聚焦关键样本的基于集成学习的道路区域检测方法、系统技术方案

本发明专利技术属于计算机视觉领域，具体涉及一种聚焦关键样本的基于集成学习的道路区域检测方法、系统。本发明专利技术方法包括：获取输入图像数据并预处理后得到处理后的图像数据；基于检测网络分别获取道路区域数据和道路边缘数据；对所述道路边缘数据和/或所述道路区域数据进行形态学变换，并与所述道路区域数据和/或所述道路边缘数据交集处理，获取像素级道路区域数据；其中，所述检测网络基于CNN的图像分割网络，包括用于获取道路区域的道路区域检测网络、用于获取道路边缘的道路边缘检测网络。本发明专利技术复杂度得到有效降低，具有通用性，能够部署并应用于智能车上，并且具有较好的检测准确度和鲁棒性。

【技术实现步骤摘要】
聚焦关键样本的基于集成学习的道路区域检测方法、系统
本专利技术属于计算机视觉领域，具体涉及一种聚焦关键样本的基于集成学习的道路区域检测方法、系统。
技术介绍
在智能车周围环境感知系统中，道路区域检测是重要的组成部分。它为智能车提供可行驶区域信息，为后续的路径规划提供必要的信息输入，是智能车正常安全行驶的基础之一。视觉信息采集设备在智能车装备的众多传感器中，能以较低的成本提供更丰富的车辆周围环境信息，因而道路区域检测是近年来倍受研究者关注的计算机视觉问题。现有的道路区域检测方法主要可以分为两类：传统模型方法和基于卷积神经网络(ConvolutionalNeuralNetwork，CNN)的方法。传统模型方法利用人工提取的图像特征，使用传统分类器对输入图像中的每个像素进行分类，将像素归为道路和非道路两类，最终得到像素级道路区域检测结果。常见的人工提取的特征为图像颜色特征和图像结构纹理特征。传统模型方法的检测效果很大程度上取决于人工提取特征的优劣和选用的分类器的性能，因而模型的建立往往需要大量的专业知识，方法复杂且无法适应复杂多变的道路场景。得益于深度学习和卷积神经网络的发展，近年来涌现了许多基于卷积神经网络的图像分割技术。将其应用在道路检测问题上并相应地进行改进与优化，可以实现端到端的道路区域检测。基于卷积神经网络的方法以图像为输入，输出即为道路区域检测结果，无需人工提取特征，因而建立此种模型无需过多的相关领域专业知识，当训练数据量足够多时可达到很好的检测效果。由于实际道路场景复杂多样，而可供使用的训练数据有限，因此使用基于CNN的方法的检测结果中仍存在一定程度的误检与漏检。为提高检测的效果，大多数现有的方法着眼于提取更深层的特征和设计更复杂的分类网络，然而这又会引起过拟合。集成学习是传统机器学习中的一类方法。它通过集成多个弱分类器的结果可以达到强分类器的检测效果。Bagging和Boosting是集成学习的两个主要类别。前者通过集成多个并行的分类器的结果实现效果的提升，同时提高鲁棒性；后者级联多个分类器，后面的分类器对之前分类器的错分样本加强关注，提升检测效果。易错分样本是难样本，通常是值得关注的关键样本。同时，由于使用场景的不同，使用需求致使样本的关键程度也有所不同，可能会更多的关注误检或漏检。现有的难样本挖掘技术多是在训练过程中对训练样本进行难样本的重采样，方法的复杂度高。基于此，本专利技术针对道路区域检测现有方法的不足和实际使用需求，提出一种聚焦关键样本的基于集成学习的道路区域检测方法，能够深度挖掘关键样本，集成基于不同特征组合的检测结果，检测效果好，鲁棒性好。
技术实现思路
