[發明專利]分類器訓練方法

在審

• 申請號: 201711482401.5
• 申請日: 2017-08-08
• 公開（公告）號: CN109389142A
• 公開（公告）日: 2019-02-26
• 發明（設計）人: 胡振程;王艷明;孫皓
• 申請（專利權）人: 上海為森車載傳感技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京謹誠君睿知識產權代理事務所(特殊普通合伙) 11538
• 代理人: 陸鑫;延慧

本發明公開了一種分類器訓練方法，包括以下步驟：通過計算機圖形模型生成數據集，數據集包括多種場景類別的樣本；按照預定比例將數據集中的樣本隨機分配到訓練集、驗證集和測試集中；使用深度神經網絡訓練所述訓練集來得到多個初始模型；以及利用驗證集對多個初始模型進行驗證，得到具有最優參數的訓練模型。通過本發明的分類器訓練方法，可以提高分類器訓練的準確性并且減少分類器訓練的時間。

本申請是2017年8月8日提交的名稱為“分類器訓練方法”的申請號為201710670289.1的專利申請的分案申請。

技術領域

本發明涉及一種分類器訓練方法，尤其涉及一種應用于ADAS(advanced driverassistance system，駕駛員輔助系統)的分類器訓練方法。

背景技術

ADAS可定義為在駕駛過程中通過對車輛周邊環境的感知以及對駕駛員行為的理解來判斷出可能存在的危險，采用交互的方式給予駕駛員警告，從而可以減少交通事故的發生率，延長安全駕駛時間。基于圖像的ADAS系統具有成本低、安裝方便以及準確率高的優點。ADAS系統需要對行車過程中的交通參與物進行識別，從而判斷其對當前駕駛環境的影響。通常來說，行車過程中的交通參與物可分為：靜止交通參與物，如樹木、柵欄、交通標識牌、紅綠燈、車道線、固定障礙物等；移動交通參與物，如車輛、行人、自行車、助動車、動物、其他具有自身運動特性的物體。

ADAS系統需要對上述移動/靜止交通參與物與自車的運動情況進行分析，從而達到輔助駕駛的效果，其首要目標是對上述目標的檢測及識別。對于特定目標的檢測及識別可采用有監督的機器學習算法解決，其主要分為訓練和測試兩個流程。在訓練流程中需要將標注好的樣本輸入給機器，機器采用特定的算法并根據樣本訓練出最優的參數，給出分類模型；在測試過程中機器根據訓練好的模型和輸入的圖像對目標的位置及大小進行檢測。檢測效果直接受訓練樣本的影響，特別是ADAS應用環境的復雜性以及參與物的多樣性，大多時候訓練樣本對性能的影響甚至超過算法本身。

以車輛為例，需要識別的車輛類型眾多，包括：轎車、SUV、MPV、跑車、微卡、皮卡、大巴、中巴、掛車、罐車、貨車等。車輛行駛路面類型又可以分為：高速道路、城市道路、郊區道路以及自然環境等。車輛行駛環境又受各種光照及天氣情況的影響。因此，收集在各種天氣及自然環境下，各種路面信息的多種車輛樣本具有非常大的難度，另外考慮到采集樣本視角的需求，其需求的樣本數量將非常龐大，通常會達到數百萬甚至上億級別數量的樣本。如果采用人工標注的方式需要收集數量龐大的視頻數據，并從中手工標定出目標的真實大小及位置，將會帶來巨大的工作量和數據積累時間。

因此，需要能夠簡單快速地提供海量樣本并利用這些樣本訓練分類器以有效可靠地應用于ADAS的方法。

發明內容

本發明的目的在于提供一種可應用于ADAS的分類器訓練方法，其采用通過CG(computer graphics，計算機圖形)技術生成的針對選定目標物的不同場景條件的海量樣本。

根據本發明的實施例，提供了一種分類器訓練方法，包括以下步驟：通過計算機圖形模型生成數據集，數據集包括多種場景類別的樣本；使用深度神經網絡訓練數據集來得到訓練模型；測試訓練模型來得到各個場景類別的測試結果；將測試結果中最低正確率對應的場景類別的信息反饋給計算機圖形模型；計算機圖形模型修改與該場景類別對應的參數，生成關于該場景類別的新樣本；以及將新樣本添加到數據集中。注意，在訓練過程中，使用訓練集中所有場景下的樣本進行訓練來得到訓練模型，而非用各個場景下的樣本進行訓練來得到各個場景下的訓練模型。

其中，使用深度神經網絡訓練數據集來得到訓練模型包括：按照預定比例將數據集中的樣本隨機分配到訓練集、驗證集和測試集中；使用深度神經網絡訓練所述訓練集來得到多個初始模型；以及利用驗證集對多個初始模型進行驗證，得到具有最優參數的訓練模型。