CN109657522A - 检测可行驶区域的方法和装置 - Google Patents

检测可行驶区域的方法和装置 Download PDF

Info

Publication number
CN109657522A
CN109657522A CN201710933873.1A CN201710933873A CN109657522A CN 109657522 A CN109657522 A CN 109657522A CN 201710933873 A CN201710933873 A CN 201710933873A CN 109657522 A CN109657522 A CN 109657522A
Authority
CN
China
Prior art keywords
detection
image
deconvolution
obtains
detected
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.)
Pending
Application number
CN201710933873.1A
Other languages
English (en)
Inventor
张立成
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.)
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201710933873.1A priority Critical patent/CN109657522A/zh
Publication of CN109657522A publication Critical patent/CN109657522A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Abstract

本发明公开了检测可行驶区域的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；采用两组卷积核从多通道特征图中提取图像特征分别得到第一检测图和第二检测图；分别对第一检测图和第二检测图进行反卷积，并根据预设检测规则确定待检测图像中的可行驶区域。该实施方式得到的可行驶区域的边界比较精细，检测准确率高；且检测时间少，实时性高。

Description

检测可行驶区域的方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种检测可行驶区域的方法和装置。
背景技术
自动驾驶是指依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动操作的情况下自动安全地操作机动车辆。
对于视觉计算，目前用于可行驶区域检测的方法主要有两类，即分块的方法和先卷积后反卷积的方法。分块的方法是把图像分割成一个一个块，每个块可能是4像素乘以4像素的块或8像素乘以8像素的块等，然后把每个块经过卷积神经网络，判断其属于可行驶区域还是非可行使区域。先卷积后反卷积的方法是先用卷积神经网络对图像进行特征提取，再用反卷积的方法把中间层放大到和原图一样的大小，从而实现了每个像素点对应一个标签。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
1.采用分块的方法所得到的可行驶区域的边界比较粗糙，准确率低；
2.采用先卷积后反卷积的方法所需参数量多且计算时间长，无法满足实时性的要求。
发明内容
有鉴于此，本发明实施例提供一种检测可行驶区域的方法和装置，能够提高检测可行驶区域的准确率；且检测所需时间少，实时性高。
为实现上述目的，根据本发明实施例的一个方面，提供了一种检测可行驶区域的方法。
本发明实施例的一种检测可行驶区域的方法包括：利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图；对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域。
可选地，利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图包括：利用所述SqueezeNet模型的卷积层对所述待检测图像进行卷积得到至少一个卷积图；利用所述SqueezeNet模型的下采样层对所述卷积图分别进行降维处理得到所述多通道特征图；其中，所述降维处理是将所述卷积图中每个与卷积核对应的区域以该区域所有元素中的最大值进行替换。