为了解决现有技术中的上述问题，即为了解决目前检测网络复杂度高、检测准确度有待提高的问题，本专利技术的第一方面，提出了一种聚焦关键样本的基于集成学习的道路区域检测方法，包括以下步骤：步骤S100，获取输入图像数据，根据预设的规则进行图像标准化的预处理，得到处理后的图像数据；步骤S200，利用所述处理后的图像数据，基于检测网络分别获取道路区域数据和道路边缘数据；步骤S300，对所述道路边缘数据和/或所述道路区域数据进行形态学变换，并与所述道路区域数据和/或所述道路边缘数据交集处理，获取像素级道路区域数据；其中，所述检测网络为聚焦关键样本的基于集成学习的道路区域检测网络，该网络为基于CNN的图像分割网络，包括用于获取道路区域的道路区域检测网络、用于获取道路边缘的道路边缘检测网络。在一些优选实施方式中，所述检测网络包两个解码器、一个共享的编码器、四个基分类器、两个加权投票器；所述编码器用于从输入图像数据中提取特征，得到相应的特征图；两个所述解码器用于分别基于所述编码器输出的特征图解码出不同的特征组合；四个基分类器包括两组，每组对应一个解码器，每组均包括一个道路区域检测分类器、一个道路边缘检测分类器；两个加权投票器分别用于集成道路区域检测结果和道路边缘检测结果。在一些优选实施方式中，所述检测网络的损失函数为L为其中，a为关注度加权因子，gi为样本的真实值，gi∈±1，pi为检测网络预测的样本属于设定检测类别(道路区域或道路边缘)的概率。在一些优选实施方式中，所述检测网络中两个解码器分别为解码器R、解码器RB，与解码器R对应的基分类器为R-R和R-RB，与解码器RB对应的基分类器为RB-R和RB-RB，其训练方法为：步骤A100，基于训练样本，在道路区域检测训练目标下，分别在多个设定的漏检误检区别关注度因子αr下，对所述检测网络中解码器R、基分类器R-R进行网络参数优化，选定最优检测结果对应的αr值及网络参数；步骤A200，固定步骤A100中优化后的解码器R、基分类器R-R的网络参数，分别在多个设定的漏检误检区别关注度因子αrb下，基于训练样本，对所述检测网络中解码器RB、基分类器RB-R进行网络参数优化，选定最优检测结果对应的αrb值及网络参数；步骤A300，固定步骤A100中优化后的解码器R和基分类器R-R的网络参数、步骤A200中优化后的解码器RB和基分类器RB-R的网络参数，在步骤A200选定的漏检误检区别关注度因子αrb下，基于训练样本，在道路边缘检测训练目标下，对基分类器R-RB和RB-RB进行网络参数优化；步骤A400，基于步骤A100、A200、A300获得的网络参数，基于训练样本优化两个加权投票器的参数，得到优化后的检测网络。在一些优选实施方式中，步骤A100中“基于道路区域检测训练样本，分别在多个设定的漏检误检区别关注度因子αr下，对所述检测网络中解码器R、基分类器R-R进行网络参数优化，选定最优检测结果对应的αr值及网络参数；”，其方法为：步骤A101，确定第一漏检误检区别关注度因子αr的初始值；步骤A102，基于训练样本，在道路区域检测训练目标下，监督地训练的解码器R和基于其解码出的特征组合的基分类器R-R；步骤A103，利用验证数据集，在训练好的基分类器R-R上进行前向计算，按照设定评价规则，评价并量化验证集上的道路区域检测结果；步骤A104，获取微调后的αr值；步骤A105，重复步骤A102-A104，直至达到设定的结束条件；选定最优检测结果对应的αr值与相应的网络参数。在一些优选实施方式中，步骤A200中“固定步骤A100中优化后的解码器R、基分类器R-R的网络参数，分别在多个设定的漏检误检区别关注度因子αrb下，基于训练样本，对所述检测网络中解码器RB、基分类器RB-R进行网络参数优化，选定最优检测结果对应的αrb值及网络参数；”，其方法为：步骤A201，确定第二漏检误检区别关注度因子αrb的初始值；步骤A202，基于训练样本，在道路边缘检测训练目标下监督地训练的解码器RB，在道路区域检测训练目标下，监督地训练基于解码器RB解码出的特征组合的基分类器RB-R；步骤A203，利用验证数据集，在训练好的基分类器RB-R上进行前向计算，按本文档来自技高网...

