CN108985194B - 一种基于图像语义分割的智能车辆可行驶区域的识别方法 - Google Patents

一种基于图像语义分割的智能车辆可行驶区域的识别方法 Download PDF

Info

Publication number
CN108985194B
CN108985194B CN201810694416.6A CN201810694416A CN108985194B CN 108985194 B CN108985194 B CN 108985194B CN 201810694416 A CN201810694416 A CN 201810694416A CN 108985194 B CN108985194 B CN 108985194B
Authority
CN
China
Prior art keywords
image
semantic segmentation
vehicle
road
convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810694416.6A
Other languages
English (en)
Other versions
CN108985194A (zh
Inventor
李巍华
王航
刘晓楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201810694416.6A priority Critical patent/CN108985194B/zh
Publication of CN108985194A publication Critical patent/CN108985194A/zh
Application granted granted Critical
Publication of CN108985194B publication Critical patent/CN108985194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于图像语义分割的智能车辆可行驶区域的识别方法，包括步骤：开启车上完成安装且标定完整的摄像头，对车辆行驶道路信息进行测试图像采集；将摄像头拍摄到的测试图像进行数据解析，依照光线、抖动、清晰的原则，筛选得到可处理的图像集合序列；将所述图像集合序列输入到设计完成且训练好的全卷积网络中进行语义分割标示并输出包含可行驶区域的图像。本发明采用卷积尤其是做全卷积处理和反卷积这一深度学习处理方法，结合图像处理技术，能够较好的对车辆的可行驶区域进行分割，较好地实现智能驾驶条件下特定区域的可行驶区域的识别，并具有较高识别精度和效率，对智能驾驶算法能够提供比较好的数据支持，有助于车辆实现智能驾驶。

