一种基于图像的路面分割方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114419057A(43)申请公布日2022.04.29(21)申请号202210103308.3G06N3/08(2006.01)(22)申请日2022.01.27G06V10/764(2022.01)G06V10/82(2022.01)(71)申请人盛视科技股份有限公司地址518000广东省深圳市福田区华富街道莲花一村社区彩田路7018号新浩壹都A4201-4206(整层)、43整层、45整层(72)发明人王和平陈雅琼李山路李晓凯莫家源龚小龙(74)专利代理机构深圳市正威知识产权代理事务所(特殊普通合伙)44643代理人柳大江(51)Int.Cl.G06T7/10(2017.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书3页说明书9页附图4页(54)发明名称一种基于图像的路面分割方法及系统(57)摘要本发明涉及计算机视觉和图像处理技术领域，具体是一种基于图像的路面分割方法及系统，包括以下步骤：场景采集步骤：使用拍摄设备采集路面场景图像，且采集不同自然条件下的场景；图像处理步骤：根据采集的图像进行预处理，从而得到预定量的图像样本，并将图像样本生成路面图像训练集和验证集；图像模型处理步骤:将Cityscapes数据集的图像数据输入深度学习分割路面网络Bisenet中进行训练。本发明的分割方法具备自然路面场景感知能力，能够实现高效的特征表征，极大程度上改善了图像语义分割的准确率和精细程度，减少了误分割现象，而且采用了跳跃融合结构，将底层特征信息和深层语义信息进行高度结合，保留原图像的空间信息的同时也能快速获取最大感受野。CN114419057ACN114419057A权利要求书1/3页1.一种基于图像的路面分割方法，其特征在于：包括以下步骤：场景采集步骤：采集路面场景图像；图像处理步骤：对场景采集步骤采集的图像进行预处理，从而得到预定量的图像样本，并将图像样本生成路面图像训练集和验证集；图像模型处理步骤:将图像处理步骤预处理的城市风景数据集的图像数据输入深度学习分割路面网络多支路轻量化分割模型中；图像扩充微调步骤：将图像处理步骤得到的路面图像训练集和验证集设置成预定数量，而后进行扩充微调处理，之后对扩充微调生成的模型参数进行保存；测试分割步骤:将待分割的路面场景图像数据统一到预定尺寸，而后输入final_model.pth模型进行测试分割，输出得到路面分割结果图。2.根据权利要求1所述的一种基于图像的路面分割方法，其特征在于：所述场景采集步骤中图像采集数量为200张～500张，且采集的条件包括雨雪雾霾、室内、白天和夜晚下的路面中的一种或多种，所述采集的路面包括乡村道路、街道、高速公路上的场景中的一种或多种。3.根据权利要求1所述的一种基于图像的路面分割方法，其特征在于：所述图像处理步骤中图像预处理方式为首先将场景采集步骤采集的图像统一尺寸裁剪到预定大小，并转化成16位～48位PNG格式图像，而后选取若干张不同场景图像进行灰度化，模拟红外摄像头拍摄图像，并将灰度化后的8位图像转为24位深度图像，随后对图像进行labelme深度学习，并用打标工具进行标签标注，而后将标注完毕之后生成的json文件进行批量转化，将背景的像素设置为0，道路的像素设置为1，人行道的像素设置为2，其中相同像素值的像素点表示为同一类像素点，之后将json文件转化后生成的mask标签图像和原图进行数据增强的扩充处理，将数据集由原来的300张扩充至3000张，并保持原图和对应mask标签图像的同步扩充，最后将增强完毕后的数据集生成训练、验证和测试路径txt文件并保存，从而得到城市风景数据集。4.根据权利要求3所述的一种基于图像的路面分割方法，其特征在于：所述图像预处理中选取的数量为30张～80张，所述图像预处理中标签标注分为三类，且三类分别为道路、人行道、和背景。5.根据权利要求3所述的一种基于图像的路面分割方法，其特征在于：所述图像预处理中扩充处理依次为旋转、缩放、裁剪操作进行随机概率的十倍增强。6.根据权利要求1所述的一种基于图像的路面分割方法，其特征在于：所述图像模型处理步骤中训练使用GPU个数为1个～5个，且训练步骤为：将图像处理步骤中保存的城市风景训练集和验证集分别设置为2000张～3000张和300张～800张，其中训练的迭代次数设置为100000次～200000次，同时Batch_size设置为8张～24张，而后将训练生成的模型model_city.pth进行验证和测试，并将深度学习分割网络多支路轻量化分割模型的定量分析指标mean_IOU进行结果分析和计算，最后得出mean_IOU计算结果，之后将训练生成的网络模型model_cit