[发明专利]一种基于多任务神经网络的汽车可行驶区域规划方法

权利要求书

1.一种基于多任务神经网络的汽车可行驶区域规划方法，其特征在于，包括以下步骤：

步骤1，构建具有语义分割与目标检测两种功能的轻量级多任务神经网络，包括：基于硬参数共享机制构建轻量级多任务神经网络任务共享层；构建多尺度目标检测特定层；基于金字塔池化模型构建语义分割特定层；

步骤2，根据轻量级多任务神经网络输出格式，制作训练集；

步骤3，构建多任务神经网络损失函数数学模型；

步骤4，将多任务神经网络应用于汽车可行驶区域规划中，将多任务神经网络模型部署至车载嵌入式平台中，在嵌入式平台中运行模型检测汽车前方车辆、行人，并分割车道，将检测到的信息发送至嵌入式平台控制中心，多任务神经网络模型分割车道，会将当前汽车所在车道和汽车旁边虚线分割车道检测出来，在图片中会用不同颜色显示，有颜色显示的区域都是可行驶区域，颜色是人为设定的，利用实验者和驾驶者观察，实际中这些有颜色显示的区域在计算机中的像素值都是像素值为1或2；

所述步骤3构建多任务神经网络损失函数数学模型，具体包括以下子步骤：

步骤3.1：确定目标检测任务特定层与语义分割任务特定层损失函数，然后在每个特定层计算损失值的过程中对损失值进行归一化处理；

步骤3.2：使用动态损失权重对两个特定层网络的损失值线性加权求和，公式如1所示：

F_M＝W₁·F₁+W₂·F₂ (1)

其中F_M是多任务神经网络的损失值，F₁，W₁分别是目标检测特定层网络的损失值与权重系数，F₂，W₂分别是语义分割特定层网络的损失值与权重系数，W₁，W₂根据两种网络的损失值进行动态计算，计算公式如(2)、(3)所示：

其中|ΔF₁|为目标检测特定层网络的当前次epoch的损失值与上一次epoch的损失值差的绝对值，|ΔF₂|为语义分割特定层网络的当前次epoch的损失值与上一次epoch的损失值差的绝对值。

2.根据权利要求1所述的一种基于多任务神经网络的汽车可行驶区域规划方法，其特征在于，所述步骤1构建具有语义分割与目标检测两种功能的轻量级多任务神经网络，具体包括以下子步骤：

步骤1.1：基于硬参数共享机制构建轻量级多任务神经网络任务共享层，硬参数共享机制：网络中多个任务分支共享一个主干网络，即一个主干网络提取的图像特征传给多个任务分支；软参数共享机制：每个任务分支使用一个主干网络，然后使用算法将各个主干网络关联起来，该任务共享层结合DenseNet密集连接结构与跨级局部网络CSPNet的CSP残差结构：网络输入的是相机拍摄的一帧帧图片，图片中包含各种东西，所述轻量级多任务神经网络的功能就是检测相机拍摄图片中的车辆，行人，任务共享层每次下采样，特征图尺寸就会下降一半，经过多次下采样，特征图的尺寸也会有多次下降一半，这些特征图叠在一起看起来就像一个金字塔；

步骤1.2：基于FPN特征金字塔网络方法，构建多尺度目标检测特定层；

步骤1.3：基于金字塔池化模型构建语义分割特定层，并使用双线性插值法对特征图进行上采样，使采样后的尺寸与网络输入尺寸相同。

3.根据权利要求2所述的一种基于多任务神经网络的汽车可行驶区域规划方法，其特征在于，所述任务共享层共分为7层，从上到下分别是CBL层、CBL层、CSP层、CSP层、DCB、CSP层、CBL层，其中CBL层包括卷积层-批量归一化层-激活函数层；CSP层是一个残差结构，在ResNet的残差块外部再连接一条大的残差边，DCB层是DenseNet网络中的密集连接结构。