【技术保护点】
1.一种聚焦关键样本的基于集成学习的道路区域检测方法，其特征在于，包括以下步骤：/n步骤S100，获取输入图像数据，根据预设的规则进行图像标准化的预处理，得到处理后的图像数据；/n步骤S200，利用所述处理后的图像数据，基于检测网络分别获取道路区域数据和道路边缘数据；/n步骤S300，对所述道路边缘数据和/或所述道路区域数据进行形态学变换，并与所述道路区域数据和/或所述道路边缘数据交集处理，获取像素级道路区域数据；/n其中，所述检测网络为聚焦关键样本的基于集成学习的道路区域检测网络，该网络为基于CNN的图像分割网络，包括用于获取道路区域的道路区域检测网络、用于获取道路边缘的道路边缘检测网络。/n

【技术特征摘要】
1.一种聚焦关键样本的基于集成学习的道路区域检测方法，其特征在于，包括以下步骤：
步骤S100，获取输入图像数据，根据预设的规则进行图像标准化的预处理，得到处理后的图像数据；
步骤S200，利用所述处理后的图像数据，基于检测网络分别获取道路区域数据和道路边缘数据；
步骤S300，对所述道路边缘数据和/或所述道路区域数据进行形态学变换，并与所述道路区域数据和/或所述道路边缘数据交集处理，获取像素级道路区域数据；
其中，所述检测网络为聚焦关键样本的基于集成学习的道路区域检测网络，该网络为基于CNN的图像分割网络，包括用于获取道路区域的道路区域检测网络、用于获取道路边缘的道路边缘检测网络。


2.根据权利要求1所述的聚焦关键样本的基于集成学习的道路区域检测方法，其特征在于，所述检测网络包两个解码器、一个共享的编码器、四个基分类器、两个加权投票器；
所述编码器用于从输入图像数据中提取特征，得到相应的特征图；
两个所述解码器用于分别基于所述编码器输出的特征图解码出不同的特征组合；
四个基分类器包括两组，每组对应一个解码器，每组均包括一个道路区域检测分类器、一个道路边缘检测分类器；
两个加权投票器分别用于集成道路区域检测结果和道路边缘检测结果。


3.根据权利要求2所述的聚焦关键样本的基于集成学习的道路区域检测方法，其特征在于，所述检测网络训练时的损失函数为L为



其中，a为关注度加权因子，gi为样本的真实值，gi∈±1，pi为检测网络预测的样本属于设定检测类别的概率。


4.根据权利要求3所述的聚焦关键样本的基于集成学习的道路区域检测方法，其特征在于，所述检测网络中两个解码器分别为解码器R、解码器RB，与解码器R对应的基分类器为R-R和R-RB，与解码器RB对应的基分类器为RB-R和RB-RB，其训练方法为：
步骤A100，基于训练样本，在道路区域检测训练目标下，分别在多个设定的漏检误检区别关注度因子αr下，对所述检测网络中解码器R、基分类器R-R进行网络参数优化，选定最优检测结果对应的αr值及网络参数；
步骤A200，固定步骤A100中优化后的解码器R、基分类器R-R的网络参数，分别在多个设定的漏检误检区别关注度因子αrb下，基于训练样本，对所述检测网络中解码器RB、基分类器RB-R进行网络参数优化，选定最优检测结果对应的αrb值及网络参数；
步骤A300，固定步骤A100中优化后的解码器R和基分类器R-R的网络参数、步骤A200中优化后的解码器RB和基分类器RB-R的网络参数，在步骤A200选定的漏检误检区别关注度因子αrb下，基于训练样本，在道路边缘检测训练目标下，对基分类器R-RB和RB-RB进行网络参数优化；
步骤A400，基于步骤A100、A200、A300获得的网络参数，基于训练样本优化两个加权投票器的参数，得到优化后的检测网络。


5.根据权利要求4所述的聚焦关键样本的基于集成学习的道路区域检测方法，其特征在于，步骤A100中“基于道路区域检测训练样本，分别在多个设定的漏检误检区别关注度因子αr下，对所述检测网络中解码器R、基分类器R-R进行网络参数优化，选定最优检测结果对应的αr值及网络参数；”，其方法为：
步骤A101，确定第一漏检误检区别关注度因子αr的初始值；
步骤A102，基于训练样本，在道路区域检测训练目标下，监督地训练的解码器R和基于其解码出的特征组合的基分类器R-R；
步骤A103，利用验证数据集，在训练好的基分类器R-R上进行前向计算，按照设定评价规则，评价并量化验证集上...

【专利技术属性】
技术研发人员：朱凤华，范嗣祺，陈圆圆，王晓，徐延才，熊刚，王飞跃，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11