像作為待測試圖像；
[0059] 2)輸入訓練好的模型中；
[0060] 在上述訓練階段訓練好的神經(jīng)網(wǎng)絡框架中測試。
[0061] 3)輸出對應的最終圖像。
[0062] 結(jié)果會從訓練好的模型中輸出與待測試圖像大小相同類別不同的mask,通過 KITTI-R0AD提供的工具對該mask進行評估精度和美化結(jié)果。該結(jié)果圖像中道路已經(jīng)分好 類。
[0063] 請參閱圖3,圖3是本發(fā)明第二實施例提供的交通場景深度解析裝置的結(jié)構(gòu)示意 圖，為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分。圖3示例的解析裝置可W是前述 圖1所示實施例提供的交通場景深度解析方法的執(zhí)行主體。圖3示例的交通場景深度解析裝 置，主要包括：
[0064] 樣本確定模塊301、變換模塊302、提取模塊303、訓練模塊304、輸出模塊305、還原 模塊306 W及檢測模塊307。
[0065] W上各功能模塊詳細說明如下：
[0066] 其中，樣本確定模塊301，用于使用多個交通場景數(shù)據(jù)庫中的原始圖像數(shù)據(jù)集和原 始圖像對應的道路區(qū)域標定作為訓練樣本；
[0067] 變換模塊302,用于通過拉普拉斯金字塔變換方式，將該訓練樣本中的各原始圖像 縮放為多個不同尺度；
[0068] 提取模塊303,用于將縮放后的圖像輸入與不同尺度分別對應的神經(jīng)網(wǎng)絡，W通過 該神經(jīng)網(wǎng)絡提取道路特征，該神經(jīng)網(wǎng)絡由卷積部分與反卷積部分聯(lián)合組成；
[0069] 訓練模塊304,用于利用訓練縮放后的圖像和該縮放后的圖像對應的道路區(qū)域標 定，對卷積神經(jīng)網(wǎng)絡與反卷積神經(jīng)網(wǎng)絡的參數(shù)進行訓練；
[0070] 輸出模塊305,用于通過與該神經(jīng)網(wǎng)絡鏈接的全鏈接層輸出與原始圖像像素相同 的一維數(shù)組；
[0071] 還原模塊306,用于將該一維數(shù)組還原為與該原始圖像相同大小的結(jié)果圖像，該結(jié) 果圖像中標出不同類型的道路；
[0072] 還原模塊306,還用于使用預置標準對該結(jié)果圖像進行處理，W還原出道路的分割 結(jié)果；
[0073] 檢測模塊307,用于將待檢測圖像輸入訓練成功的該神經(jīng)網(wǎng)絡中，得到完成道路分 割與該待檢測圖像對應的結(jié)果圖像。
[0074] 本實施例未盡之細節(jié)，請參閱前述圖1和圖2所示實施例的描述，此處不再寶述。
[0075] 需要說明的是，W上圖3示例的交通場景深度解析裝置的實施方式中，各功能模塊 的劃分僅是舉例說明，實際應用中可W根據(jù)需要，例如相應硬件的配置要求或者軟件的實 現(xiàn)的便利考慮，而將上述功能分配由不同的功能模塊完成，即將交通場景深度解析裝置的 內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊，W完成W上描述的全部或者部分功能。而且，實際應用 中，本實施例中的相應的功能模塊可W是由相應的硬件實現(xiàn)，也可W由相應的硬件執(zhí)行相 應的軟件完成;本說明書提供的各個實施例都可應用上述描述原則。
[0076] 本發(fā)明實施例，通過將多尺度的圖像輸入神經(jīng)網(wǎng)絡，能有效地提取局部道路特征， 且卷積神經(jīng)網(wǎng)絡與反卷神經(jīng)網(wǎng)絡構(gòu)成的神經(jīng)網(wǎng)絡能有效地學習目標道路特征，并且通過回 歸擬合來提高深度神經(jīng)網(wǎng)絡學習的特征的準確性，不僅在道路識別精度上有非常高的性 能，而且非常有效地提高了在不同交通場景下的適應能力，通過pixel-wise方法針對圖像 每一個像素進行預測，極大地提高了區(qū)域內(nèi)分割的進度，另外，為無人駕駛和輔助駕駛使用 了攝像頭相關(guān)的傳感器也極大地降低了成本。
[0077] 請參閱圖4,本發(fā)明第Ξ實施例提供的交通場景深度解析裝置，主要包括：
