一种复杂车路环境的偏振特征多尺度池化分类算法制造技术

本发明专利技术提出了一种针对复杂车路环境的偏振特征多尺度池化分类算法，实现了复杂车路环境下图像目标的分类。首先对车路环境介质状况进行分析，探索复杂车路环境下高质量的成像方式；其次基于模拟实验结果，设计偏振成像方案，并组装标定三通道成像系统；最后提出多尺度池化的深度语义识别算法，实现车路环境目标的识别分类。实验结果表明，本发明专利技术可以有效提高复杂场景的语义分类识别效果，为复杂车路环境下车辆的安全辅助驾驶行驶视觉感知提供可靠的技术保障。

【技术实现步骤摘要】
一种复杂车路环境的偏振特征多尺度池化分类算法
本专利技术涉及针对复杂车路环境的偏振特征多尺度池化分类算法，具体涉及偏振成像方法及基于深度学习的语义分割算法。
技术介绍
目前交通环境感知技术的主要研究分为图像目标检测算法和图像分割算法，其中对车路图像中的目标分割是最基础和重要的研究领域之一，而目标分割算法主要分为传统的机器学习方法和基于卷积神经网络的深度学习算法。传统的图像分割算法主要分为阈值分割、聚类分割、区域生长等。Kaptur等人提出最佳熵阈值方法，对于无法呈现理想双峰直方图的图像，此方法可以进行良好的分割，不必依赖先验知识，缺点是该方法计算量巨大，且对阈值变化不敏感；许树成提出基于模糊聚类的图像分割算法将模糊C聚类算法结合马尔可夫随机场模型，增强图像分割的鲁棒性和空间关联性；但是由于道路场景的复杂性和类别的丰富性，传统的图像分割方法效果仍有待提高。近年来，深度学习技术引起了各领域的广泛关注，也被尝试应用于图像分割，传统的卷积神经网络模型需要耗费大量的时间和计算量，且在数据集较小的情况下极容易出现过拟合现象，通过引用迁移学习，加速卷积神经网络的训练过程。引用迁移学习方法后，卷积神经网络模型在训练速度以及准确率上都能得到大幅度的提高。目前车路环境下对图像进行分析进而实现分类识别的方法主要针对可见光图像，在路况条件复杂、光线差(如雾霾、夜色、黄昏和雨天等)的情况下，很多感知技术难以发挥其应用效能，但这些环境又不可避免，这为车路环境感知技术的研究带来了挑战。相比于分析图像目标强度信息，探测目标的偏振信息可以获得更多的有效信息，偏振光与目标场景相互作用后的散射光中包含更多目标本身特有的特征信息，因此基于偏振光成像可以降低多次散射的影响，提高成像质量，将偏振视觉图像应用于复杂车路环境目标的识别分类，能够提高复杂场景的语义分类识别效果。然而在智能交通领域，还未检索到完全利用偏振信息与深度学习技术相融合，并用于增强复杂车路环境下车辆的安全辅助驾驶行驶视觉感知相关技术。
技术实现思路
为了解决现有技术存在的技术问题，本专利技术的目的在于提供一种针对复杂车路环境的偏振特征多尺度池化分类算法,实现车路环境目标的识别分类。为达实现上述技术任务，本专利技术采用了如下技术方案予以解决：一种复杂车路环境的偏振特征多尺度池化分类算法，包括以下步骤：1)获取并分析车路环境介质信息；2)设计偏振成像方案，构建三通道成像系统得到偏振图像特征；3)利用多尺度池化算法对偏振图像特征进行融合；4)输出车路环境目标识别与分类结果。进一步地，其中步骤2)具体包括以下步骤：设计三通道并列排布成像光路，每个通道均由CCD探测器和偏振片构成；在xoy平面，β为偏振片方向与x轴夹角，将β分别取0°、60°和120°，实时获取同一场景的三个不同偏振方向的光强图像，对获取到的不同偏振方向的光强图像进一步计算得到Stokes的三个参量I、Q、U参量信息和车路环境目标的偏振信息。上述步骤3)具体包括以下步骤：使用网络模型作为预训练模型，用多尺度池化结构代替网络的最后一层普通池化层，融合复杂车路目标不同尺度的多个偏振图像特征。进一步优化，步骤2)利用VS2013平台结合Opencv实现动态采集偏振车路图像的实时采集，每次同时采集由0°、60°和120°偏振方向计算所得的五幅偏振车路图像，依次为Stokes参量I、Q、U对应的图像以及偏振度Dop与偏振角θ对应的图像。进一步优化，步骤3)中网络模型为VGG16网络模型。本专利技术采用迁移学习的方法完成训练，将学习过ImageNet数据集的VGG16网络模型迁移过来作为预训练模型，通过学习数据样本对网络参数进行修正，将VGG16网络模型最后三个全连接层转换成卷积层完成特征信息提取。本专利技术特别利用多尺度池化结构代替VGG16网络模型的最后一层普通池化层pool5，通过多个不同尺度的池化层来提取偏振图像不同尺度的细节特征，实现复杂车路目标不同尺度的多个偏振细节特征融合。并且，步骤4)通过上采样得到路环境目标识别与分类结果。通过采用双线性插值方法进行上采样来还原输入图像尺寸，并将其输入到Softmax分类器中，最后得到路环境目标识别与分类结果。本专利技术的有益效果：本专利技术的方法可以实现车路环境目标的识别分类。可以提高复杂场景的语义分类识别效果，尤其在一些细节识别方面表现突出。基于偏振特征对车路环境进行分割识别能够获得较为精准的结果。相比于光强图像，偏振图像在细节方面的分类识别效果更佳。附图说明图1为针对复杂车路环境的偏振特征多尺度池化分类算法原理框图。图2为三通道并列排布成像光路成像原理图。图3为车载偏振成像实验；其中：(a)为三通道偏振信息采集装置；(b)为车载偏振成像装置；(c)为偏振车路图像采集过程截图。图4为网络结构模型图。图5为VGG16网络结构。图6为多尺度池化结构。图7为车路语义分割部分数据集；其中：(a)为不同类别标注颜色；(b)为可见光图像；(c)偏振度图像；(d)图像标签。图8为不同车路图像训练曲线；其中：(a)可见光图像训练曲线；(b)偏振图像训练曲线。图9为对比FCN-8s模型和本算法对偏振特征图像和可见光图像的识别结果。图10为对比明显区域标记。图11为车路图像测试结果。其中：(a)可见光图像测试结果；(b)为偏振图像测试结果。具体实施方式下面结合附图和实施例对本专利技术做详细说明。参见图1，本专利技术通过分析车路环境介质信息，提出利用偏振成像可以对复杂环境目标成像进行增强，提高基于浑浊散射介质所采集图像的成像质量；进而设计偏振成像方案并搭建构建三通道成像系统得到偏振图像特征；最后提出基于偏振特征图像的多尺度池化算法，利用多尺度池化操作融合偏振图像的多个不同细节特征，提高复杂场景的语义分割效果及分类识别能力。参见图2，表述偏振信息的Stokes矢量，其中参量V在实际应用中很小，几乎可以忽略不计，因此通常假定V＝0。在xoy平面，β为偏振片方向与x轴夹角，观测沿β的偏振片方向可得出射光的光强表达式：现令β分别取0°、60°和120°，则可得到：对应的偏振度Dop、偏振角θ的表达式为：根据式(2)可设计三通道成像方案。三个通道均由CCD探测器和偏振片构成，三个光路通道并行排列且使用相同的硬件探测装置，实时获取同一场景的三个不同偏振方向的光强图像，则可进一步计算得到Stokes参量信息与车路环境目标目标的偏振信息。参见图3(a)，组装搭建三通道偏振信息采集装置。参见图3(b)，搭建车载偏振成像装置实物。参见图3(c)，利用VS2013平台结合Opencv实现动态采集偏振车路图像的实时采集软件，每次同时采集由0°、60°和120°偏振方向计算所得的五幅偏振车路图像，依次为Stokes参量I对应的图本文档来自技高网...

