本技術(shù)涉及圖像檢測(cè)，特別是涉及一種行駛區(qū)域的檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著深度學(xué)習(xí)模型的普及，已出現(xiàn)越來(lái)越多的模型用于可行駛區(qū)域的檢測(cè)。例如，fcn(fully?convolutional?network，全卷積網(wǎng)絡(luò))、segnet(segmentation?network，分割網(wǎng)絡(luò))、u-net(u型網(wǎng)絡(luò))以及deeplabv3(deeplab?version?3，深度實(shí)驗(yàn)室第三代模型)等。然而，現(xiàn)模型均對(duì)駕駛環(huán)境(例如，氣候環(huán)境、光照條件、道路條件等)有著較高要求。各模型輸出的準(zhǔn)確性容易因駕駛環(huán)境變化而出現(xiàn)明顯下降。

2、以前述所列模型中性能最優(yōu)的deeplabv3為例，在檢測(cè)可行駛區(qū)域時(shí)，因其不能及時(shí)地識(shí)別出光照條件、氣候條件的變化，所以當(dāng)光照條件、和/或氣候條件出現(xiàn)變化時(shí)，deeplabv3因魯棒性不足而出現(xiàn)檢測(cè)準(zhǔn)確度不足的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述技術(shù)問(wèn)題，提供一種能夠行駛區(qū)域的檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)，以提升行駛區(qū)域的檢測(cè)準(zhǔn)確度。

2、第一方面、本技術(shù)實(shí)施例提供一種行駛區(qū)域的檢測(cè)方法，包括：

3、獲取待檢測(cè)圖像，并將所述待檢測(cè)圖像輸入目標(biāo)模型；其中，所述目標(biāo)模型包括編碼器和解碼器；

4、在所述編碼器中，基于第一特征圖，生成第二特征圖，并利用注意力模型處理所述第二特征圖，得到第三特征圖；其中，所述第一特征圖通過(guò)所述編碼器中的卷積神經(jīng)網(wǎng)絡(luò)處理所述待檢測(cè)圖像得到，所述第二特征圖中像素點(diǎn)的感受野不都相同，所述注意力模型包括通道注意力模型和空間注意力模型；

5、將所述第一特征圖和所述第三特征圖輸入所述解碼器，得到所述待檢測(cè)圖像中的行駛區(qū)域。

6、在其中一個(gè)實(shí)施例中，所述注意力模型中，所述通道注意力模型和所述空間注意力模型順序連接；

7、則所述利用注意力模型處理所述第二特征圖，得到第三特征圖，包括：

8、通過(guò)所述通道注意力模型處理所述第二特征圖，生成通道注意力系數(shù)，并基于所述通道注意力系數(shù)和所述第二特征圖，生成第四特征圖；

9、通過(guò)所述空間注意力模型處理所述第四特征圖，生成空間注意力系數(shù)，并基于所述空間注意力系數(shù)和所述第二特征圖，生成所述第三特征圖。

10、在其中一個(gè)實(shí)施例中，所述通過(guò)所述通道注意力模型處理所述第二特征圖，生成通道注意力系數(shù)，包括：

11、在所述通道注意力模型中，通過(guò)第一卷積處理和第一reshape函數(shù)對(duì)所述第二特征圖進(jìn)行降維處理，得到第一子特征圖，以及，

12、通過(guò)第二卷積處理和第二reshape函數(shù)對(duì)所述第二特征圖進(jìn)行特征壓縮，得到第二子特征圖；其中，所述降維處理指示對(duì)所述第二特征圖的通道特征進(jìn)行壓縮，特征壓縮指示對(duì)所述第二特征圖的高度特征和寬度特征進(jìn)行壓縮；

13、對(duì)所述第二子特征圖進(jìn)行歸一化處理，并將歸一化處理所得的第三子特征圖與第一子特征圖進(jìn)行乘積操作，得到第四子特征圖；其中，所述第四子特征圖指示所述第二特征圖中通道的注意力分布；

14、基于所述注意力分布，確定通道注意力系數(shù)。

15、在其中一個(gè)實(shí)施例中，所述通過(guò)所述空間注意力模型處理所述第四特征圖，生成空間注意力系數(shù)，包括：

16、在所述空間注意力模型中，通過(guò)第四卷積處理、池化處理和第三reshape函數(shù)處理所述第四特征圖，得到第五子特征圖，以及通過(guò)所述第四卷積處理和第四reshape函數(shù)所述第四特征圖，得到第六子特征圖；

17、對(duì)所述第五子特征圖進(jìn)行歸一化處理，并與第六子特征圖進(jìn)行乘積操作，并通過(guò)第五reshape函數(shù)以及歸一化處理，得到所述空間注意力系數(shù)。

