[发明专利]一种基于非对称空洞卷积的快速可行域分割方法

说明书

本发明公开了一种基于非对称空洞卷积的快速可行域分割方法：对单目相机采集的图像进行多尺度图像特征提取，在最后一个卷积块使用非对称空洞卷积块消除局部噪声，获得具有区分力的表征；特征解码模块对特征编码器提取的多尺度图像特征进行逐点融合，得到高分辨率的高区分力的图像特征图；采用分类器基于融合后的图像特征，预测输出图像场景中的可行域分割结果，将图像中的所有像素划分为可行驶区域和不可行驶区域两类。本发明引入了一种全新的非对称空洞卷积模块来提高特征的区分力，大幅减少对不可行驶道路的误判，并且没有引入额外的计算量。基于轻量化的模块和网络设计，在保证精度的前提下，实现了对可行域的快速分割。

技术领域

本发明属于计算机视觉技术领域，更具体地，涉及一种基于非对称空洞卷积的快速可行域分割方法。

背景技术

近年来，可行域分割已经成为自动驾驶技术中的研究热点。由于板载相机相比高精度3D激光雷达具有极大的成本优势，因此以单目图像作为输入的可行域分割成为了自动驾驶中不可或缺的部分。在可行域分割任务中，图像中的像素被预定义为三类：背景，可行驶道路，以及不可行驶道路(比如高速公路的逆向车道，人行道等)。这里的可行域分割任务是要将图像中的可行驶道路像素分割出来。

早期的可行域分割方法使用低层次的特征，比如颜色，边缘和纹理等，进行逐像素或者逐块的分类，并引入条件随机场来建模全局依赖关系。近年来，由于高性能并行计算能力的提升和大规模数据集的提出，深度卷积网络在计算机视觉领域中取得了突破性进展，可行域分割领域也随之进展迅速。

现有的基于深度卷积网络的方法，大多依赖于复杂的网络设计来提升精度，但是造成了极大的计算复杂度，难以应用于实时性的自动驾驶场景。还有少数方法通过降低模型复杂度来提升模型推理速度，但是它们也无法在移动嵌入式平台达到实时性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种快速、准确的基于非对称空洞卷积的快速可行域分割方法。为达到上述目的，本发明提供如下技术方案：

一种基于非对称空洞卷积的快速可行域分割方法，包括以下步骤：

步骤S1，多尺度特征提取，利用深度卷积神经网络特征编码器(2)对单目相机采集的图像(1)进行多尺度图像特征提取；

步骤S2，采用特征解码模块(3)对步骤S1提取的多尺度图像特征进行融合，得到分辨率扩大的高层语义的特征图；

步骤S3，逐像素预测，基于步骤S2输出的图像特征，采用分类器预测图像场景中的可行域分割结果，将输入单帧图像的所有像素划分为可行驶区域和不可行驶区域两类。

优选地，深度卷积网络特征编码器(2)分为四个卷积块：

将第四个卷积块替换成非对称空洞卷积块，以消除局部噪声；从第一到第四个卷积块输出的图像特征图尺寸分别为输入图像的1/4，1/8，1/16和1/32，通道数分别为C₁，C₂，C₃，C₄，其中C₁，C₂，C₃，C₄分别为预设值。

优选地，所述深度卷积神经网络特征编码器(2)中将第四个卷积块替换成非对称空洞卷积块，假设非对称空洞卷积核的水平半径和垂直半径分别为r_h和r_v，非对称率为基本空洞率为d，则由于不同的区域(即不可行驶道路，可行驶道路和背景)分布在水平方向上，r＞＞1的情况下非对称空洞卷积获取水平方向上不同区域之间的上下文关联，同时尽可能避免引入背景噪声，d、r_h和r_v分别为预设值。

优选地，特征解码模块(3)采用反向逐层融合的策略，在每层进行逐点融合，具体包括：