一种基于BiSeNet的轨道交通道路识别优化方法与流程

一种基于bisenet的轨道交通道路识别优化方法
技术领域
1.本发明属于bisenet语义分割技术领域，特别是涉及一种基于bisenet的轨道交通道路识别优化方法。


背景技术：

2.bisenet语义分割技术由于具有语义分割速度快，同时精度高等优点，常被用来用作对于增强现实、安防监控过程中生成图像的语义分割。而在轨道交通列车现代化设备中，对于列车环境的语义分割速度与识别精度要求非常高，尤其是对于其精度和速度的综合要求非常高，需要同时满足二者的要求。怎样选择合适的语义分割模型来使得列车对于周围感知准确度与速度最高，因此针对轨道交通语义分割的模型优化问题便成为了研究者的重点。


技术实现要素：

3.本发明的目的是提供一种基于bisenet的轨道交通道路识别优化方法，以解决上述现有技术存在的问题。
4.为实现上述目的，本发明提供了一种基于bisenet的轨道交通道路识别优化方法，包括：
5.s1.对初始图形进行特征提取，获取特征图矩阵，对所述特征图矩阵进行批处理标准化和单侧抑制；
6.s2.对所述s1进行三次迭代，获得第一处理结果；
7.s3.对所述初始图形进行上下文信息提取，获取第一图形矩阵和第二图形矩阵；
8.s4.分别对所述第一图形矩阵和所述第二图形矩阵进行细化处理，获得第一图形矩阵函数和第二图形矩阵函数；
9.s5.将所述第一处理结果和所述第一图形矩阵和第二图形矩阵进行结合计算，获取第二处理结果；
10.s6.对所述第二处理结果进行8倍上采样获得最终路径语义分析结果。
11.可选的，所述s1中的对初始图形进行特征提取，获取特征图矩阵的过程中包括：
12.对所述初始图形进行步幅为2的卷积，获得所述特征图矩阵。
13.可选的，所述s1中的对所述特征图矩阵进行批处理标准化和单侧抑制的过程中包括：
14.对所述特征图矩阵进行批处理标准化，获得标准化结果；
15.对所述标准化结果进行单侧抑制。
16.可选的，对所述特征图矩阵进行批处理标准化，获得标准化结果的过程中，采用了如下公式进行批处理标准化：
[0017][0018][0019][0020][0021]
其中xi为上一步中得到的特征图矩阵f(x,y)中的每一个特征值复制t个所得到的样本，其中t是我们设置的训练集样本数量，所以m为f(x,y)中的特征值个数乘以t；b是输入的数据集合；μb为样本均值；为样本方差；则为样本的数据标准化结果；yi是对数据标准化结果进行平移和缩放，m为输入数据集合b的参数总数，γ为扩展参量，β为平移参量，bn
γ，β
(xi)表示反标准化工序的函数。
[0022]
可选的，所述s3中的对所述初始图形进行上下文信息提取，获取第一图形矩阵和第二图形矩阵的过程中包括：
[0023]
对所述初始图形进行16倍下采样，获得所述第一图形矩阵；
[0024]
对所述初始图形进行32倍下采样，获得所述第二图形矩阵。
[0025]
可选的，所述s4中的分别对所述第一图形矩阵和所述第二图形矩阵进行细化处理，获得第一图形矩阵函数和第二图形矩阵函数的过程中包括：
[0026]
分别对所述第一图形矩阵和所述第二图形矩阵进行全局池化，获得第一图像矩阵池化结果和第二图像矩阵池化结果；
[0027]
分别对所述第一图像矩阵池化结果和所述第二图像矩阵池化结果进行矩阵卷积及批处理标准化；
[0028]
基于激活函数对经过所述矩阵卷积和所述批处理标准化的所述第一图像矩阵池化结果和所述第二图像矩阵池化结果进行激活，分别获得第一图形矩阵函数和第二图形矩阵函数。
[0029]
可选的，分别对所述第一图像矩阵池化结果和所述第二图像矩阵池化结果进行矩阵卷积及批处理标准化的过程中，所述批处理标准化的处理方式和s1中的所述批处理标准化的处理方式相同。
[0030]
可选的，所述s5中的将所述第一处理结果和所述第一图形矩阵和第二图形矩阵进行结合计算，获取第二处理结果的过程中，基于以下公式进行结合计算：
[0031][0032][0033]
[0034]
其中xi是前置网络中希望融合的特征图，表示对特征图及逆行下采样方法的选择，以让特征图大小一致；是选择对图片大小一致的特征图进行串接或者同位元素对应相乘，在特征图大小相同时使用同位元素对应相乘的方法，否则使用串接的方法进行连接；则是利用得到的特征重构一组预测层，xf代表中间变量，loc，class代表获得的分类，代表提供的特征图预测目标检测的方法，x'
p
代表经过预测层算法得到的中间变量，代表需要进行融合的源特征图的集合，代表经过串接后的数据集合。
[0035]
本发明的技术效果为：
[0036]
