System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及自动驾驶领域,特别是关于一种用于地面地图要素的实例分割方法及系统。
技术介绍
1、感知、决策、控制是自动驾驶的主要研究问题。摄像头作为感知技术的基本传感器,得到了广泛研究与应用。在自动驾驶应用领域,通常采用语义分割的方法,通过对车载摄像头拍摄的图像进行分析来识别行人、车辆和建筑等,以避免碰撞。除避障外,高精度地图在自动驾驶中也发挥着同样重要的作用,为以更高的精度和更低的成本绘制用于自动驾驶的高精度地图,基于视觉的方法越来越流行。正确识别摄像头传感器中的车道线、箭头和斑马线等地面地图要素有助于构建更详细、精确的地图。
2、语义分割是一种经典的计算机视觉任务,通过神经网络等方法建立模型,对输入图像进行运算,分析图像中每一像素归属于每一类别的概率,最终选取概率最大的类别作为该像素的语义。但是,简单的语义分割神经网络已经无法满足自动驾驶领域视觉应用的需求。这是因为语义分割方法只判断每一像素的类别,而对属于同一类别的像素没有区分。
3、为解决这个问题,需要对属于同一类别的像素进行进一步判断,这就是实例分割的一种主要思路,即先进行语义分割再对同一类别的像素进行区分。但是,这种方法在区分同一类别的像素时,通常采用不定数量的聚类算法,时间开销非常大,且容易出现不稳定的情况。
技术实现思路
1、针对上述问题,本专利技术的目的是提供一种快速且稳定的用于地面地图要素的实例分割方法及系统。
2、为实现上述目的,本专利技术采取以下技术方案:一方面,提供一种用
3、采用特征提取模型,通过连接多层深度卷积层结构,提取彩色输入图像的深度特征;
4、通过语义分割分支、高维量分支和实例点分支,分别对提取的深度特征进行上采样,得到不同长宽尺寸的与彩色输入图像一致的输出结果;
5、对不同长宽尺寸的与彩色输入图像一致的输出结果进行后处理,得到像素聚类结果作为彩色输入图像的实例分割结果,完成彩色输入图像的实例分割。
6、进一步地,所述通过语义分割分支、高维量分支和实例点分支,分别对提取的深度特征进行上采样,得到不同长宽尺寸的与彩色输入图像一致的输出结果,包括:
7、通过语义分割分支,对提取的深度特征进行上采样,得到车道线类别和非车道线类别的灰度图作为二值化语义分割结果;
8、通过高维量分支,对提取的深度特征进行上采样,得到用于判别属于同一类别不同实例像素的高维向量;
9、通过实例点分支,对提取的深度特征进行上采样,得到每一实例的中心点。
10、进一步地,所述通过语义分割分支,对提取的深度特征进行上采样,得到车道线类别和非车道线类别的灰度图作为二值化语义分割结果,包括:
11、采用第一深度神经网络解码器,对提取的深度特征进行上采样,在第一深度神经网络解码器的最后一层输出结构为h×w×c的矩阵作为二值化语义分割结果表达(i,j),其中,c为语义类别数量;i为图像像素的横坐标,i∈[1,h];j为图像像素的纵坐标,j∈[1,w],h为图像高度,w为图像宽度,(i,j)位置的像素对应于一个1×c的向量。
12、进一步地,所述通过高维量分支,对提取的深度特征进行上采样,得到用于判别属于同一类别不同实例像素的高维向量,包括:
13、采用第二深度神经网络解码器,对提取的深度特征进行上采样,在第二深度神经网络解码器的最后一层输出结构为h×w×e的矩阵作为用于判别属于同一类别不同实例像素的高维向量表达(i,j),使得(i,j)位置的像素对应于一个1×e的向量,其中,e为高维向量空间的维度。
14、进一步地,所述通过实例点分支,对提取的深度特征进行上采样,得到每一实例的中心点,包括:
15、采用第三深度神经网络解码器,对提取的深度特征进行上采样,在第三深度神经网络解码器的最后一层输出结构为h×w×1的矩阵作为每一实例的中心点,该矩阵的最大值为1,最小值为0。
16、进一步地,所述对不同长宽尺寸的与彩色输入图像一致的输出结果进行后处理,得到像素聚类结果作为彩色输入图像的实例分割结果,完成彩色输入图像的实例分割,包括:
17、对语义分割分支和高维量分支的输出结果进行相乘,得到一个h×w×e的矩阵;
18、采用主成分提取,将h×w×e的矩阵中xl个属于第c-1类语义的像素点高维量由1×e降维至1×2,得到像素实例降维结果;
19、将实例点分支的输出结果作为实例锚点,作为聚类中心进行后续的聚类计算,并根据像素实例降维结果,得到像素聚类结果。
20、进一步地,所述对语义分割分支和高维量分支的输出结果进行相乘,得到一个h×w×e的矩阵,包括:
21、分别提取语义分割分支的输出结果中值为1、2、3…c-1的结果,并将其他值置为0;