[0078] 樣本確定模塊401、變換模塊402、提取模塊403、訓練模塊404、輸出模塊405、還原 模塊406、預測模塊4061、歸一模塊4062、檢測模塊407、擬合模塊408 W及糾正模塊409。
[0079] W上各功能模塊詳細說明如下：
[0080] 其中，樣本確定模塊401，用于使用多個交通場景數(shù)據(jù)庫中的原始圖像數(shù)據(jù)集和原 始圖像對應的道路區(qū)域標定作為訓練樣本。
[0081] 樣本確定模塊401，還用于將多個交通場景數(shù)據(jù)庫中的原始圖像數(shù)據(jù)集中的各原 始圖像進行歸一化處理后，作為訓練樣本。
[0082] 變換模塊402,用于通過拉普拉斯金字塔變換方式，將該訓練樣本中的各原始圖像 縮放為多個不同尺度。
[0083] 提取模塊403,用于將縮放后的圖像輸入與不同尺度分別對應的神經(jīng)網(wǎng)絡，W通過 該神經(jīng)網(wǎng)絡提取道路特征，該神經(jīng)網(wǎng)絡由卷積部分與反卷積部分聯(lián)合組成。
[0084] 訓練模塊404,用于利用訓練縮放后的圖像和該縮放后的圖像對應的道路區(qū)域標 定，對卷積神經(jīng)網(wǎng)絡與反卷積神經(jīng)網(wǎng)絡的參數(shù)進行訓練；
[0085] 輸出模塊405,用于通過與該神經(jīng)網(wǎng)絡鏈接的全鏈接層輸出與原始圖像像素相同 的一維數(shù)組。
[0086] 還原模塊406,用于將該一維數(shù)組還原為與該原始圖像相同大小的結(jié)果圖像，該結(jié) 果圖像中標出不同類型的道路。
[0087] 還原模塊406,還用于使用預置標準對該結(jié)果圖像進行處理，W還原出道路的分割 結(jié)果。
[0088] 檢測模塊407,用于將待檢測圖像輸入訓練成功的該神經(jīng)網(wǎng)絡中，得到完成道路分 割與該待檢測圖像對應的結(jié)果圖像。
[0089] 進一步地，該裝置還包括：
[0090] 擬合模塊408,用于在該全鏈接層中對提取的道路特征對應的像素進行回歸擬合。 [0091 ] 進一步地，還原模塊406還包括:預測模塊4061和歸一模塊4062。
[0092] 預測模塊4061，用于按照pixel-wise方法根據(jù)所述一維數(shù)組，對該結(jié)果圖像的每 一個像素點進行預測。
[0093] 歸一模塊4062,用于通過插值將不同尺度的結(jié)果圖像歸一到原始圖像大小的結(jié)果 圖像。
[0094] 進一步地，該裝置還包括：
[00M] 糾正模塊409，用于當驗證出所述訓練樣本訓練失敗時，使用Ground Truth進行 fine-化ning并擬合Ground Truth糾正發(fā)生錯誤的訓練樣本的訓練結(jié)果。糾正模塊409執(zhí)行 過程具體請參考前述其他模塊，此處不再寶述。
[0096] 進一步地，樣本確定模塊401，還用于將多個交通場景數(shù)據(jù)庫中的原始圖像數(shù)據(jù)集 中的各原始圖像進行歸一化處理后，和歸一化處理后的圖像對應的道路區(qū)域標定作為訓練 樣本。
[0097] 本實施例未盡之細節(jié)，請參閱前述圖1和圖2所示實施例的描述，此處不再寶述。
[0098] 本發(fā)明實施例，通過將多尺度的圖像輸入神經(jīng)網(wǎng)絡，能有效地提取局部道路特征， 且卷積神經(jīng)網(wǎng)絡與反卷神經(jīng)網(wǎng)絡構(gòu)成的神經(jīng)網(wǎng)絡能有效地學習目標道路特征，并且通過回 歸擬合來提高深度神經(jīng)網(wǎng)絡學習的特征的準確性，不僅在道路識別精度上有非常高的性 能，而且非常有效地提高了在不同交通場景下的適應能力，通過pixel-wise方法針對圖像 每一個像素進行預測，極大地提高了區(qū)域內(nèi)分割的進度，另外，為無人駕駛和輔助駕駛使用 了攝像頭相關(guān)的傳感器也極大地降低了成本。
[0099] 在本申請所提供的多個實施例中，應該理解到，所掲露的裝置和方法，可W通過其 它的方式實現(xiàn)。例如，W上所描述的裝置實施例僅僅是示意性的，例如，所述模塊的劃分，僅 僅為一種邏輯功能劃分，實際實現(xiàn)時可W有另外的劃分方式，例如多個模塊或組件可W結(jié) 合或者可W集成到另一個系統(tǒng)，或一些特征可W忽略，或不執(zhí)行。另