本发明提出的基于bisenet模型的路况要素语义分割方法，利用bisenet算法建立道路语义分割模型，以此来代替人工驾驶轨道交通设施。通过带有小步长的空间路径来保留空间位置信息生成高分辨率的道路信息特征图；同时设计了一个带有快速下采样率的语义路径来获取客观的感受野。在这两个模块之上引入一个新的特征融合模块将二者的特征图进行融合，从而在完成对于道路语义分割实现速度和精度的平衡。该方法易于实施，适用于轨道交通无人化运行与道路语义分割，有助于节约成本，提高生产效率，增加列车运行效率与安全性。
附图说明
[0037]
构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0038]
图1为本发明实施例中的方法流程图。
具体实施方式
[0039]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0040]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0041]
如图1所示，本实施例中提供一种基于bisenet的轨道交通道路识别优化方法，包括：
[0042]
步骤1：计算bisenet的空间路径：
[0043]
步骤1.1：对初始图形进行步幅为2的卷积：应用求和表示步幅为2的卷积的核近似法对任意函数和光滑核函数进行逐步的积分：
[0044][0045]
其中f(x,y)为图像经过卷积之后生成的特征图矩阵；g(i,j)为使用的卷积核函数；h为图像对应生成的灰度图矩阵，k为数据图像的总数；
[0046]
步骤1.2：对得到的处理后的卷积矩阵图像进行批处理标准化：
[0047][0048][0049][0050][0051]
其中xi为上一步中得到的特征图矩阵f(x,y)中的每一个特征值复制t个所得到的样本，其中t是我们设置的训练集样本数量，所以m为f(x,y)中的特征值个数乘以t；b是输入的数据集合；μb为样本均值；为样本方差；则为样本的数据标准化结果；yi是对数据标准化结果进行平移和缩放，m为输入数据集合b的参数总数，γ为扩展参量，β为平移参量，bn
γ，β
(xi)表示反标准化工序的函数。
[0052]
步骤1.3：使用relu激活函数对所得到的标准化结果进行单侧抑制：
[0053][0054]
其中x为进行激活函数的参数，对得到的所有标准化结果进行单侧抑制；
[0055]
步骤1.4：对得到的结果重复步骤1.1到1.3的操作；
[0056]
步骤1.5：对步骤1.4的结果重复步骤1.1到1.3的操作，得到zi用于融合运算当中，zi为中间变量；
[0057]
步骤2：利用xception模型进行上下文信息提取：
[0058]
步骤2.1：对初始图像进行4倍下采样以及8倍下采样，获得预处理图形，对预处理图形进行16倍下采样与32倍下采样，获得图形矩阵b1与b2，也就是对应图像的缩略图。
[0059][0060]
其中is是图像的特征层，s是对应下采样的倍数。pk则是对应的生成的图像的下采样的最后结果。
[0061]
步骤3：使用注意力细化模组(attention refinement module)对步骤2中进行下采样的两张图片进行处理，以下是注意力细化模组的步骤：
[0062]
步骤3.1：对于输入的数据进行全局池化，每个通道特征图输出一个神经元(均值结果输出)；
[0063]
步骤3.2：得到的池化结果进行1x1的矩阵卷积；
[0064]
步骤3.3：再进行批量标准化，如步骤1.2所示；
[0065]
步骤3.4：最后使用sigmod激活函数对于数据进行激活，得到相对应的矩阵函数。
[0066]
步骤4：使用ffm特征融合模块将步骤1和步骤3得出的结果相互结合：
[0067]
步骤4.1：将步骤1和步骤2的结果作为样本进行计算：
[0068][0069][0070][0071]
其中xi是前置网络中希望融合的特征图，表示对特征图及逆行下采样方法的选择，以让特征图大小一致；是选择对图片大小一致的特征图进行串接或者同位元素对应相乘，在特征图大小相同时使用同位元素对应相乘的方法，否则使用串接的方法进行连接；则是利用得到的特征重构一组预测层，xf代表中间变量，loc，class代表获得的分类，代表提供的特征图预测目标检测的方法，x
′
p
代表经过预测层算法得到的中间变量，代表需要进行融合的源特征图的集合，代表经过串接后的数据集合。
[0072]
步骤5：对于得到的特征图进行8倍上采样就可以得到最后的路径语义分析的结果。
[0073]
本发明对比了bisenet基于xception构架和resnet18构架的性能，如表1所示。
[0074]
表1
[0075][0076]
以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。