[发明专利]一种基于空间特征聚合的道路目标检测识别方法

说明书

本发明涉及一种基于空间特征聚合的道路目标检测识别方法，包括：将待测车道图输入训练好的道路目标检测模型，获得道路目标预测图；所述的道路目标检测模型包括特征提取器、特征融合模块、分类模块和上采样模块，所述的待测车道图输入特征提取器，获得第一特征图，所述的第一特征图输入特征融合模块，进行特征融合，获得第二特征图，所述的第二特征图输入分类模块，输出第二特征图上的道路目标预测位置，包含道路目标预测位置的第二特征图输入上采样模块，获得与待测车道图尺寸一致的道路目标预测图。与现有技术相比，本发明具有识别精度高、实时性好等优点。

技术领域

本发明涉及一种道路交通图像识别技术，尤其是涉及一种基于空间特征聚合的道路目标检测识别方法。

背景技术

车道线检测作为无人驾驶中是最重要的功能之一，它是无人叉车正常进行仓库道路行驶必须具备的能力。

目前的车道线检测算法主要划分为两种：基于传统特征提取的方法和基于深度学习的方法。传统的检测算法利用车道线本身的结构信息，借助人为设计的低级特征(颜色特征、线分割特征、霍夫变换特征等)识别车道线。这种方法对复杂的场景鲁棒性较差。而深度学习方法通过对大量数据样本进行训练学习，故对多种车道线识别能力较强。

现今的CNN模型通常是由卷积块堆叠构建，虽然CNN有强大的特征提取能力，可以提取到图像的语义信息，但现存CNN架构没有足够充分探索图像行和列上的空间关系能力，这些关系对于学习强先验形状的对象很重要，尤其是外观连贯性很弱。例如交通线，车道经常会被遮挡，或者压根就没在路上画车道线。现存CNN架构所提取到的特征仅为局部特征，对于特征图上的每个点来说，既没有考虑到感受野之外的像素信息，也没有考虑到感受野内的点与点之间的相关性。文献《Spatial As Deep:Spatial CNN for Traffic SceneUnderstanding》提出了本文提出了Spatial CNN(SCNN)模型，它将传统的卷积层接层的连接形式的转为feature map中片连片卷积(slice-by-slice)的形式，使得图中像素行和列之间能够传递信息，如图3，SCNN模型先将特征图进行切片，然后再按照下、上、右、左的顺序进行卷积以获取各行各列像素间的空间信息。

但对于现有的SCNN模型，特征在长距离的传播过程中会丢失信息，导致特征图失真，进而导致后续的车道线识别精度降低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于空间特征聚合的道路目标检测识别方法，识别精度高，实时性好。

本发明的目的可以通过以下技术方案来实现：

一种基于空间特征聚合的道路目标检测识别方法，包括：

将待测车道图输入训练好的道路目标检测模型，获得道路目标预测图；

其中，所述的道路目标检测模型包括特征提取器、特征融合模块、分类模块和上采样模块，所述的待测车道图输入特征提取器，获得第一特征图，所述的第一特征图输入特征融合模块，进行特征融合，获得第二特征图，所述的第二特征图输入分类模块，输出第二特征图上的道路目标预测位置，包含道路目标预测位置的第二特征图输入上采样模块，获得与待测车道图尺寸一致的道路目标预测图；

所述的特征融合过程包括：

对第一特征图X₁进行迭代融合，所述的迭代融合的计算公式为：

X₁^k+1＝L_k(R_k(U_k(D_k(X₁^k)))),k＝1,2,…,K