本发明属于偏振成像技术、立体视觉技术、模式识别技术、图像处理技术、计算机视觉
技术领域：
，涉及一种水面和水坑检测方法。
背景技术：
视觉信息是人类识别周围环境的最重要信息来源，人类获得的信息80％左右是从视觉系统输入的。根据世界卫生组织统计，全世界有2.53亿视觉障碍人士。视障人士损失了正常的视觉，对颜色、形状的理解很困难。现在，他们中的许多人使用白手杖或导盲犬协助自己的日常生活。白手杖不足以在旅行期间解决所有的困难。导盲犬可以引导视障人士以避免在道路上行走时的危险，但是因为训练导盲犬需要很大的成本，它们不能用于所有视觉障碍者。因此，手杖、导盲犬等传统工具无法为他们出行提供充分的协助。自从各种电子出行辅助(eta)设备开发以来，已被视为一种辅助视障者在不同情况下出行的有效的方法。为了帮助用户找到通路，许多辅助系统部署深度相机来检测可及的路径和障碍，也有很多辅助系统针对盲人辅助实现了楼梯检测、行人检测、车辆检测等。但是并没有方法帮助盲人在出行中避开水面或水坑的危险区域。因此，一个能够将水面和水坑检测统一在一个框架下同时完成检测，并且能够实现实时运行和快速输出的方法被迫切需要。技术实现要素：本发明的目的在于针对先有技术的不足，提供一种水面和水坑检测方法。本发明的目的是通过以下技术方案实现的：一种水面和水坑检测方法，该方法为：(1)通过两个前端设置有偏振片的彩色相机，分别获取一彩色图像，其中，所述两个彩色相机同高，且光轴相互平行，两个偏振片的偏振方向相互垂直。(2)将其中一个彩色图像输入到预先训练的神经网络模型，得到语义分割图像semantics，所述神经网络模型，通过以下方法预先训练得到：从大型的语义分割数据集中获取训练数据集，包括m张彩色图像color与其一一对应的m张标记图像label，所述对应关系如下：标记图像label中的像素单元与彩色图像color中的像素单元一一对应，标记图像label中的像素单元标记彩色图像color中的像素单元的语义标号。m≥10000。所述像素单元为：来源于同一物体的所有像素点组成的单元，同一类别的物体用一语义标号进行标识。以彩色图像color为输入，标记图像label为输出，对语义分割模型进行训练，所述基于神经网络的语义分割模型中每一层网络如下表所示，得到预先训练的神经网络模型。层号类型输出特征图的维数输出特征图的分辨率1下采样层16320×2402下采样层64160×1203-7一维分解瓶颈层64160×1208下采样层12880×609一维分解瓶颈层(扩张卷积率2)12880×6010一维分解瓶颈层(扩张卷积率4)12880×6011一维分解瓶颈层(扩张卷积率8)12880×6012一维分解瓶颈层(扩张卷积率16)12880×6013一维分解瓶颈层(扩张卷积率2)12880×6014一维分解瓶颈层(扩张卷积率4)12880×6015一维分解瓶颈层(扩张卷积率8)12880×6016一维分解瓶颈层(扩张卷积率2)12880×6017a第16层输出的原始特征图12880×6017b第16层输出的原始特征图的池化和卷积3280×6017c第16层输出的原始特征图的池化和卷积3240×3017d第16层输出的原始特征图的池化和卷积3220×1517e第16层输出的原始特征图的池化和卷积3210×817f第17a-17e层的上采样和级联25680×6018卷积层地形和目标类别数80×6019上采样层地形和目标类别数640×480将待检测的彩色图像color输入神经网络模型后，第19层得到的输出特征图即为各个类别的概率图，通过argmax函数即可得到语义分割图像semantics。(3)对语义分割图像semantics进行处理，获取被分割出的水面区域和路面可通行区域，对路面可通行区域中任一像素点(u,v)，计算该像素点在偏振差分图像polarization中的偏振差分值polarization，若polarization大于阈值polarizationthreshold，则该点为水坑。所述偏振差分值polarization的计算方法如下：(3.1)对两个彩色图像行双目立体匹配，获取一幅视差图像disparity；(3.2)从另一个彩色图像中找到对应于像素点(u,v)的对应点(u',v)，满足u-u'＝disparity，disparity为视差图像disparity中像素点(u,v)的视差值；(3.3)计算像素点(u,v)、(u',v)的亮度值，分别为vl(u,v)，vr(u',v)；偏振差分值polarization为|vl(u,v)-vr(u',v)|；进一步地，所述一维分解瓶颈层通过使用3×1的卷积核和1×3的卷积核进行交替卷积，并采用线性整流函数relu作为激活函数，最后通过残差式联结，形成一个整体的一维分解瓶颈层。进一步地，从9到16层的一维分解瓶颈层中的卷积均采用扩张卷积完成，扩展卷积率分别为2，4，8，16，2，4，8，2。进一步地，所述下采样层通过使用3×3的卷积核输出的与经过最大池化的特征图，进行级联，输出下采样的特征图。进一步地，所述上采样层采用双线性插值完成。