22、将语义分割分支中提取的输出结果分别与高维量分支的输出结果相乘,得到一个h×w×e的矩阵。
23、第二方面,提供一种用于地面地图要素的实例分割系统,包括:
24、深度特征提取模块,用于采用特征提取模型,通过连接多层深度卷积层结构,提取彩色输入图像的深度特征;
25、上采样模块,用于通过语义分割分支、高维量分支和实例点分支,分别对提取的深度特征进行上采样,得到不同长宽尺寸的与彩色输入图像一致的输出结果;
26、后处理模块,用于对不同长宽尺寸的与彩色输入图像一致的输出结果进行后处理,得到像素聚类结果作为彩色输入图像的实例分割结果,完成彩色输入图像的实例分割。
27、第三方面,提供一种处理设备,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现上述用于地面地图要素的实例分割方法对应的步骤。
28、第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现上述用于地面地图要素的实例分割方法对应的步骤。
29、本专利技术由于采取以上技术方案,其具有以下优点:
30、1、本专利技术设置了三个分支实例分割网络,既能够实现像素级的语义分割,又能够对同一类别的像素进行区分从而实现实例分割,同时通过中心点的学习来辅助聚类算法,提升后处理性能。
31、2、本专利技术仅采用摄像头传感器提供的单帧图像数据实现地图要素实例分割,成本低。
32、3、本专利技术的网络结构较为简单,参数量少,训练快。
33、4、本专利技术通过实例点分支得到每一实例的中心点,进而得到实例锚点,能够提升聚类性能。
34、综上所述,本专利技术可以广泛应用于自动驾驶领域中。
本文档来自技高网...【技术保护点】
1.一种用于地面地图要素的实例分割方法,其特征在于,包括:
2.如权利要求1所述的一种用于地面地图要素的实例分割方法,其特征在于,所述通过语义分割分支、高维量分支和实例点分支,分别对提取的深度特征进行上采样,得到不同长宽尺寸的与彩色输入图像一致的输出结果,包括:
3.如权利要求2所述的一种用于地面地图要素的实例分割方法,其特征在于,所述通过语义分割分支,对提取的深度特征进行上采样,得到车道线类别和非车道线类别的灰度图作为二值化语义分割结果,包括:
4.如权利要求3所述的一种用于地面地图要素的实例分割方法,其特征在于,所述通过高维量分支,对提取的深度特征进行上采样,得到用于判别属于同一类别不同实例像素的高维向量,包括:
5.如权利要求4所述的一种用于地面地图要素的实例分割方法,其特征在于,所述通过实例点分支,对提取的深度特征进行上采样,得到每一实例的中心点,包括:
6.如权利要求5所述的一种用于地面地图要素的实例分割方法,其特征在于,所述对不同长宽尺寸的与彩色输入图像一致的输出结果进行后处理,得到像素聚类结果作为彩色输入图
7.如权利要求6所述的一种用于地面地图要素的实例分割方法,其特征在于,所述对语义分割分支和高维量分支的输出结果进行相乘,得到一个H×W×E的矩阵,包括:
8.一种用于地面地图要素的实例分割系统,其特征在于,包括:
9.一种处理设备,其特征在于,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现权利要求1-7中任一项所述的用于地面地图要素的实例分割方法对应的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的用于地面地图要素的实例分割方法对应的步骤。
...【技术特征摘要】
1.一种用于地面地图要素的实例分割方法,其特征在于,包括:
2.如权利要求1所述的一种用于地面地图要素的实例分割方法,其特征在于,所述通过语义分割分支、高维量分支和实例点分支,分别对提取的深度特征进行上采样,得到不同长宽尺寸的与彩色输入图像一致的输出结果,包括:
3.如权利要求2所述的一种用于地面地图要素的实例分割方法,其特征在于,所述通过语义分割分支,对提取的深度特征进行上采样,得到车道线类别和非车道线类别的灰度图作为二值化语义分割结果,包括:
4.如权利要求3所述的一种用于地面地图要素的实例分割方法,其特征在于,所述通过高维量分支,对提取的深度特征进行上采样,得到用于判别属于同一类别不同实例像素的高维向量,包括:
5.如权利要求4所述的一种用于地面地图要素的实例分割方法,其特征在于,所述通过实例点分支,对提取的深度特征进行上采样,得到每一实例的中心点,包括:
6.如权...
【专利技术属性】
技术研发人员:江昆,杨蒙蒙,唐雪薇,杨殿阁,温拓朴,黄健强,
申请(专利权)人:清华大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。