Description

一种基于图像语义分割的智能车辆可行驶区域的识别方法
技术领域
本发明同时属于图像处理和汽车智能辅助驾驶领域，具体涉及一种基于图像语义分割的车辆可行驶区域的识别方法，能够更准确、更可靠的判断车辆可行驶区域，从而在智能辅助驾驶中更好的引导车辆的行驶。
对于智能驾驶汽车而言，环境感知层数据是控制层和决策层至关重要的数据来源，但是目前的研究针对车辆行驶复杂、多变环境的感知数据提取仍存在着较多问题。
背景技术
随着汽车和计算机产业的快速发展，汽车行业必将发生一次深刻的革命，科技感十足的高级辅助驾驶和自动驾驶技术、产品都日新月异，似乎都在告诉我们距离不需要司机的未来真的不远了。但是让我们冷静下来，认真地从技术的角度进行深入分析，不难发现要实现自动驾驶（特别是指L3及以上级别），仍然存在很多问题亟待解决，如感知层面问题、控制层面问题以及决策层面问题。而本发明的技术创新点是感知层面的车辆可行驶区域信息提取，基于的方法是计算机视觉领域的图像语义分割。同时，准确合理的判断车辆的可行驶区域，并对车辆进行合理、有效的控制，也能够更好的保证驾驶安全,避免交通事故的发生。
语义分割一直以来都是计算机视觉领域的一个难题，但其重要性不言而喻，同时也很难找到一种泛化能力优秀的分割模型。我们从以下几个标准来权衡图像语义分割的优劣程度：a.不同的分割区域的内部平整，特征保持一致，且满足相似性和整体性原则；b.不同图片区域分割所依赖的特性差异明显；c.相邻分割区域的边界梯度变化较大，使得边界比较明显。尽管很多计算机视觉领域的专家，提出了很多解决办法，使得语义分割有了相当不错的发展，但由于其原理性、工程性的复杂性，仍然存在很多问题。
卷积神经网络因其天然的特性与优势，能够更加高效、智能地提取图像特征，这一点是基于像素和边界的传统识别算法所不能比拟的。之前，由于比较深层（一般指三层或以上）的神经网络对硬件计算力要求较高，但现在随着深度学习算法和硬件的迅速发展，此类问题得到了很好的克服，也为算法的工程实现提供了可能。
发明内容
为解决现有技术存在的上述问题，本发明要设计一种基于图像语义分割的车辆可行驶区域的识别方法，希望能够更准确、更可靠的判断车辆可行驶区域，更好地感知车辆行驶环境，从而在智能辅助驾驶中更好的引导车辆的行驶。
为了达到上述目的，本发明的技术方案和方法如下所述：
一种基于图像语义分割的智能车辆可行驶区域的识别方法，包括步骤：
开启车上完成安装且标定完整的摄像头，对车辆行驶道路信息进行测试图像采集；
将摄像头拍摄到的测试图像进行数据解析，依照光线、抖动、清晰的原则，筛选得到可处理的图像集合序列；
将所述图像集合序列输入到训练好的全卷积网络中进行语义分割标示并输出包含可行驶区域的图像。
进一步地，所述全卷积网络的训练过程包括：
进行图像的采集与预处理，整理为训练数据集；
运用带有标签的训练数据集，将训练数据输入到设计好的全卷积网络，图片经过若干卷积层和池化层，得到特征图，并进行全卷积；
采用跳层结构对不同的池化层进行上采样，通过反卷积将搜索上采样还原出整张图像，对智能车辆的可行驶区域像素进行概率预测；
进行语义分割标示并输出可行驶区域的图像。
进一步地，所述进行图像的采集与预处理具体包括：
运用KITTI和CITYSCAPES数据集得到训练图像和评价图像；
对所述训练图像和评价图像进行数据增强处理，得到数量更大、覆盖面更全的训练数据集。
进一步地，所述全卷积和反卷积网络结构的语义分割FCN模型包括： 16个卷积层，5个池化层，6个反卷积层，其中，选择6层卷积层作为跳层结构，进行反卷积，再做叠加融合得到还原的图像。上述模型能够很大程度的保留图片的空间信息，有利于更好地提取和学习图片的低维和高维特征，实现完整的图片还原，提高输出预测的精度；同时能够降低网络的训练难度，提高训练效率，加快模型迭代周期。
进一步地，所述的可行驶区域具体是指除去所有障碍物、允许车辆行驶的所有道路区域。
进一步地，所述允许车辆行驶的所有道路区域从物理结构层面包括结构化路面、半结构化路面、非结构化路面。
进一步地，所述的结构化路面设置有交通法规规定的明确的道路边缘线，其路面结构单一、整齐有序，面层的颜色和材质统一，包括城市主干道、高速公路；所述非结构化道路的路面没有结构层，为天然的道路场景，包括乡村泥土路、荒漠路；所述半结构化道路则居于结构化路面和非结构化道路之间，其路面面层的颜色和材质差异较大，包括停车场，人工广场、主干道的支辅道。
在这些行驶场景下，汽车高级辅助驾驶或自动驾驶需要实现路径规划，就必须要实现对可行驶区域的识别与检测。
进一步地，所述对智能车辆的可行驶区域像素进行概率预测时，是利用随机梯度下降的方法，来训练输出层的回归层，直至回归的损失函数实现收敛，达到较好的预测分割识别效果。
相比现有技术，本发明提出了一种智能驾驶汽车行驶环境下，车辆对于可行驶区域的识别方法，该方法针对智能车辆行驶中识别道路的关键性和必要性，提出了基于图像语义分割的智能车辆可行驶区域的识别方法：采用卷积（全卷积）和反卷积这一深度学习处理方法，能够较好的对图片中的可行驶区域进行分割，较好地实现智能驾驶条件下特定区域的可行驶区域的识别，并具有较高的识别精度和效率，对智能驾驶算法能够提供比较好的数据支持。
附图说明
本发明提供了参考附图以便于对所公开内容做进一步理解，附图构成本申请的一部分，但仅仅是用于图示体现发明概念的一些发明的非限制性示例，而不是用于做出任何限制。
图1是根据本发明的一些示范实施例的基于图像语义分割的智能车辆可行驶区域的识别方法的流程图。
图2是根据本发明的一些示范实施例的卷积和反卷积网络结构图。
图3是根据本发明的方法所得到的黑色区域可行驶区域示意图。
图4是根据本发明的方法，在鸟瞰图的基础上进行的智能车辆可行驶区域划分示意图。