进一步地，大型的语义分割数据集可以为：ade20k数据集：http://groups.csail.mit.edu/vision/datasets/ade20k/；cityscapes数据集：https://www.cityscapes-dataset.com/；pascal数据集：https://www.cs.stanford.edu/～roozbeh/pascal-context/；coco10k数据集：https://github.com/nightrome/cocostuff；mapillary数据集：https://www.mapillary.com/dataset/vistas。本发明的有益效果主要在于：统一性高。本发明由于集合了偏振差分方法和基于神经网络的语义分割方法，可以同时获取图像中的大型水面区域和小型水坑区域。实时性高。本发明的语义分割模型由于采用一维分解瓶颈层的堆叠来完成特征图的提取，最大化的节省了达到相同精度需要的残差层数目，因此可以支持高实时性的语义分割和检测。本发明的偏振差分检测方法，只需要双目图像匹配技术和偏振差分技术，可以支持高实时性的输出。不需要特定假设。本发明由于采用基于神经网络的语义分割方法，可以直接从原始数据中提取特征，不需要基于特定假设完成检测。环境适应性好。本发明相比可以同时检测大型水面与小型水坑，相比现有盲人辅助工具，可以支持晴天、阴雨天等不同天气的出行。附图说明图1为模块连接示意图；图2-图6为案例1的图像，其中，图2左为左彩色图像；右为右彩色图像；图3为语义分割图像；图4为视差图像；图5为偏振差分图像；图6为水面与水坑检测结果。图7-图11为案例2的图像，其中，图7左为左彩色图像；右为右彩色图像；图8为语义分割图像；图9为视差图像；图10为偏振差分图像；图11为水面与水坑检测结果。图12为一维分解瓶颈层示意；图13为下采样层示意图。具体实施方式本发明涉及一种水面和水坑检测方法，该方法基于一神经网络模型实现，该神经网络模型通过方法训练得到：从大型的语义分割数据集中获取训练数据集，包括m张彩色图像color与其一一对应的m张标记图像label，所述对应关系如下：标记图像label中的像素单元与彩色图像color中的像素单元一一对应，标记图像label中的像素单元标记彩色图像color中的像素单元的语义标号。m≥10000。所述像素单元为：来源于同一物体的所有像素点组成的单元，同一类别的物体用一语义标号进行标识。该m张彩色图像color中包含水面和路面的像素单元。大型的语义分割数据集可以为：ade20k数据集：http://groups.csail.mit.edu/vision/datasets/ade20k/；cityscapes数据集：https://www.cityscapes-dataset.com/；pascal数据集：https://www.cs.stanford.edu/～roozbeh/pascal-context/；coco10k数据集：https://github.com/nightrome/cocostuff；mapillary数据集：https://www.mapillary.com/dataset/vistas。以彩色图像color为输入，标记图像label为输出，对语义分割模型进行训练，所述基于神经网络的语义分割模型中每一层网络如下表所示，得到预先训练的神经网络模型。其中所述一维分解瓶颈层如图12所示，本发明通过使用3×1的卷积核和1×3的卷积核进行交替卷积，并采用线性整流函数relu作为激活函数，最后通过残差式联结，形成一个整体的一维分解瓶颈层。本发明由于采用一维分解瓶颈层的堆叠来完成特征图的提取，最大化的节省了达到相同精度需要的残差层数目，因此可以支持高实时性的语义分割和检测。其中从9到16层的一维分解瓶颈层中的卷积均采用扩张卷积完成，扩展卷积率分别为2，4，8，16，2，4，8，2。其中所述下采样层如图13所示，本发明通过使用3×3的卷积核输出的与经过最大池化的特征图，进行级联，输出下采样的特征图。其中所述上采样层采用双线性插值完成。将待检测的彩色图像color输入神经网络模型后，第19层得到的输出特征图即为各个类别的概率图，通过argmax函数即可得到语义分割图像semantics。下面以案例1为例，对本发明做进一步说明。(1)通过两个前端设置有偏振片的彩色相机，分别获取一彩色图像，如图2所示，其中，所述两个彩色相机同高，且光轴相互平行，两个偏振片的偏振方向相互垂直。(2)将左彩色图输入到预先训练的神经网络模型，得到语义分割图像semantics，如图3所示。(3)对语义分割图像semantics进行处理，获取被分割出的水面区域和路面可通行区域，对路面可通行区域中任一像素点(u,v)，计算该像素点在偏振差分图像polarization中的偏振差分值polarization，若polarization大于阈值polarizationthreshold，则该点为水坑，如图6所示。所述偏振差分值polarization的计算方法如下：(3.1)对两个彩色图像行双目立体匹配，获取一幅视差图像disparity，如图4所示。(3.2)从另一个彩色图像中找到对应于像素点(u,v)的对应点(u',v)，满足u-u'＝disparity，disparity为视差图像disparity中像素点(u,v)的视差值；(3.3)计算像素点(u,v)、(u',v)的亮度值，分别为vl(u,v)，vr(u',v)；偏振差分值polarization为|vl(u,v)-vr(u',v)|；以偏振差分值可构成如图5所示的差分图。当前第1页12