用最大池化采样来缩小图片；解码网络借助采样得到最大池化指标将映射低分辨率的编码后的特征图扩展到输入分辨率的特征图，最后由soft‑max分类器计算每个像素占所有类别的概率，实现图像到图像的训练的过程，也称端到端的训练过程；
步骤4所述的道路帧模糊性判断通过两帧差分法实现，具体如下：
记视频序列中第n帧和第n‑1帧图像为fn和fn‑1，两帧对应像素点的灰度值记为fn(x,y)和fn‑1(x，y)，将两帧图像对应像素点的灰度值进行相减，并取其绝对值，得到差分图像Dn；
Dn(x,y)＝|fn(x,y)‑fn‑1(x,y)|
设定阈值T，逐个对像素点进行二值化处理，得到二值化图像Rn；其中，灰度值为255的点即为前景点，灰度值为0的点即为背景点；对二值化图像Rn进行连通性分析，最终可得到含有完整运动目标的二值化图像Rn；
根据二值化图像Rn判断运动目标，由于车辆行驶过程中，如果两车速度相近，在道路上得到的结果是类似与对静止目标的检测；同时根据道路两侧场景的变换速度，二值化图像Rn会有较大的变化进而推算出道路车辆的行驶速度；
当二值化图像Rn的区域值拟合性较高，超出预设值，则代表该二值化图像对应时刻的图像拟合度太高不够准确，不能作为识别图像；当二值化图像Rn(x,y,t)与Rn(x,y,t‑1)变化较大，即图像的当前帧与前一帧相差较大，超出变化阈值，作为识别图像可信度不高。

2.根据权利要求1所述的一种基于语义分割的道路置信估计模糊帧方法，其特征在于步骤2具体实现如下：
利用车载摄影仪进行录像，然后获取检测道路的图像；采用单一车种在光线充足且连续行驶的视频中的图像作为基础图像输入数据集；同时采用其他多设备指导图象识别：采用道路固定的监测设备图像作为辅助人工判断，要求在同一时间下，车载摄影图像与监测设备图像保持一致，如果相差超过预设，则该车载摄影仪的检测道路的图像可信度低，不能作为训练数据集。

3.根据权利要求2所述的一种基于语义分割的道路置信估计模糊帧方法，其特征在于步骤3具体实现如下：
解码器和编码器采用SegNet的方法，使用计算速度更快Adam自适应梯度法优化SegNet语义网络中的参数；使用交叉熵损失作为训练SegNet语义网络的目标函数，同时采用max—pool的采样方法对网络特征值进行提取；训练数据集中的每个类别中，若像素数量的变化超过预设阈值时，则需要根据图像真实类别进行不同地加权，或该图像超出所需范围，不可取。

4.根据权利要求3所述的一种基于语义分割的道路置信估计模糊帧方法，其特征在于所述的Adam自适应梯度法，具体实现如下：
Adam更新公式：
其中(2)对移动均值的更新，(3)对平方梯度的更新：
mt＝β1mt‑1+(1‑β1)gt (2)
其中，θt—当前参数；θt+1—下一时间参数；η—学习率；ε—非常小的参数；mt—指数移动均值；vt—平方梯度；gt—在时间跨度上的梯度值；β1，β2∈(0,1]—衰减率；
和 分别是梯度一阶矩和二阶矩；
通过计算偏差校正的一阶矩和二阶矩估计量，从而抵消偏差：
所述的采用max—pool的采样方法对网络特征值进行提取网络特征值的提取优化，具体实现如下：
首先将整个图片的图像特征矩阵不重叠的分割成多个大小相同的区域，然后对每个区域提取该区域的最大值，并将其余数值舍弃。