1.一种边界引导上下文聚合的交通场景语义分割方法，其特征在于包括以下步骤：

(1)获取数据集与分割标签：

获取交通场景公开数据集与对应的分割标签；

(2)数据处理，具体包括以下步骤：

(2‑a)对步骤(1)获取的数据集中的图像与对应的分割标签同步水平翻转；

(2‑b)将步骤(2‑a)获得的图像及对应的分割标签都缩放至m1×m2像素大小，其中m1和m2分别为缩放后图像的宽和高，m1、m2都为正整数；

(2‑c)将步骤(2‑b)缩放得到的图像及对应的分割标签进行归一化操作，组成处理后的样本数据集；

(3)构建分割模型，具体包括以下步骤：

(3‑a)构建语义分割模块，该模块一共包括五组下采样层和一个空洞空间卷积池化金字塔模块，即ASPP模块；输入图像依次经过这五组下采样层，分别得到特征图F1、F2、F3、F4和F5，F5经过ASPP模块后，得到特征图Ff；第一组下采样层由一个残差卷积块与一个池化层组成，第二、三、四、五组下采样层都由一个残差卷积块组成；

(3‑b)构建边界细化模块，将步骤(3‑a)得到的特征图F2、F3、F4和F5分别经过一个卷积核大小为1×1的卷积层后得到相应的特征图F2′、F3′、F4′和F5′；利用边缘检测算子对输入图像进行边缘检测得到特征图B1，将B1经过一个卷积核大小为1×1的卷积层后得到特征图B11，B11与F2′共同输入到第一个注意力门控模块AG1，得到特征图B2；将B11经过一个卷积核大小为1×1的卷积层后得到特征图B12，B12与F3′共同输入到第二个注意力门控模块AG2后得到特征图B3；将B12经过一个卷积核大小为1×1的卷积层后得到特征图B13，B13与F4′共同输入到第三个注意力门控模块AG3后得到特征图B4；将B13经过一个卷积核大小为1×1的卷积层后得到特征图B14，B14与F5′共同输入到第四个注意力门控模块AG4后得到特征图B5；最后将特征图B2、B3、B4和B5拼接后得到特征图Bs，Bs经过一个卷积核大小为1×1的卷积层降维后得到特征图Bf；

(3‑c)将步骤(3‑a)得到的特征图Ff与步骤(3‑b)得到的特征图Bf共同输入到上下文聚合模块，即CAM模块，得到特征图Fp，Fp经过一个卷积核大小为3×3的卷积层后得到特征图F′p，将F′p上采样至原始图像大小，得到交通场景语义分割结果；将步骤(3‑b)得到的特征图Bf经过一个卷积核大小为3×3的卷积层后得到特征图Bp，将Bp上采样至原始图像大小，得到交通场景边界的二值分割结果；

(4)构建损失函数：

构建以下联合损失函数：

L＝λ1Lbody+λ2Lboun+λ3Laux

其中，Lbody表示语义分割的交叉熵损失，Lboun表示边界分割的二项式交叉熵损失，Laux表示辅助的交叉熵损失， 表示像素i为第k类标签的真值，yi∈[0,1]表示像素i为边界的真值，λ1,λ2,λ3为超参数，其中λ1∈(0,1]，λ2∈(0,1]，λ3∈(0,20]，I代表输入图像，k取正整数且k∈[1,K]，K为分割结果的类别数，取正整数且K∈[2,160]， 表示像素i为第k类的预测结果，pi∈(0,1)表示像素i为边界的预测结果，log为自然对数；

(5)训练分割模型：

利用步骤(2)得到的样本数据集训练步骤(3)构建完成的分割模型，根据步骤(4)构建的损失函数得到损失值，并使用随机梯度下降法更新模型内的参数，直至损失值不再下降，得到训练好的分割模型；

(6)交通场景图像分割：

获取待分割的交通场景图像，按照步骤(2)对它们进行数据处理后，输入步骤(5)得到的训练好的分割模型中，得到最终分割结果。

2.如权利要求1所述的一种边界引导上下文聚合的交通场景语义分割方法，其特征在于，所述步骤(3‑a)中的空洞空间卷积池化金字塔模块ASPP，该模块并行包含四个不同的卷积层和一个池化层：一个卷积核大小为1×1的卷积层，一个卷积核大小为3×3、填充率为6、采样率为6的卷积层，一个卷积核大小为3×3、填充率为12、采样率为12的卷积层，一个卷积核大小为3×3、填充率为18、采样率为18的卷积层，以及一个由最大池化和上采样构成的池化层；该模块以步骤(3‑a)得到的特征图F5作为输入，分别经过上述并行的四个不同的卷积层和一个池化层后，得到5个不同的特征图，将这些特征图拼接后得到特征图Af，Af经过一个卷积核大小为1×1的卷积层后得到特征图Ff。

3.如权利要求1所述的一种边界引导上下文聚合的交通场景语义分割方法，其特征在于，所述步骤(3‑b)的注意力门控模块AGi，该模块以步骤(3‑b)得到的特征图B1i与F′i+1作为输入，i＝1,2,3,4；特征图B1i和F′i+1分别经过一个卷积核大小为1×1的卷积层后，将它们得到的结果逐像素相加，再经过ReLu激活函数后得到中间特征图Matt，Matt依次经过一个卷积核大小为1×1的卷积层和一个Sigmoid激活函数后再与B1i进行矩阵相乘，得到AG模块的输出特征图Bi+1，该过程可表示为：Matt＝σ1(wbB1i+wfF′i+1)

其中，wb、wf和watt分别代表与特征图B1i、F′i+1和Matt进行卷积运算时所对应卷积核的线性变换系数， 表示矩阵相乘，σ1(·)和σ2(·)分别代表ReLu与Sigmoid激活函数。

4.如权利要求1所述的一种边界引导上下文聚合的交通场景语义分割方法，其特征在于，所述步骤(3‑c)中的上下文聚合模块CAM，该模块以步骤(3‑a)得到的特征图Ff和步骤(3‑b)得到的特征图Bf作为输入；Ff经过一个卷积核大小为1×1的卷积层后得到特征图Q，Ff经过另外一个卷积核大小为1×1的卷积层后得到特征图K，Bf经过一个卷积核大小为1×1的卷积层后得到特征图V；特征图K经Softmax函数后与特征图Q矩阵相乘，得到中间特征图G，G经过一个卷积核大小为1×1的卷积层后的结果再与特征图V经过Softmax函数后的结果进行矩阵相乘，得到的结果再与特征图Ff逐像素相加，得到上下文聚合模块CAM的输出特征图Fp，它们的计算过程为：Q＝wqFf

K＝wkFf

V＝wvBf

上式中，wq、wk、wv和wg分别表示与特征图Q、K、V和G进行卷积运算时所对应卷积核的线性变换系数， 表示矩阵相乘，⊕表示逐像素相加，Softmax(·)代表Softmax函数。

5.如权利要求1所述的一种边界引导上下文聚合的交通场景语义分割方法，其特征在于，所述步骤(2‑b)中，正整数m1、m2的取值范围均在[520，1024]之间。

6.如权利要求1所述的一种边界引导上下文聚合的交通场景语义分割方法，其特征在于，所述步骤(3)中的所有卷积层都包含一个卷积、一个批归一化层和一个激活层。