18、在其中一個(gè)實(shí)施例中，所述在所述編碼器中，基于第一特征圖，生成第二特征圖，包括：

19、通過(guò)所述編碼器中的所述卷積神經(jīng)網(wǎng)絡(luò)處理所述待檢測(cè)圖像，得到所述第一特征圖；其中，所述編碼器中所述卷積神經(jīng)網(wǎng)絡(luò)與擴(kuò)張空間金字塔池化aspp相接；

20、通過(guò)所述aspp處理所述第一特征圖，得到所述第二特征圖。

21、在其中一個(gè)實(shí)施例中，所述目標(biāo)模型通過(guò)以下方式訓(xùn)練得到：

22、基于與所述目標(biāo)模型對(duì)應(yīng)的待訓(xùn)練模型，構(gòu)造對(duì)抗網(wǎng)絡(luò)，并獲取訓(xùn)練圖像集；其中，所述對(duì)抗網(wǎng)絡(luò)由鑒別器、以及含所述待訓(xùn)練模型的生成器構(gòu)成，所述訓(xùn)練圖像集包括訓(xùn)練圖像、以及與所述訓(xùn)練圖像對(duì)應(yīng)的預(yù)設(shè)標(biāo)簽，所述預(yù)設(shè)標(biāo)簽指示所述訓(xùn)練圖像中的行駛區(qū)域的區(qū)域信息；

23、在所述對(duì)抗網(wǎng)絡(luò)中，通過(guò)所述生成器處理所述訓(xùn)練圖像，得到對(duì)應(yīng)于所述訓(xùn)練圖像中所述行駛區(qū)域的模型標(biāo)簽，通過(guò)所述鑒別器處理所述模型標(biāo)簽和預(yù)設(shè)標(biāo)簽；

24、基于所述對(duì)抗網(wǎng)絡(luò)的目標(biāo)函數(shù)優(yōu)化所述對(duì)抗網(wǎng)絡(luò)的參數(shù)，直到所述生成器的第一參數(shù)變化值小于第一預(yù)設(shè)變化閾值，且所述鑒別器的第二參數(shù)變化值小于第二預(yù)設(shè)變化閾值，得到目標(biāo)對(duì)抗網(wǎng)絡(luò)；則所述目標(biāo)對(duì)抗網(wǎng)絡(luò)中的生成器為所述目標(biāo)模型。

25、在其中一個(gè)實(shí)施例中，所述將所述第一特征圖和所述第三特征圖輸入所述解碼器，得到所述待檢測(cè)圖像中的行駛區(qū)域，包括：

26、在所述解碼器中，對(duì)所述第一特征圖和所述第三特征圖進(jìn)行特征融合，得到融合特征圖；

27、對(duì)所述融合特征圖進(jìn)行上采樣，得到預(yù)設(shè)分辨率的第五特征圖；

28、對(duì)所述第五特征圖中的像素點(diǎn)進(jìn)行二分類(lèi)，得到所述行駛區(qū)域。

29、第二方面、本技術(shù)實(shí)施例提供一種行駛區(qū)域的檢測(cè)裝置，所述裝置包括：

30、圖像模塊，用于獲取待檢測(cè)圖像，并將所述待檢測(cè)圖像輸入目標(biāo)模型；其中，所述目標(biāo)模型包括編碼器和解碼器；

31、特征模塊，用于在所述編碼器中，基于第一特征圖，生成第二特征圖，并利用注意力模型處理所述第二特征圖，得到第三特征圖；其中，所述第一特征圖通過(guò)所述編碼器中的卷積神經(jīng)網(wǎng)絡(luò)處理所述待檢測(cè)圖像得到，所述第二特征圖中像素點(diǎn)的感受野不都相同，所述注意力模型包括通道注意力模型和空間注意力模型；

32、區(qū)域模塊，用于將所述第一特征圖和所述第三特征圖輸入所述解碼器，得到所述待檢測(cè)圖像中的行駛區(qū)域。

33、在其中一個(gè)實(shí)施例中，所述注意力模型中，所述通道注意力模型和所述空間注意力模型順序連接；則所述特征模塊具體用于通過(guò)所述通道注意力模型處理所述第二特征圖，生成通道注意力系數(shù)，并基于所述通道注意力系數(shù)和所述第二特征圖，生成第四特征圖；通過(guò)所述空間注意力模型處理所述第四特征圖，生成空間注意力系數(shù)，并基于所述空間注意力系數(shù)和所述第二特征圖，生成所述第三特征圖。

34、在其中一個(gè)實(shí)施例中，所述特征模塊具體用于在所述通道注意力模型中，通過(guò)第一卷積處理和第一reshape函數(shù)對(duì)所述第二特征圖進(jìn)行降維處理，得到第一子特征圖，以及，通過(guò)第二卷積處理和第二reshape函數(shù)對(duì)所述第二特征圖進(jìn)行特征壓縮，得到第二子特征圖；其中，所述降維處理指示對(duì)所述第二特征圖的通道特征進(jìn)行壓縮，特征壓縮指示對(duì)所述第二特征圖的高度特征和寬度特征進(jìn)行壓縮；對(duì)所述第二子特征圖進(jìn)行歸一化處理，并將歸一化處理所得的第三子特征圖與第一子特征圖進(jìn)行乘積操作，得到第四子特征圖；其中，所述第四子特征圖指示所述第二特征圖中通道的注意力分布；基于所述注意力分布，確定所述通道注意力系數(shù)。