可选地，采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图包括：采用两组卷积核分别对所述多通道特征图进行图像特征提取，分别得到第一特征图集合和第二特征图集合；将所述第一特征图集合的各个特征图相加并进行激活处理，得到所述第一检测图；以及将所述第二特征图集合的各个特征图相加并进行激活处理，得到所述第二检测图。
可选地，分别对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域包括：分别对所述第一检测图和所述第二检测图进行反卷积得到第一反卷积图和第二反卷积图，根据预设的检测规则对所述第一反卷积图和所述第二反卷积图进行计算得到二维标签矩阵，基于所述二维标签矩阵确定所述待检测图像中的可行驶区域。
可选地，使用预设参数对所述SqueezeNet模型的参数进行初始化，采用反向传播和随机梯度下降法对初始化后的所述SqueezeNet模型的参数进行训练；使用双线性插值对所述反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的所述反卷积的参数进行训练。
为实现上述目的，根据本发明实施例的另一方面，提供了一种检测可行驶区域的装置。
本发明实施例的一种检测可行驶区域的装置包括：提取模块，用于利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；卷积模块，用于采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图；反卷积模块，用于对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域。
可选地，所述提取模块还用于：利用所述SqueezeNet模型的卷积层对所述待检测图像进行卷积得到至少一个卷积图；利用所述SqueezeNet模型的下采样层对所述卷积图分别进行降维处理得到所述多通道特征图；其中，所述降维处理是将所述卷积图中每个与卷积核对应的区域以该区域所有元素中的最大值进行替换。
可选地，所述卷积模块还用于：采用两组卷积核分别对所述多通道特征图进行图像特征提取，分别得到第一特征图集合和第二特征图集合；将所述第一特征图集合的各个特征图相加并进行激活处理，得到所述第一检测图；以及将所述第二特征图集合的各个特征图相加并进行激活处理，得到所述第二检测图。
可选地，所述反卷积模块还用于：分别对所述第一检测图和所述第二检测图进行反卷积得到第一反卷积图和第二反卷积图，根据预设的检测规则对所述第一反卷积图和所述第二反卷积图进行计算得到二维标签矩阵，基于所述二维标签矩阵确定所述待检测图像中的可行驶区域。
可选地，使用预设参数对所述SqueezeNet模型的参数进行初始化，采用反向传播和随机梯度下降法对初始化后的所述SqueezeNet模型的参数进行训练；使用双线性插值对所述反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的所述反卷积的参数进行训练。
为实现上述目的，根据本发明实施例的又一方面，提供了一种检测可行驶区域的电子设备。
本发明实施例的一种检测可行驶区域的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种检测可行驶区域的方法。
为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种检测可行驶区域的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用对SqueezeNet模型进行改进，再结合反卷积的方法来检测图像中的可行驶区域的技术手段，所以克服了可行驶区域检测准确率低或无法满足实时性的要求的技术问题，从而达到检测得到的可行驶区域的边界比较精细检测，准确率高；且检测时间少，实时性高的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的检测可行驶区域的方法的主要步骤的示意图；
图2是根据本发明实施例的检测可行驶区域的装置的主要模块的示意图；
图3是根据本发明实施例的检测可行驶区域的方法的修改后的SqueezeNet模型示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的检测可行驶区域的方法的主要步骤的示意图。
