1.基于全卷积神经网路的道路场景分割方法，其特征在于，包括如下步骤：步骤1，利用改进的KSW二维阈值及遗传算法对原始道路场景图像进行中值滤波处理获得训练集，包括如下子步骤；

步骤1a，首先设定KSW二维阈值及遗传算法中的初始种群数，采用16位二进制来表示阈值矢量，前8位二进制码表示阈值s，后8位二进制码表示阈值t；构造适应度函数如式(1)所示：式中s*表示前8位编码最佳阈值，t*表示后8位编码最佳阈值，H(s,t)表示二维信息熵；

步骤1b，然后将适应度较大的个体的比例直接遗传到下一代，再通过轮赌法选择个体；

并设置交叉算子如式(2)所示，

其中，k表示算法的搜索代数；

步骤1c，将进化过程分为初期、中期和后期三个阶段，每个阶段采用不同变异概率，具体变异算子的设置如式(3)所示，其中，k表示算法的搜索代数；

步骤1d，将新一代的二维阈值输入适应度函数，如果满足函数，则确定该二维阈值对原始道路场景图像进行滤波，如果不满足函数，则返回重新编码、交叉、变异得到下一代种群，直到得到最优二维阈值，然后利用最优二维阈值来对原始道路场景图像进行中值滤波得到训练集；

步骤2，构建全卷积神经网络框架，网络层次包括：卷积层8层，池化层6层，反卷积层1层，其中卷积层采用Relu函数作为激活函数，池化层采用最大池化的方法，卷积层输入输出关系如式(4)所示；反卷积输入输出关系如式(5)所示：O'＝s(i'-1)+k-2p  (5)

式中s为步长，k为反卷积核尺寸，p为每个维度相同的填充，i和o为卷积运算的输入输出，i'和O'为反卷积运算输入和输出；

步骤3，将步骤1得到训练样本和通过人眼识别判断标识的人工分割图像作为全卷积神经网络的输入数据，训练得到鲁棒性较高、准确度较好的深度学习神经网络分割模型；

步骤4，将待分割的道路场景图像测试数据引入训练好的深度学习神经网络分割模型，得到最后的分割结果。

2.如权利要求1所述的基于全卷积神经网路的道路场景分割方法，其特征在于：步骤1a中KSW二维阈值及遗传算法中的初始种群数根据训练样本的大小设定。

3.如权利要求1所述的基于全卷积神经网路的道路场景分割方法，其特征在于：步骤3中选取FCN-32s权重构建全卷积神经网络框架。