【技术保护点】
1.一种复杂车路环境的偏振特征多尺度池化分类算法，其特征在于：包括以下步骤：/n1)获取并分析车路环境介质信息；/n2)设计偏振成像方案，构建三通道成像系统得到偏振图像特征；/n3)利用多尺度池化算法对偏振图像特征进行融合；/n4)输出车路环境目标识别与分类结果。/n

【技术特征摘要】
1.一种复杂车路环境的偏振特征多尺度池化分类算法，其特征在于：包括以下步骤：
1)获取并分析车路环境介质信息；
2)设计偏振成像方案，构建三通道成像系统得到偏振图像特征；
3)利用多尺度池化算法对偏振图像特征进行融合；
4)输出车路环境目标识别与分类结果。


2.根据权利要求1所述的复杂车路环境的偏振特征多尺度池化分类算法，其特征在于：步骤2)具体包括以下步骤：设计三通道并列排布成像光路，每个通道均由CCD探测器和偏振片构成；在xoy平面，β为偏振片方向与x轴夹角，将β分别取0°、60°和120°，实时获取同一场景的三个不同偏振方向的光强图像，对获取到的不同偏振方向的光强图像进一步计算得到Stokes的三个参量I、Q、U参量信息和车路环境目标的偏振信息。


3.根据权利要求1所述的复杂车路环境的偏振特征多尺度池化分类算法，其特征在于：步骤3)具体包括以下步骤：使用网络模型作为预训练模型，用多尺度池化结构代替网络的最后一层普通池化层，融合复杂车路目标不同尺度的多个偏振图像特征。


4.根据权利要求2所述的复杂车路环境的偏振特征多尺度池化分类算法，其特征在于：所述步骤2)利用VS2013平台结合Opencv实现动态采集偏振车路图像的实时采集，每次同时采集由0°、60°和120°偏振方向计算所得的五幅偏振车路图像...

【专利技术属性】
技术研发人员：王会峰，黄鹤，关丽敏，高荣，温立民，刘盼芝，张佳佳，王晓艳，赵丹，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61