[发明专利]基于改进Mask R-CNN的自动驾驶目标识别方法

权利要求书

1.基于改进Mask R-CNN的自动驾驶目标识别方法，其特征在于，包括如下步骤，

S1、读取图片信息后对其进行预处理，得到图片的特征图；

S2、将特征图输入到区域推荐网络模块，得到推荐框；

S3、推荐框通过二分类层判断内部是否存在目标，然后区分推荐框中的目标和背景，利用边界回归确定目标位置，从筛选出的特征图确定ROI区域，再利用非极大值抑制NMS算法去除多余的推荐框得到精确的推荐框；

S4、对ROI区域进行处理后，掩码模块利用FCN网络对每个ROI区域进行分割，输出特征图；

S5、分类和边框回归模块收集得到ROI区域，ROI区域在此模块中计算分类损失和基于Kullback-Leibler loss边界框回归损失，利用NMS方法确定精确的推荐框，实现图片中目标的识别和分割。

2.如权利要求1所述的基于改进Mask R-CNN的自动驾驶目标识别方法，其特征在于，所述步骤S1具体是首先对图片进行放缩处理，然后将其输入到特征提取网络模块的残差网络101+特征金字塔特征提取网络，再经过全卷积网络后，提取到图片的特征图。

3.如权利要求1所述的基于改进Mask R-CNN的自动驾驶目标识别方法，其特征在于，所述步骤S2中区域推荐网络模块运用滑动窗遍历特征图，每个像素预测出多个锚框，产生推荐框。

4.如权利要求3所述的基于改进Mask R-CNN的自动驾驶目标识别方法，其特征在于，所述滑动窗的大小为3*3。

5.如权利要求3所述的基于改进Mask R-CNN的自动驾驶目标识别方法，其特征在于，所述每个像素预测的锚框尺寸有6种，6种尺度为{2,4,8,16,64,256}，比例有9种{0.3:1，0.5:1，0.7:1，0.9:1，1:1，1.5:1，2:1，2.5:1，3:1}，共54个锚框。

6.如权利要求3所述的基于改进Mask R-CNN的自动驾驶目标识别方法，

其特征在于，所述锚框基准窗设置为16*16，因此锚框的面积S_k如下，

S_k＝(16*2^k)K∈[1,6] (1)

锚框的长宽比为a:1,则每个锚框的宽W_K、长H_K如下，

7.如权利要求1所述的基于改进Mask R-CNN的自动驾驶目标识别方法，

其特征在于，所述步骤S3中NMS算法的阈值筛选法公式如下，

式中，B＝{b₁,b₂,L L b_n}是一系列初始的检验框，S＝{s₁,s₂,.....s_n}是它们对应的分类得分，N_t是重叠度的阈值。

8.如权利要求1所述的基于改进Mask R-CNN的自动驾驶目标识别方法，其特征在于，所述步骤S4中对ROI区域进行处理具体是对ROI区域进行双线性插值对齐操作，将其尺寸固定成统一大小。