如图1所示，本发明实施例的一种检测可行驶区域的方法主要包括以下步骤：
步骤S101：利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图。
SqueezeNet模型是一种卷积神经网络结构，所需参数的数量为现有卷积模型的五十分之一，其计算的时间少、准确率高，SqueezeNet模型通常用于图像分类任务。
为提高检测效率，本发明实施例中对SqueezeNet模型进行改进，并且利用改进后的SqueezeNet模型从待检测图像中提取图像特征，以得到至少一个多通道特征图。其中，所述对SqueezeNet模型进行改进可以是根据实际情况或检测需求，确定保留的SqueezeNet模型的卷积层和下采样层的个数，例如待检测图像的尺寸较小，则可以仅保留SqueezeNet模型的一个卷积层和一个下采样层。
具体的，SqueezeNet模型由交替的卷积层和下采样层组成，本发明实施例中保留SqueezeNet模型的至少一组卷积层和下采样层，可以根据实际需要或待检测图像的尺寸确定保留几组卷积层和下采样层。在本发明实施例中，利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图包括以下步骤：
步骤一：利用SqueezeNet模型的卷积层对待检测图像进行卷积得到至少一个卷积图。
在提取待检测图像中的图像特征时，通过SqueezeNet模型的卷积层对待检测图像进行卷积，得到与卷积核数量相同的卷积图，每个卷积核对应一个卷积图。其中，卷积是指卷积核每次移动固定单位以提取图像特征，每次移动固定单位可能是1或者其他值；卷积核是指系数矩阵，可以是3×3、7×7或5×5等等。
步骤二：利用SqueezeNet模型的下采样层将多个卷积图分别进行降维处理得到多通道特征图。
待检测图像在卷积得到多个卷积图之后，利用SqueezeNet模型的下采样层对多个卷积图分别进行降维处理，从而得到尺寸缩小的多个降维图。需要注意的是，上述步骤一和步骤二可以重复执行，即在步骤二得到降维图之后，可以对降维图继续执行卷积以及下采样操作。并且，在最后一次降维处理之后得到的图像为多通道特征图。
本发明实施例中，降维处理是将卷积图中与每个卷积核对应的区域以该区域所有元素中的最大值进行替换。降维处理不仅能够缩小图像的尺寸，还能够减少检测过程中需要计算的数据量。
步骤S102：采用两组卷积核从多通道特征图中提取图像特征分别得到第一检测图和第二检测图。
从待检测图像中提取图像特征得到至少一个多通道特征图之后，可以再次对所得到多个特征图进行卷积，本步骤的卷积可以采用两组卷积核分别从多个特征图中提取图像特征，基于两组提取结果对多个特征图进行整合，从而得到与两组卷积核对应的第一检测图和第二检测图。
在本发明实施例中，步骤S102可以通过以下方式得到：采用两组卷积核分别对多通道特征图进行图像特征提取，分别得到第一特征图集合和第二特征图集合；将第一特征图集合的各个特征图相加并进行激活处理，得到第一检测图；以及将第二特征图集合的各个特征图相加并进行激活处理，得到第二检测图。由于采用两组卷积核，所以在对多个特征图进行图像特征提取时，能够得到与两组卷积核的类型分别对应的第一特征图集合和第二特征图集合，基于第一特征图集合和第二特征图集合能够分别得到第一检测图和第二检测图。其中，图像相加是指：将各个图像中同一像素点的值相加求和得到新的像素点，分别计算各个像素点得到相加后的图像。激活处理是指利用激活函数进行处理，激活函数是把图像的特征通过函数保留并映射出来(保留特征，去除冗余的数据)。
步骤S103：分别对第一检测图和第二检测图进行反卷积，并根据预设检测规则确定待检测图像中的可行驶区域。
为了得到边界清晰的可行驶区域，可以分别对第一检测图和第二检测图进行反卷积，从而将步骤S102所得到的第一检测图和第二检测图放大，基于第一检测图和第二检测图结合预设检测规则来确定待检测图像中的可行驶区域。
卷积的前向传播过程相当于反卷积的反向传播过程，卷积的反向传播过程就是反卷积的前向传播过程，即反卷积是卷积的反向过程。同时，通过反卷积可以将图像的尺寸放大，从而精确检测待检测图像中的可行驶区域。
在本发明实施例中，步骤S103可以通过以下方式得到：分别对第一检测图和第二检测图进行反卷积得到第一反卷积图和第二反卷积图，根据预设检测规则对第一反卷积图和第二反卷积图进行计算得到二维标签矩阵，基于二维标签矩阵确定待检测图像中的可行驶区域。