具体实施方式
下面结合附图和实施例对本发明作详细说明。
如图1所示，一种基于图像语义分割的智能车辆可行驶区域的识别方法，包括步骤：
开启车上完成安装且标定完整的摄像头，对车辆行驶道路信息进行测试图像采集；
将摄像头拍摄到的测试（test）图像进行数据解析，依照光线、抖动、清晰的原则，筛选得到可处理的图像集合序列；
将所述图像集合序列输入到设计完成且训练好的全卷积网络中进行语义分割标示并输出包含可行驶区域的图像。
如图2所示，本实施例采用卷积（全卷积）和反卷积这一深度学习处理方法，能够较好的对图片中的可行驶区域进行分割，较好地实现智能驾驶条件下特定区域的可行驶区域的识别，并具有比较高的识别精度和效率，对智能驾驶算法能够提供比较好的数据支持。
具体而言，所述全卷积网络的训练过程包括：
进行图像的采集与预处理，整理为训练数据集；
运用带有标签的训练数据集，将训练数据输入到设计好的全卷积网络，图片经过若干卷积层和池化层，得到特征图，并进行全卷积处理；
采用跳层结构对不同的池化层进行上采样，通过反卷积将搜索上采样还原出整张图像，对智能车辆的可行驶区域像素进行概率预测；
进行语义分割标示并输出可行驶区域的图像。
具体而言，所述进行图像的采集与预处理具体包括：
运用KITTI和CITYSCAPES数据集得到训练（train）图像和评价（val）图像；
对所述训练图像和评价图像进行数据增强处理，得到数量更大、覆盖面更全的训练数据集，也能防止过拟合的产生。
具体而言，所述全卷积和反卷积网络结构的语义分割FCN模型包括： 16个卷积层，5个池化层，6个反卷积层，其中，选择6层卷积层作为跳层结构，进行反卷积，再做叠加融合得到还原的图像。
一般地，通过FCN (全卷积网络)对图像进行像素级的分类，从而解决了语义级别的图像分割问题。最初经典的CNN在卷积层之后，通常都会使用全连接层得到定义的特征向量，再进行softmax分类。而改进的FCN则可以接受任意尺寸的输入图像，采用反卷积层对所选择卷积层的特征图（feature map）进行上采样, 使它恢复到输入图像相同的尺寸，甚至将不同特征图的上采样结果进行融合，在保留图像空间信息的基础上，实现对每个像素的预测，最后在上采样的特征图上进行逐像素分类。最后逐个像素计算softmax分类的损失（loss），即相当于每一个像素对应一个训练样本。
一般地，卷积神经网络(CNN)的天然优势在于，它的多层结构可以学习到图像多个层次的特征，即浅层的卷积层感受野比较较小，主要学习低维的局部特征；深层的卷积层感受野比较较大，主要学习到高维的、更加抽象特征。不同的特征其权重参数不同，对特征的敏感性不同，有助于提高网络性能。
优选地，全卷积网络的卷积层和卷积神经网络的全连接层之间唯一的不同之处，在于卷积层中的神经元只与输入数据中的一个局部区域连接，并且卷积层可实现神经元的参数共享。但是对两者而言，神经元都是通过数量积进行计算，因而两者的函数形式本质是一样的，这也提供了两者相互转化的可能性。
具体而言，所述的可行驶区域具体是指除去所有障碍物（比如：车辆、行人、隔离带等）、允许车辆行驶的所有道路区域。
具体而言，所述允许车辆行驶的所有道路区域从物理结构层面包括结构化路面、半结构化路面、非结构化路面，比如城市道路、高速公路、乡村道路等。
具体而言，所述的结构化路面设置有交通法规规定的明确的道路边缘线，其路面结构单一、整齐有序，面层的颜色和材质统一，包括城市主干道、高速公路；所述非结构化道路的路面没有结构层，为天然的道路场景，包括乡村泥土路、荒漠路；所述半结构化道路则居于结构化路面和非结构化道路之间，其路面面层的颜色和材质差异较大，包括停车场，人工广场、主干道的支辅道。在这些行驶场景下，汽车高级辅助驾驶或自动驾驶需要实现路径规划，就必须要实现对可行驶区域的识别与检测。
具体而言，所述对智能车辆的可行驶区域像素进行概率预测时，是利用随机梯度下降（Stochasticgradientdescent，SGD）的方法，来训练输出层的回归层，直至回归的损失函数实现收敛，达到较好的预测分割识别效果。
通过训练网络得到的权重参数，载入已保存的网络结构，较为清晰明了的识别出智能车辆在行驶时的可行驶区域，并用比较清晰的颜色进行可行驶区域的表示。
如图3所示，黑色部分是基于图像语义分割的智能车辆可行驶区域的识别方法的验证效果图，可以明显、清晰地得到车辆的可行驶区域。
如图4所示，黑色部分是基于鸟瞰图所做的图像语义分割变换，也可以清楚地得到智能车辆的可行驶区域。
本发明为了解决上述现有技术中的一些问题，提出了一种智能驾驶汽车行驶环境下，车辆对于可行驶区域的识别方法。该方法针对智能车辆行驶中识别道路的关键性和必要性，提出了基于图像语义分割的智能车辆可行驶区域的识别方法。采用卷积（全卷积）和反卷积这一深度学习处理方法，能够较好的对图片中的可行驶区域进行分割，较好地实现智能驾驶条件下特定区域的可行驶区域的识别，并具有较高的识别精度和效率，对智能驾驶算法能够提供比较好的数据支持。
本发明旨在结合传统算法，改进并构建合适、应用范围广、适应性良好的深度卷积神经网络，并将其应用于专门针对于汽车高级辅助驾驶或自动驾驶领域的图像语义分割，实现车辆可行驶区域的识别与检测，争取更加完善车辆自动驾驶技术对环境感知层面的信息采集与分析。
本文中的部分方法步骤和流程可能需要由计算机执行，从而以硬件、软件、固件及其任何组合的方式来实施。
上述仅为本发明的优选实施例，不是用来限制发明的实施与权利范围，凡依据本发明申请专利保护范围所述的内容做出的等效变化、修饰、替换等，均应包括在本发明申请专利范围内。本领域技术人员将认识到在不脱离本发明的范围和精神的情况下，可在更广阔的各方面中进行改变和修改。

