[發(fā)明專利]圖像檢測方法、裝置及計(jì)算機(jī)可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810034651.0
• 申請日: 2018-01-15
• 公開（公告）號: CN108376235A
• 公開（公告）日: 2018-08-07
• 發(fā)明（設(shè)計(jì)）人: 劉新;宋朝忠;郭烽;周曉帆
• 申請（專利權(quán)）人: 深圳市易成自動駕駛技術(shù)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 深圳市世紀(jì)恒程知識產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 胡海國;魏蘭

本發(fā)明公開了一種圖像檢測方法。該方法包括：獲取訓(xùn)練樣本，訓(xùn)練樣本為對經(jīng)標(biāo)注的包含車輛和行人的圖像數(shù)據(jù)進(jìn)行擴(kuò)充后得到的；對訓(xùn)練樣本中提取出的第一特征進(jìn)行分類并得到第一檢測框坐標(biāo)；根據(jù)分類結(jié)果、第一檢測框坐標(biāo)及真實(shí)分類信息和真實(shí)檢測框坐標(biāo)信息通過預(yù)設(shè)算法計(jì)算得到總損失；根據(jù)總損失通過梯度下降算法對卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行更新，并對訓(xùn)練數(shù)據(jù)進(jìn)行迭代訓(xùn)練得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型；獲取包含車輛和行人的待檢測圖像，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型檢測得到對應(yīng)的車輛和行人信息。本發(fā)明還公開了一種圖像檢測裝置及計(jì)算機(jī)可讀存儲介質(zhì)。本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)模型檢測圖像中的車輛和行人信息，可提高圖像檢測的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像檢測技術(shù)領(lǐng)域，尤其涉及一種圖像檢測方法、裝置及計(jì)算機(jī)可讀存儲介質(zhì)。

背景技術(shù)

隨著交通事故的頻繁發(fā)生與人們對智能汽車技術(shù)的日益關(guān)注，汽車智能輔助駕駛系統(tǒng)的研究與應(yīng)用正在飛速發(fā)展，而車輛環(huán)境感知系統(tǒng)是汽車智能輔助駕駛系統(tǒng)的關(guān)鍵，其中周圍車輛和行人的識別是環(huán)境感知系統(tǒng)的最為重要組成部分之一。獲取周圍的車輛或行人信息，可以為自適應(yīng)巡航系統(tǒng)與自動緊急剎車系統(tǒng)等主動安全技術(shù)提供有力的技術(shù)。

目前，對于周圍車輛和行人的識別主要是通過攝像機(jī)獲取車輛周圍環(huán)境的圖像，然后通過圖像檢測技術(shù)識別圖像中的車輛或行人信息。而現(xiàn)有的圖像檢測方法一般都基于手工設(shè)計(jì)特征的檢測模型對圖像中的車輛和行人信息進(jìn)行檢測，這種方法前期需要對圖像進(jìn)行復(fù)雜的預(yù)處理，還需要人為設(shè)計(jì)特征，其設(shè)計(jì)較為復(fù)雜，通用性不佳，且圖像檢測的準(zhǔn)確率較差。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種圖像檢測方法、裝置及計(jì)算機(jī)可讀存儲介質(zhì)，旨在提高圖像檢測的準(zhǔn)確率。

為實(shí)現(xiàn)上述目的，本發(fā)明提供一種圖像檢測方法，所述圖像檢測方法包括：

獲取訓(xùn)練樣本，所述訓(xùn)練樣本為對經(jīng)標(biāo)注的包含車輛和行人的圖像數(shù)據(jù)進(jìn)行擴(kuò)充后得到的；

提取所述訓(xùn)練樣本的第一特征，對所述第一特征進(jìn)行分類，并根據(jù)所述第一特征對應(yīng)的坐標(biāo)信息得到對應(yīng)的第一檢測框坐標(biāo)；

根據(jù)分類結(jié)果、所述第一檢測框坐標(biāo)及所述訓(xùn)練樣本的真實(shí)分類信息和真實(shí)檢測框坐標(biāo)信息，通過預(yù)設(shè)算法計(jì)算得到總損失；

根據(jù)所述總損失通過梯度下降算法對卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行更新,并對所述訓(xùn)練樣本進(jìn)行迭代訓(xùn)練，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型；

獲取包含車輛和行人的待檢測圖像，并利用所述訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型檢測得到所述待檢測圖像的車輛和行人信息。

可選地，所述提取所述訓(xùn)練樣本的第一特征，對所述第一特征進(jìn)行分類，并根據(jù)所述第一特征對應(yīng)的坐標(biāo)信息得到對應(yīng)的第一檢測框坐標(biāo)的步驟之前，包括：

基于遷移學(xué)習(xí)的方法從預(yù)設(shè)多分類模型中獲得對應(yīng)的原始特征提取網(wǎng)絡(luò)模型，并根據(jù)所述原始特征提取網(wǎng)絡(luò)模型構(gòu)建所述卷積神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述提取所述訓(xùn)練樣本的第一特征，對所述第一特征進(jìn)行分類，并根據(jù)所述第一特征對應(yīng)的坐標(biāo)信息得到對應(yīng)的第一檢測框坐標(biāo)的步驟，包括：

利用所述卷積神經(jīng)網(wǎng)絡(luò)模型生成與所述訓(xùn)練樣本對應(yīng)的第一原始特征圖，并根據(jù)所述第一原始特征圖得到包含有車輛和/或行人的第一區(qū)域坐標(biāo)；

根據(jù)所述第一區(qū)域坐標(biāo)和第一原始特征圖獲得對應(yīng)的第一感興趣區(qū)域，并提取所述第一感興趣區(qū)域的第一特征；

對所述第一特征進(jìn)行分類，并根據(jù)所述第一特征對應(yīng)的坐標(biāo)信息得到對應(yīng)的第一檢測框坐標(biāo)。

可選地，所述根據(jù)分類結(jié)果、所述第一檢測框坐標(biāo)及所述訓(xùn)練樣本的真實(shí)分類信息和真實(shí)檢測框坐標(biāo)信息，通過預(yù)設(shè)算法計(jì)算得到總損失的步驟，包括：

根據(jù)第一分類結(jié)果和所述訓(xùn)練樣本的真實(shí)分類信息計(jì)算得到分類損失；