35、在其中一個(gè)實(shí)施例中，所述特征模塊還用于在所述空間注意力模型中，通過(guò)第四卷積處理、池化處理和第三reshape函數(shù)處理所述第四特征圖，得到第五子特征圖，以及通過(guò)所述第四卷積處理和第四reshape函數(shù)處理所述第四特征圖，得到第六子特征圖；對(duì)所述第五子特征圖進(jìn)行歸一化處理，并與第六子特征圖進(jìn)行乘積操作，并通過(guò)第五reshape函數(shù)以及歸一化處理，得到所述空間注意力系數(shù)。

36、在其中一個(gè)實(shí)施例中，所述特征模塊還用于通過(guò)所述編碼器中的所述卷積神經(jīng)網(wǎng)絡(luò)處理所述待檢測(cè)圖像，得到所述第一特征圖；其中，所述編碼器中所述卷積神經(jīng)網(wǎng)絡(luò)與擴(kuò)張空間金字塔池化aspp相接；通過(guò)所述aspp處理所述第一特征圖，得到所述第二特征圖。

37、在其中一個(gè)實(shí)施例中，所述裝置還包括訓(xùn)練模塊，所述訓(xùn)練模塊具體用于基于與所述目標(biāo)模型對(duì)應(yīng)的待訓(xùn)練模型，構(gòu)造對(duì)抗網(wǎng)絡(luò)，并獲取訓(xùn)練圖像集；其中，所述對(duì)抗網(wǎng)絡(luò)由鑒別器、以及含所述待訓(xùn)練模型的生成器構(gòu)成，所述訓(xùn)練圖像集包括訓(xùn)練圖像、以及與所述訓(xùn)練圖像對(duì)應(yīng)的預(yù)設(shè)標(biāo)簽，所述預(yù)設(shè)標(biāo)簽指示所述訓(xùn)練圖像中的行駛區(qū)域的區(qū)域信息；在所述對(duì)抗網(wǎng)絡(luò)中，通過(guò)所述生成器處理所述訓(xùn)練圖像，得到對(duì)應(yīng)于所述訓(xùn)練圖像中所述行駛區(qū)域的模型標(biāo)簽，通過(guò)所述鑒別器處理所述模型標(biāo)簽和預(yù)設(shè)標(biāo)簽；基于所述對(duì)抗網(wǎng)絡(luò)的目標(biāo)函數(shù)優(yōu)化所述對(duì)抗網(wǎng)絡(luò)的參數(shù)，直到所述生成器的第一參數(shù)變化值小于第一預(yù)設(shè)變化閾值，且所述鑒別器的第二參數(shù)變化值小于第二預(yù)設(shè)變化閾值，得到目標(biāo)對(duì)抗網(wǎng)絡(luò)；則所述目標(biāo)對(duì)抗網(wǎng)絡(luò)中的生成器為所述目標(biāo)模型。

38、在其中一個(gè)實(shí)施例中，所述區(qū)域模塊具體用于在所述解碼器中，對(duì)所述第一特征圖和所述第三特征圖進(jìn)行特征融合，得到融合特征圖；對(duì)所述融合特征圖進(jìn)行上采樣，得到預(yù)設(shè)分辨率的第五特征圖；對(duì)所述第五特征圖中的像素點(diǎn)進(jìn)行二分類(lèi)，得到所述行駛區(qū)域。

39、第三方面、本技術(shù)實(shí)施例提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)第一方面及任一種可能的實(shí)施方式所述方法的步驟。

40、第四方面、本技術(shù)實(shí)施例提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面及任一種可能的實(shí)施方式所述的方法的步驟。

41、上述行駛區(qū)域的檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)，通過(guò)將待檢測(cè)圖像輸入目標(biāo)模型中，利用編碼器中的注意力模型對(duì)多尺度特征圖(即第二特征圖)從通道維度、空間維度進(jìn)行特征增強(qiáng)，以在解碼器中將底層輸出特征圖(第一特征圖)和經(jīng)過(guò)注意力模型特征增強(qiáng)所得的第三特征圖進(jìn)行特征融合。由于第三特征圖中與行駛區(qū)域無(wú)關(guān)的通道特征、空間特征被有效抑制，且與行駛區(qū)域相關(guān)的通道特征和空間特征得到明顯增強(qiáng)，所以可促使解碼器能夠準(zhǔn)確地對(duì)融合所得融合特征圖進(jìn)行分類(lèi)，準(zhǔn)確識(shí)別出屬于行駛區(qū)域的像素點(diǎn)，從而有效提升了檢測(cè)出的行駛區(qū)域的準(zhǔn)確度。