Claims (6)

1.一种基于图像语义分割的智能车辆可行驶区域的识别方法，其特征在于，包括步骤：
开启车上完成安装且标定完整的摄像头，对车辆行驶道路信息进行测试图像采集；
将摄像头拍摄到的测试图像进行数据解析，依照光线、抖动、清晰的原则，筛选得到可处理的图像集合序列；
将所述图像集合序列输入到设计完成且训练好的全卷积和反卷积网络结构的语义分割FCN模型中进行语义分割标示并输出包含可行驶区域的图像；
其中，所述全卷积和反卷积网络结构的语义分割FCN模型包括：16个卷积层，5个池化层，6个反卷积层，其中，选择6层卷积层作为跳层结构，进行反卷积，再做叠加融合得到还原的图像；
所述全卷积和反卷积网络结构的语义分割FCN模型的训练过程包括：
进行图像的采集与预处理，整理为训练数据集；
运用带有标签的训练数据集，将训练数据输入到设计好的全卷积网络，图片经过若干卷积层和池化层，得到特征图，并进行全卷积处理；
采用跳层结构对不同的池化层进行上采样，通过反卷积将搜索上采样还原出整张图像，对智能车辆的可行驶区域像素进行概率预测；
进行语义分割标示并输出可行驶区域的图像。
2.根据权利要求1中所述基于图像语义分割的智能车辆可行驶区域的识别方法，其特征在于，所述进行图像的采集与预处理具体包括：
运用KITTI和CITYSCAPES数据集得到训练图像和评价图像；
对所述训练图像和评价图像进行数据增强处理，得到数量更大、覆盖面更全的训练数据集。
3.根据权利要求1中所述基于图像语义分割的智能车辆可行驶区域的识别方法，其特征在于，所述的可行驶区域具体是指除去所有障碍物、允许车辆行驶的所有道路区域。
4.根据权利要求3中所述基于图像语义分割的智能车辆可行驶区域的识别方法，其特征在于，所述允许车辆行驶的所有道路区域从物理结构层面包括结构化路面、半结构化路面、非结构化路面。
5.根据权利要求4中所述基于图像语义分割的智能车辆可行驶区域的识别方法，其特征在于，所述结构化路面设置有交通法规规定的明确的道路边缘线，其路面结构单一、整齐有序，面层的颜色和材质统一，包括城市主干道、高速公路；所述非结构化路面没有结构层，为天然的道路场景，包括乡村泥土路、荒漠路；所述半结构化路面则居于结构化路面和非结构化路面之间，包括停车场、人工广场、主干道的支辅道。
6.根据权利要求1中所述基于图像语义分割的智能车辆可行驶区域的识别方法，其特征在于，所述对智能车辆的可行驶区域像素进行概率预测时，是利用随机梯度下降的方法，来训练输出层的回归层，直至回归的损失函数实现收敛。
CN201810694416.6A 2018-06-29 2018-06-29 一种基于图像语义分割的智能车辆可行驶区域的识别方法 Active CN108985194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810694416.6A CN108985194B (zh) 2018-06-29 2018-06-29 一种基于图像语义分割的智能车辆可行驶区域的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810694416.6A CN108985194B (zh) 2018-06-29 2018-06-29 一种基于图像语义分割的智能车辆可行驶区域的识别方法

