1.一种自动驾驶多任务场景分析方法，其特征在于，所述方法包括：获取自动驾驶系统拍摄到的实时道路场景图像；

将实时道路场景图像输入改进后的CenterNet模型中，输出多任务合并后的分析检测结果图像；

其中，改进后的所述CenterNet模型包括检测头，所述检测头包括并行处理任务的目标检测头、语义分割头和姿态估计头，所述目标检测头用于预测每个目标的中心点，进一步回归得到目标对应的矩形检测框；所述语义分割头使用softmax 层对特征图的每个像素点进行所有类别对应概率预测，从而进行语义分割；所述姿态估计头用于提取特征图中人体关节点进行估计人类姿态。

2.根据权利要求1所述的自动驾驶多任务场景分析方法，其特征在于，改进后的所述CenterNet模型还包括编码器和主干网络，所述编码器用于将图像缩小到能够直接输入主干网络，所述编码器包括两个下采样层，下采样使用步长为2的最大池化层实现；所述主干网络用于为检测头输出特征图。

3.根据权利要求1所述的自动驾驶多任务场景分析方法，其特征在于，所述目标检测头的训练方法包括：根据道路场景数据集中的标注信息得到基于真实中心点的热力图Y，将热力图Y经过下采样后，得到基于中心点的真实热力图 ；

使用高斯核  对真实热力图Y进行处理，将高斯核 映射到热力图Y的每个目标中心点上，得到处理过的真实热力图Y，其中 为目标尺寸自适应标准差，x、y为高斯核函数中的坐标，c为目标类别， 为真实中心点坐标 的x轴坐标值，为真实中心点坐标 的y轴坐标值；

根据处理过的真实热力图Y与预先检测到的热力图 训练目标检测头，包括：预先检测到的热力图 的损失函数采用Focal loss，记为 ，公式如下：；

其中，α和β是Focal loss的超参数， Ncenter是图像I中的中心点数量， 是预测到的中心点热力图上坐标(x,y)关于类别c中心点的预测值，Yxyc是真实热力图上坐标(x,y)关于类别c中心点的值；

采用L1 loss作为中心点偏移量的损失函数预测下采样导致的中心点偏移量，记为，公式如下：；

其中， 为预测的目标中心点偏移量；

在下采样后的数据集图片中，设 是类别c的第k个目标的检测框，计算得到目标k的尺寸为 ,尺寸的损失函数采用L1 loss，记为 ，公式如下：

；

其中， 是预测的目标尺寸大小，所有类别目标共享。

4.根据权利要求1所述的自动驾驶多任务场景分析方法，其特征在于，所述姿态估计头的训练方法包括：根据道路场景数据集中的标注信息得到真实人体关节点的热力图；

将得到的真实人体关节点的热力图经过下采样后，得到处理后的真实人体关节点的热力图 ，根据处理后的真实人体关节点的热力图 ，得到原始图像中关节点坐标为 ，图像经过下采样后关节点坐标转换为 ；

根据得到处理过的真实人体关节点的热力图 与预先检测到的人体关节点热力图  ，对姿态估计头进行训练,包括：使用Focal loss作为人体关节点热力图损失函数，公式为：；

其中，α为超参数， 表示下采样后的原始图像上坐标为(x,y)的点是否存在关节点，存在则为 ，反之不为1；Nkeypoint为图像I中的关节点数量；

用于训练关节点偏移量的损失函数为L1 loss，公式为：；

其中， 为预测的目标中心点偏移量；

若预测的关节点在人类目标检测框内，则保留该关节点，否则省略；同时省略置信度小于0.1的关键点，将在同一个人类目标检测框内的关节点合为一组，将关节点相连，则得到人体姿态的预测结果，完成姿态估计头训练。

5.根据权利要求1所述的自动驾驶多任务场景分析方法，其特征在于，所述语义分割头使用softmax loss作为损失函数，用 表示，公式如下：；

其中， 为点(x,y)真实的概率分布，Npixel为图像I的像素点总数。

6.根据权利要求1所述的自动驾驶多任务场景分析方法，其特征在于，所述CenterNet模型的函数公式为：；

其中， 为目标检测头中的中心点热力图损失函数， 为目标检测头中的目标检测框大小损失函数， 为目标检测头中的中心点偏移量损失函数； 为姿态估计头中的人体关节点热力图损失函数， 为姿态估计头中的人体关节点偏移量损失函数；

为语义分割头中的像素点类别概率分布训练函数； 为目标检测框大小损失函数的权重， 为像素点类别概率分布训练函数的权重。

7.根据权利要求1所述的自动驾驶多任务场景分析方法，其特征在于，改进后的所述CenterNet模型的训练方法包括：构建初始CenterNet模型；

采集道路场景图像，创建道路场景数据集；

对道路图像中的每一个目标进行标注，获得其位置、类别信息，对行人目标进行关键点标注，关键点位置为行人的关节处，对图像进行预处理，并将数据集分为训练集和验证集；

将训练集和验证集输入改进后的CenterNet模型进行训练，等待训练完成，得到改进后的CenterNet模型。

8.根据权利要求2所述的自动驾驶多任务场景分析方法，其特征在于，所述主干网络为DLA‑34网络。

9.根据权利要求2所述的自动驾驶多任务场景分析方法，其特征在于，所述编码器用于将512*512像素大小的数据集图像缩小到128*128的像素大小的图像。

10.一种自动驾驶多任务场景分析系统，其特征在于，所述系统包括：获取模块，获取自动驾驶系统拍摄到的实时道路场景图像；

检测模块，将实时道路场景图像输入改进后的CenterNet模型中，输出多任务合并后的分析检测结果图像；

其中，改进后的所述CenterNet模型包括检测头，所述检测头包括并行处理任务的目标检测头、语义分割头和姿态估计头，所述目标检测头用于预测每个目标的中心点，进一步回归得到目标对应的矩形检测框；所述语义分割头使用softmax 层对特征图的每个像素点进行所有类别对应概率预测，从而进行语义分割；所述姿态估计头用于提取特征图中人体关节点进行估计人类姿态。