[发明专利]非结构化道路识别网络训练方法、应用方法及存储介质

说明书

本发明涉及非结构化道路识别网络训练方法、应用方法及存储介质，包括：获取包含标注信息的图像训练样本集；根据所述实际道路分类标签确定所述非结构化道路识别网络的损失函数的值；根据所述损失函数的值调整所述非结构化道路识别网络的参数至满足收敛条件，确定训练完备的非结构化道路识别网络。本发明通过引入注意力模块和深度可分离卷积模块，对骨干网络和池化网络进行改进，充分提取其多尺度特征信息，改善网络性能，减少网络参数，实现网络轻量化，得到快速、准确对非结构道路进行识别的目的。

技术领域

本发明自动驾驶技术领域，尤其涉及非结构化道路识别网络训练方法、应 用方法及存储介质。

背景技术

人工智能被认为是第四次工业革命，无人驾驶技术是人工智能的一个重要 的领域，地面无人车辆作为无人平台的一种，无论是在民用领域还是在军用领 域，都承担着越来越重要的功能与任务。无人驾驶汽车可以利用车载传感器来 感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制 车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。图像语义分 割(Image Semantic Segmentation)是计算机视觉领域中一项基础且极具挑战性的 任务，其目标旨在估计图像中每个像素的类别标签，在地理信息系统、无人驾 驶、医疗影像分析和机器人等领域中发挥着日益重要的作用。对于无人驾驶而 言，图像语义分割可以对环境信息进行高水平的处理，从而为智能车辆提供重要的路况信息，对路况进行精准的判断，为无人驾驶汽车的安全提供了保障。

在道路识别方面，可以把车辆行驶的道路分为结构化道路和非结构化道路。 结构化道路一般是指高速公路、城市干道等结构化较好的公路，这类道路具有 清晰的道路标志线，道路的背景环境比较单一，道路的几何特征也比较明显。 因此，针对它的道路检测问题可以简化为车道线或道路边界的检测。非结构化 道路一般是指城市非骨干道、乡村街道等结构化程度较低的道路，这类道路没 有车道线和清晰的道路边界，再加上受阴影和水迹等的影响，道路区域和非道 路区域难以区分。多变的道路类型，复杂的环境背景，以及阴影、遮挡和变化 的天气等等都是非结构化道路检测所面临的难点。对于小区、学校、景区、乡间等地区的人行道路，因其一般没有明显的边界，所处环境也相对复杂，所以 应属于非结构化道路，目前关于此类道路的研究相对较少。

现有技术中，有学者使用改进的种子和支持向量机(Support Vector Machine，SVM)，提出一种基于视觉和2D激光雷达检测相结合的非结构化道路检测和 识别方法，但该方法主要针对的是森林环境，在其他情况下应用时要扩充数据 集；也有针对现有非结构化道路识别方法存在全像素域计算分类处理实时性差、 易受噪声数据干扰等问题，提出一种基于SLIC(Simple linear iterative clustering) 超像素分割和改进区域生长算法的非结构化道路识别方法，但在色彩和对比度 较弱的情况下存在偏差。因而上述现有方法存在对非结构化道路识别精度差、 实时性不强的问题，因此，如何进行准确、高效且快速的非结构化道路识别是 亟待解决的问题。

发明内容

有鉴于此，有必要提供一种非结构化道路识别网络训练方法、应用方法及 存储介质，用以克服现有技术中对非结构化道路的识别不够准确、高效且快速 的问题。

为了解决上述技术问题，本发明提供一种非结构化道路识别网络训练方法， 包括：

获取包含标注信息的图像训练样本集，其中，所述标注信息包括所述图像 训练样本集中的每个样本图像像素的实际道路分类标签；

根据所述实际道路分类标签确定所述非结构化道路识别网络的损失函数的 值，其中，所述非结构化道路识别网络包括添加注意力模块的骨干网络层、添 加注意力模块和深度可分离卷积模块的金字塔池化层；

根据所述损失函数的值调整所述非结构化道路识别网络的参数至满足收敛 条件，确定训练完备的非结构化道路识别网络。

进一步地，所述根据所述实际道路分类标签确定所述非结构化道路识别网 络的损失函数的值，包括：