Publications (2)

Publication Number Publication Date
CN108985194A CN108985194A (zh) 2018-12-11
CN108985194B true CN108985194B (zh) 2022-06-10

Family

ID=64538970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810694416.6A Active CN108985194B (zh) 2018-06-29 2018-06-29 一种基于图像语义分割的智能车辆可行驶区域的识别方法

Country Status (1)

Country Link
CN (1) CN108985194B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657628B (zh) * 2018-12-24 2023-06-23 驭势（上海）汽车科技有限公司 一种用于确定车辆的可行驶区域的方法与设备
CN110060230B (zh) * 2019-01-18 2021-11-26 商汤集团有限公司 三维场景分析方法、装置、介质及设备
CN109886152A (zh) * 2019-01-30 2019-06-14 天津大学 一种基于多传感器协作的无人驾驶路径选择方法
EP3696718A1 (en) * 2019-02-15 2020-08-19 Wipro Limited Method and system for determining drivable road regions for safe navigation of an autonomous vehicle
CN109682381B (zh) * 2019-02-22 2020-09-25 山东大学 基于全向视觉的大视场场景感知方法、***、介质及设备
CN110163077A (zh) * 2019-03-11 2019-08-23 重庆邮电大学 一种基于全卷积神经网络的车道识别方法
CN110008848A (zh) * 2019-03-13 2019-07-12 华南理工大学 一种基于双目立体视觉的道路可行驶区域识别方法
CN111738037B (zh) * 2019-03-25 2024-03-08 广州汽车集团股份有限公司 一种自动驾驶方法及其***、车辆
CN110148135A (zh) * 2019-04-03 2019-08-20 深兰科技（上海）有限公司 一种路面分割方法、装置、设备及介质
CN110070059B (zh) * 2019-04-25 2022-07-29 吉林大学 一种基于域迁移的非结构化道路检测方法
CN110162040B (zh) * 2019-05-10 2022-06-17 重庆大学 一种基于深度学习的低速自动驾驶小车控制方法及***
CN110244734B (zh) * 2019-06-20 2021-02-05 中山大学 一种基于深度卷积神经网络的自动驾驶车辆路径规划方法
CN112230642B (zh) * 2019-06-29 2022-01-11 华为技术有限公司 道路可行驶区域推理方法及装置
CN110599497A (zh) * 2019-07-31 2019-12-20 中国地质大学（武汉） 一种基于深度神经网络的可行驶区域分割方法
CN111144211B (zh) 2019-08-28 2023-09-12 华为技术有限公司 点云显示方法和装置
CN111028217A (zh) * 2019-12-10 2020-04-17 南京航空航天大学 一种基于全卷积神经网络的图像裂缝分割方法
CN111858342A (zh) * 2020-07-23 2020-10-30 深圳慕智科技有限公司 一种基于智能交通图像输入特征识别的模糊测试数据生成方法
CN114120260A (zh) * 2020-09-01 2022-03-01 广州汽车集团股份有限公司 可行驶区域识别方法及其***、计算机设备、存储介质
CN112150805B (zh) * 2020-09-01 2022-02-25 福瑞泰克智能***有限公司 一种可行驶区域的确定方法、装置、设备及存储介质
CN112214026A (zh) * 2020-10-26 2021-01-12 广州小鹏自动驾驶科技有限公司 一种行车障碍检测方法、装置、车辆、可读介质
CN112257623B (zh) * 2020-10-28 2022-08-23 长沙立中汽车设计开发股份有限公司 一种路面清洁度判定和自动清扫方法及自动清扫环卫装置
CN114095664B (zh) * 2020-11-06 2024-07-19 北京京东乾石科技有限公司 一种摄像头参数的调节方法和装置
CN112464773B (zh) * 2020-11-19 2023-06-06 浙江吉利控股集团有限公司 一种道路类型识别方法、装置及***
CN112863247A (zh) * 2020-12-30 2021-05-28 潍柴动力股份有限公司 一种道路识别方法、装置、设备和存储介质
CN113269130A (zh) * 2021-06-11 2021-08-17 国电瑞源(西安)智能研究院有限公司 一种基于人工神经网络的视觉路径搜寻方法
CN114067120B (zh) * 2022-01-17 2022-09-20 腾讯科技（深圳）有限公司 基于增强现实的导航铺路方法、装置、计算机可读介质
CN114648697A (zh) * 2022-03-16 2022-06-21 东南大学 一种基于改进BiSeNet网络的机器人可行驶路径识别方法
CN114674338B (zh) * 2022-04-08 2024-05-07 石家庄铁道大学 基于分层输入输出和双注意力跳接的道路可行驶区域精细推荐方法
CN115223119B (zh) * 2022-06-15 2024-06-11 广州汽车集团股份有限公司 一种可行驶区域检测方法与***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578436A (zh) * 2017-08-02 2018-01-12 南京邮电大学 一种基于全卷积神经网络fcn的单目图像深度估计方法
CN108133484A (zh) * 2017-12-22 2018-06-08 北京奇虎科技有限公司 基于场景分割的自动驾驶处理方法及装置、计算设备
CN108154518A (zh) * 2017-12-11 2018-06-12 广州华多网络科技有限公司 一种图像处理的方法、装置、存储介质及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295139B (zh) * 2016-07-29 2019-04-02 汤一平 一种基于深度卷积神经网络的舌体自诊健康云服务***
CN106372390B (zh) * 2016-08-25 2019-04-02 汤一平 一种基于深度卷积神经网络的预防肺癌自助健康云服务***
CN106709568B (zh) * 2016-12-16 2019-03-22 北京工业大学 基于深层卷积网络的rgb-d图像的物体检测和语义分割方法
CN107226087B (zh) * 2017-05-26 2019-03-26 西安电子科技大学 一种结构化道路自动驾驶运输车及控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578436A (zh) * 2017-08-02 2018-01-12 南京邮电大学 一种基于全卷积神经网络fcn的单目图像深度估计方法
CN108154518A (zh) * 2017-12-11 2018-06-12 广州华多网络科技有限公司 一种图像处理的方法、装置、存储介质及电子设备
CN108133484A (zh) * 2017-12-22 2018-06-08 北京奇虎科技有限公司 基于场景分割的自动驾驶处理方法及装置、计算设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Exploiting Fully Convolutional Neural Networks for Fast Road Detection;MENDES C C T eta;《proceedings of the 2016 IEEE International Conference on Robotics and Automation(ICRA)》;20160521;第3174-3179页 *
融合批规范化编解码网络架构的道路分割;王亚蕊等;《现代计算机》;20180625(第18期);第58-60页 *

