1.一种基于残差神经网络的道路提取方法，包括以下步骤：

步骤1：基于残差神经网络，同时结合空洞卷积模块，提取更高维的特征信息；

步骤2：采用多尺度特征融合的方法，学习更多低维和高维的特征，从而分割出准确的道路结构。

2.根据权利要求1所述的基于残差神经网络的道路提取方法，其特征在于：步骤1中，采用ResNet34作为预训练编码器，接收的图像尺寸设置为500×500，网络深度设置为五层，开始输入的特征维度为500×500×3，第一层使用7×7Convolution操作，得到特征维度输出

256×256×64，剩下的每一层都要经过Max Pooling和Res-block操作；第二层经过Max Pooling和3个ResNet-block操作得到特征维度输出128×128×64，第三层经过Max Pooling和4个ResNet-block得到特征维度输出64×64×128，第四层经过Max Pooling和6个ResNet-block得到特征维度输出32×32×256，第五层经过Max Pooling操作得到16×16×512的特征维度输出；对于后四层的输出结果将经过Skip Connection与同层的解码器部分相连接，进行多尺度的特征融合，得到不同维度的语义信息。

3.根据权利要求1所述的基于残差神经网络的道路提取方法，其特征在于：步骤1中，所述空洞卷积模块包含五个并联分支，其中全局池化分支，没有进行卷积操作，不改变感受野的大小；其余四个分支空洞卷积率将逐次增加，每条分支空洞卷积率分别设置为1、2、4、8；

感受野的计算公式为：

S＝k+(k-1)(n-1)               (1)

其中，k表示卷积核大小，默认设置为3，n表示空洞卷积率。

4.根据权利要求1所述的基于残差神经网络的道路提取方法，其特征在于：步骤1中，选择双线性插值的方法恢复解码器中更高维度的特征；解码器模块包括1×1Convolution、Bilinear-Interpolation、1×1Convolution，三部分进行串联作用于整个解码部分。

5.根据权利要求1-4任意一项所述的基于残差神经网络的道路提取方法，其特征在于：步骤2中，所述采用多尺度特征融合的方法，每层编码器对图像中的道路特征进行编码，经过编码后的特征通过跳连传递到同层的解码器进行特征融合，该层的解码器还将接收上一层的解码器传递进来的特征，用于减少特征损失，提高道路获取的准确率；除此之外，采用损失函数应用在第五层解码器之后，用于反映道路获取模型的好坏，训练损失越小就表示预测结果越接近真实的标签图片；所述损失函数分为两部分，分别为BCEL和DCL，两者之和作为训练的总损失；

BCEL损失函数定义为：

其中，Prei表示第i张预测图像，GTi表示第i张标签图片，gti,j表示GT图像第i,j位置的像素值，Prei,j表示预测图片Pre第i,j位置的像素值，W表示图片的宽度，H表示图片的高度；

DCL损失函数定义味：

其中，Prei表示第i张预测图片，GTi表示第i张标签图片，N表示Batch Size；

总的损失函数Loss为：

Loss＝DCL+BCEL                (4)。