通过反卷积可以将第一检测图和第二检测图放大到与待检测图像的尺寸，得到第一反卷积图和第二反卷积图，根据预设的检测规则对第一反卷积图和第二反卷积图进行计算得到二维标签矩阵，该二维标签矩阵仅有两种数值，即代表可行驶区域的数值和代表不可行驶区域的数值，因此基于该二维标签矩阵能够确定出待检测图像中的可行驶区域。其中，预设的检测规则是指比较同一位置对应于第一反卷积图的值和对应于第二反卷积图的值的大小时，可以设定同一位置在第一反卷积图中的值大于在第二反卷积图中的值时该位置属于可行驶区域，或者，还可以设定同一位置在第一反卷积图中的值不大于在第二反卷积图中的值时该位置属于可行驶区域，检测规则可以根据实际情况或需要来设定。
在本发明实施例中，使用预设参数对SqueezeNet模型的参数进行初始化，采用反向传播和随机梯度下降法对初始化后的SqueezeNet模型的参数进行训练；使用双线性插值对反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的反卷积的参数进行训练。
改进之后的SqueezeNet模型计算的时间少、实时性高，能够实现自动驾驶过程中，对可行驶区域进行检测。为保证检测的准确率，可以使用预设参数对改进之后的SqueezeNet模型的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的SqueezeNet模型的参数进行训练。其中，预设参数可以是通过ImageNet训练得到的参数，ImageNet是指计算机视觉系统识别数据库。同时，使用双线性插值对反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的反卷积的参数进行训练。
其中，梯度下降法是一种无模型优化算法，可以用于控制变量较多、受控系统比较复杂、无法建立准确数学模型的最优化控制过程；反向传播是建立在梯度下降法基础上的一种学习算法，可以用于多层神经元网络。
根据本发明实施例的检测可行驶区域的方法可以看出，因为采用对SqueezeNet模型进行改进，再结合反卷积的方法来检测图像中的可行驶区域的技术手段，所以克服了可行驶区域检测准确率低或无法满足实时性的要求的技术问题，从而达到检测得到的可行驶区域的边界比较精细，检测准确率高；且检测时间少，检测实时性高的技术效果。
图2是根据本发明实施例的检测可行驶区域的装置的主要模块的示意图。
如图2所示，本发明实例的一种检测可行驶区域的装置200包括：提取模块201、卷积模块202和反卷积模块203。
其中，
提取模块201，用于利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；
卷积模块202，用于采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图；
反卷积模块203，用于对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域。
为提高检测效率并得到边界清晰的可行驶区域，本发明实施例中对SqueezeNet模型进行改进，利用改进后的SqueezeNet模型从待检测图像中提取图像特征，以得到多个特征图；采用两组卷积核对所得到多个特征图再次进行卷积以得到与两组卷积核对应的第一检测图和第二检测图；基于第一检测图和第二检测图结合预设检测规则来确定待检测图像中的可行驶区域。
在本发明实施例中，所述提取模块201还用于：利用所述SqueezeNet模型的卷积层对所述待检测图像进行卷积得到至少一个卷积图；利用所述SqueezeNet模型的下采样层对所述卷积图分别进行降维处理得到所述多通道特征图；其中，所述降维处理是将所述卷积图中每个与卷积核对应的区域以该区域所有元素中的最大值进行替换。
在本发明实施例中，所述卷积模块202还用于：采用两组卷积核分别对所述多通道特征图进行图像特征提取，分别得到第一特征图集合和第二特征图集合；将所述第一特征图集合的各个特征图相加并进行激活处理，得到所述第一检测图；以及将所述第二特征图集合的各个特征图相加并进行激活处理，得到所述第二检测图。
在本发明实施例中，所述反卷积模块203还用于：分别对所述第一检测图和所述第二检测图进行反卷积得到第一反卷积图和第二反卷积图，根据预设的检测规则对所述第一反卷积图和所述第二反卷积图进行计算得到二维标签矩阵，基于所述二维标签矩阵确定所述待检测图像中的可行驶区域。
此外，使用预设参数对所述SqueezeNet模型的参数进行初始化，采用反向传播和随机梯度下降法对初始化后的所述SqueezeNet模型的参数进行训练；使用双线性插值对所述反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的所述反卷积的参数进行训练。
根据本发明实施例的检测可行驶区域的装置可以看出，因为采用对SqueezeNet模型进行改进，再结合反卷积的方法来检测图像中的可行驶区域的技术手段，所以克服了可行驶区域检测准确率低或无法满足实时性的要求的技术问题，从而达到检测得到的可行驶区域的边界比较精细，检测准确率高；且检测时间少，检测实时性高的技术效果。
图3是根据本发明实施例的检测可行驶区域的方法的修改后的SqueezeNet模型示意图。
如图3所示，在本发明实施例中，修改后的SqueezeNet模型保留了第四个下采样层之前交替的卷积层和下采样层，在修改后的SqueezeNet模型后接一个卷积层和一个反卷积层，将其用于可行驶区域检测。
第一步，保留原版的SqueezeNet模型中第四个下采样层之前的卷积层和下采样层，用于对待检测图像进行特征提取。
卷积层是指该层的卷积核每次移动固定的单位提取图像特征，移动的单位可能是1或者其他值。下采样层是指将特征图中每一个与卷积核对应的区域以该区域所有元素的最大值代表这个区域，从而缩小特征图的尺寸，提高计算效率。例如与卷积核对应的区域是2*2的区域，则每个2*2的区域都以该区域中的最大值代替。
需要说明的是，可以采用多组卷积核分别从待检测图像中提取图像特征，提取特征之后，把各组卷积核对应的输出连接起来，例如两个卷积层分别输出A个和B个特征图，连接之后就变成了A+B个特征图。并且，卷积可以反复进行，即可以对提取图像特征所得到的特征图再次进行卷积。
第二步，在交替的卷积层和下采样层之后，再接一个卷积层，该卷积层采用两组卷积核进行图像特征提取，得到分别与两组卷积核的类型对应的第一特征图集合和第二特征图集合，基于第一特征图集合和第二特征图集合能够分别得到第一检测图和第二检测图。
第三步，在卷积层之后再接一个反卷积层，把第一检测图和第二检测图放大还原到和待检测图像一样的大小。
反卷积层能够得到和原图一样大小的特征图，同时，对应到图像中每个像素点都会有一个2维输出，分别代表着图像中每个点属于可行驶区域还是不可行驶区域，从而每个二维图像都有一个和待检测图像尺寸相同的二维标签矩阵，基于二维标签矩阵能够确定出待检测图像中的可行驶区域。
图像经过卷积和下采样变成了尺寸较小的特征图，反卷积就是把较小尺寸的特征图还原到原图的大小。由于修改后的模型具有非常少的参数，其前向计算所消耗的时间非常少，从而使可行驶区域检测用于自动驾驶成为了可能。修改后的SqueezeNet模型的参数可以使用ImageNet训练好的模型参数进行初始化，并采用反向传播和随机梯度下降法进行训练。反卷积层的参数使用双线性差值进行初始化，同样采用反向传播和随机梯度下降法进行训练。
图4示出了可以应用本发明实施例的检测可行驶区域的方法或检测可行驶区域的装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。
需要说明的是，本发明实施例所提供的检测可行驶区域的方法一般由服务器405执行，相应地，检测可行驶区域的装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括提取模块、卷积模块和反卷积模。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，提取模块还可以被描述为“利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：步骤S101：利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；步骤S102：采用两组卷积核从多通道特征图中提取图像特征分别得到第一检测图和第二检测图；步骤S103：分别对第一检测图和第二检测图进行反卷积，并根据预设检测规则确定待检测图像中的可行驶区域。
根据本发明实施例的技术方案，因为采用对SqueezeNet模型进行改进，再结合反卷积的方法来检测图像中的可行驶区域的技术手段，所以克服了可行驶区域检测准确率低或无法满足实时性的要求的技术问题，从而达到检测得到的可行驶区域的边界比较精细，检测准确率高；且检测时间少，检测实时性高的技术效果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (12)

1.一种检测可行驶区域的方法，其特征在于，包括：
利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；
采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图；
对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域。
2.根据权利要求1所述的方法，其特征在于，利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图包括以下步骤：
利用所述SqueezeNet模型的卷积层对所述待检测图像进行卷积得到至少一个卷积图；
利用所述SqueezeNet模型的下采样层对所述卷积图分别进行降维处理得到所述多通道特征图；
其中，所述降维处理是将所述卷积图中每个与卷积核对应的区域以该区域所有元素中的最大值进行替换。
3.根据权利要求1所述的方法，其特征在于，采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图包括：
采用两组卷积核分别对所述多通道特征图进行图像特征提取，分别得到第一特征图集合和第二特征图集合；
将所述第一特征图集合的各个特征图相加并进行激活处理，得到所述第一检测图；以及
将所述第二特征图集合的各个特征图相加并进行激活处理，得到所述第二检测图。
4.根据权利要求1所述的方法，其特征在于，分别对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域包括：
分别对所述第一检测图和所述第二检测图进行反卷积得到第一反卷积图和第二反卷积图，根据预设的检测规则对所述第一反卷积图和所述第二反卷积图进行计算得到二维标签矩阵，基于所述二维标签矩阵确定所述待检测图像中的可行驶区域。
5.根据权利要求1所述的方法，其特征在于，
使用预设参数对所述SqueezeNet模型的参数进行初始化，采用反向传播和随机梯度下降法对初始化后的所述SqueezeNet模型的参数进行训练；
使用双线性插值对所述反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的所述反卷积的参数进行训练。
6.一种检测可行驶区域的装置，其特征在于，包括：
提取模块，用于利用SqueezeNet模型从待检测图像中提取图像特征得到至少一个多通道特征图；
卷积模块，用于采用两组卷积核从所述多通道特征图中提取图像特征分别得到第一检测图和第二检测图；
反卷积模块，用于对所述第一检测图和所述第二检测图进行反卷积，并根据预设检测规则确定所述待检测图像中的可行驶区域。
7.根据权利要求6所述的装置，其特征在于，所述提取模块还用于：
利用所述SqueezeNet模型的卷积层对所述待检测图像进行卷积得到至少一个卷积图；
利用所述SqueezeNet模型的下采样层对所述卷积图分别进行降维处理得到所述多通道特征图；
其中，所述降维处理是将所述卷积图中每个与卷积核对应的区域以该区域所有元素中的最大值进行替换。
8.根据权利要求6所述的装置，其特征在于，所述卷积模块还用于：
采用两组卷积核分别对所述多通道特征图进行图像特征提取，分别得到第一特征图集合和第二特征图集合；
将所述第一特征图集合的各个特征图相加并进行激活处理，得到所述第一检测图；以及
将所述第二特征图集合的各个特征图相加并进行激活处理，得到所述第二检测图。
9.根据权利要求6所述的装置，其特征在于，所述反卷积模块还用于：
分别对所述第一检测图和所述第二检测图进行反卷积得到第一反卷积图和第二反卷积图，根据预设的检测规则对所述第一反卷积图和所述第二反卷积图进行计算得到二维标签矩阵，基于所述二维标签矩阵确定所述待检测图像中的可行驶区域。
10.根据权利要求6所述的装置，其特征在于，
使用预设参数对所述SqueezeNet模型的参数进行初始化，采用反向传播和随机梯度下降法对初始化后的所述SqueezeNet模型的参数进行训练；
使用双线性插值对所述反卷积的参数进行初始化，并采用反向传播和随机梯度下降法对初始化后的所述反卷积的参数进行训练。
11.一种检测可行驶区域的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201710933873.1A 2017-10-10 2017-10-10 检测可行驶区域的方法和装置 Pending CN109657522A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710933873.1A CN109657522A (zh) 2017-10-10 2017-10-10 检测可行驶区域的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710933873.1A CN109657522A (zh) 2017-10-10 2017-10-10 检测可行驶区域的方法和装置

Publications (1)

Publication Number Publication Date
CN109657522A true CN109657522A (zh) 2019-04-19

Family

ID=66108290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710933873.1A Pending CN109657522A (zh) 2017-10-10 2017-10-10 检测可行驶区域的方法和装置

Country Status (1)

Country Link
CN (1) CN109657522A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276346A (zh) * 2019-06-06 2019-09-24 北京字节跳动网络技术有限公司 目标区域识别模型训练方法、装置和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654729A (zh) * 2016-03-28 2016-06-08 南京邮电大学 一种基于卷积神经网络的短时交通流量预测方法
CN106257496A (zh) * 2016-07-12 2016-12-28 华中科技大学 海量网络文本与非文本图像分类方法
CN106599773A (zh) * 2016-10-31 2017-04-26 清华大学 用于智能驾驶的深度学习图像识别方法、系统及终端设备
CN106611148A (zh) * 2015-10-21 2017-05-03 北京百度网讯科技有限公司 基于图像的离线公式识别方法和装置
CN106909924A (zh) * 2017-02-18 2017-06-30 北京工业大学 一种基于深度显著性的遥感影像快速检索方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106611148A (zh) * 2015-10-21 2017-05-03 北京百度网讯科技有限公司 基于图像的离线公式识别方法和装置
CN105654729A (zh) * 2016-03-28 2016-06-08 南京邮电大学 一种基于卷积神经网络的短时交通流量预测方法
CN106257496A (zh) * 2016-07-12 2016-12-28 华中科技大学 海量网络文本与非文本图像分类方法
CN106599773A (zh) * 2016-10-31 2017-04-26 清华大学 用于智能驾驶的深度学习图像识别方法、系统及终端设备
CN106909924A (zh) * 2017-02-18 2017-06-30 北京工业大学 一种基于深度显著性的遥感影像快速检索方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276346A (zh) * 2019-06-06 2019-09-24 北京字节跳动网络技术有限公司 目标区域识别模型训练方法、装置和计算机可读存储介质
CN110276346B (zh) * 2019-06-06 2023-10-10 北京字节跳动网络技术有限公司 目标区域识别模型训练方法、装置和计算机可读存储介质

Similar Documents

Publication Publication Date Title
US11734851B2 (en) Face key point detection method and apparatus, storage medium, and electronic device
US10373312B2 (en) Automated skin lesion segmentation using deep side layers
CN108280685B (zh) 信息获取方法和装置
CN109934181A (zh) 文本识别方法、装置、设备和计算机可读介质
CN108229341A (zh) 分类方法和装置、电子设备、计算机存储介质、程序
CN108446651A (zh) 人脸识别方法和装置
CN108629823A (zh) 多视角图像的生成方法和装置
CN111310518B (zh) 图片特征提取方法、目标重识别方法、装置及电子设备
CN109165736A (zh) 应用于卷积神经网络的信息处理方法和装置
CN110490203A (zh) 图像分割方法及装置、电子设备和计算机可读存储介质
CN109087138A (zh) 数据处理方法及系统、计算机系统和可读存储介质
CN109118456A (zh) 图像处理方法和装置
CN108229658A (zh) 基于有限样本的物体检测器的实现方法及装置
CN108595448A (zh) 信息推送方法和装置
CN110866625A (zh) 促销指标信息生成方法和装置
CN113705362A (zh) 图像检测模型的训练方法、装置、电子设备及存储介质
CN116403250A (zh) 存在遮挡的人脸识别方法及装置
CN108595211A (zh) 用于输出数据的方法和装置
CN110633597A (zh) 一种可行驶区域检测方法和装置
CN108509179A (zh) 用于生成模型的方法和装置
CN109657522A (zh) 检测可行驶区域的方法和装置
CN111160410B (zh) 一种物体检测方法和装置
CN112183303A (zh) 变电设备图像分类方法、装置、计算机设备和介质
CN110895699B (zh) 用于处理图像的特征点的方法和装置
CN108062576B (zh) 用于输出数据的方法和装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210225

Address after: Room a1905, 19 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Beijing Jingdong Qianshi Technology Co.,Ltd.

Address before: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080

Applicant before: Beijing Jingbangda Trading Co.,Ltd.

Effective date of registration: 20210225

Address after: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080

Applicant after: Beijing Jingbangda Trading Co.,Ltd.

Address before: 100195 Beijing Haidian Xingshikou Road 65 West Cedar Creative Garden 4 District 11 Building East 1-4 Floor West 1-4 Floor

Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd.

Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190419