Also Published As

Publication number Publication date
CN108985194A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108985194B (zh) 一种基于图像语义分割的智能车辆可行驶区域的识别方法
CN110008848A (zh) 一种基于双目立体视觉的道路可行驶区域识别方法
CN107368787B (zh) 一种面向深度智驾应用的交通标志识别方法
Dewangan et al. RCNet: road classification convolutional neural networks for intelligent vehicle system
CN105160309B (zh) 基于图像形态学分割及区域生长的三车道检测方法
Stricker et al. Improving visual road condition assessment by extensive experiments on the extended gaps dataset
CN109993082A (zh) 卷积神经网络道路场景分类与道路分割方法
CN110263786B (zh) 一种基于特征维度融合的道路多目标识别***及方法
CN102708356B (zh) 一种基于复杂背景下的车牌自动定位和识别方法
CN110766098A (zh) 基于改进YOLOv3的交通场景小目标检测方法
CN106599827A (zh) 一种基于深度卷积神经网络的小目标快速检测方法
Zakaria et al. Lane detection in autonomous vehicles: A systematic review
CN110232316A (zh) 一种基于改进的dsod模型的车辆检测与识别方法
CN107977677A (zh) 一种应用于大规模城区重建中的多标签像素分类方法
CN109800773B (zh) 基于三维激光雷达的越野路面提取方法
CN111832411B (zh) 一种基于视觉与激光雷达融合的轨道内障碍物检测方法
CN110599497A (zh) 一种基于深度神经网络的可行驶区域分割方法
CN109658694A (zh) 一种卷积神经网络高危车辆交通流预测方法和***
CN106056102A (zh) 基于视频图像分析的道路车型分类方法
CN106599848A (zh) 基于深度视觉特征和支持向量机的地表纹理识别算法
CN110276378A (zh) 基于无人驾驶技术对实例分割的改进方法
CN115019279A (zh) 一种基于MobileNet轻量化网络的上下文特征融合方法
CN111046723B (zh) 一种基于深度学习的车道线检测方法
CN106529391B (zh) 一种鲁棒的限速交通标志检测与识别方法
Yildiz et al. Hybrid image improving and CNN (HIICNN) stacking ensemble method for traffic sign recognition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant