[發(fā)明專利]駕駛過程感興趣區(qū)域檢測方法及裝置

有效

• 申請?zhí)枺?/td>: 201810852672.3
• 申請日: 2018-07-27
• 公開（公告）號: CN109101908B
• 公開（公告）日: 2020-12-25
• 發(fā)明（設計）人: 鄭鯤;孫光民;魏孟飛;李沈輝;翁羽
• 申請（專利權）人: 北京工業(yè)大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 唐維虎

本發(fā)明提供了一種駕駛過程感興趣區(qū)域檢測方法及裝置，涉及視頻檢測技術領域，該方法利用深度學習方法對訓練檢測庫進行訓練，生成第一檢測器；基于第一檢測器獲得第一有用信息，基于第一有用信息進行訓練，生成第二檢測器；基于駕駛任務驅動的感興趣區(qū)域進行訓練，生成第三檢測器；基于第三檢測器獲得第三有用信息，基于第三有用信息進行訓練，生成第四檢測器；合并第二檢測器與第四檢測器生成第五檢測器。通過融合駕駛任務驅動與道路數據的感興趣區(qū)域檢測方法，緩解了駕駛任務驅動模型對視覺信息處理速度相對較慢的問題，解決了道路數據驅動模型不適用于復雜低速路模型的技術問題，提高了無人駕駛及輔助駕駛系統(tǒng)的有效預警，降低事故發(fā)生率。

技術領域

本發(fā)明涉及視頻檢測技術領域，尤其是涉及一種駕駛過程感興趣區(qū)域檢測方法及裝置。

背景技術

駕駛員操作疏忽、決策失誤等原因是造成交通事務的主要原因，此類交通事故往往導致大量的人身傷害和財產損失，如果能夠及時、準確、有效的對駕駛員預警提示，就可以在很大程度上避免此類事故的發(fā)生。基于車站視頻圖像的車輛檢測及行人檢測被廣泛應用于無人駕駛及車輛輔助駕駛系統(tǒng)，成為主要的預警目標檢測方法之一。通常，基于視頻圖像的車輛檢測和行人檢測分為駕駛任務驅動和道路數據驅動兩大類：

駕駛任務驅動的視覺注意模型是根據來自具體駕駛任務的先驗信息，預先建立駕駛員的視覺期望，將期望目標從道路圖像中分離出來，在道路圖像或道路視頻場景中完成感興趣區(qū)域選取，進而對該感興趣區(qū)域進行后續(xù)的處理。

道路數據驅動的視覺注意模型，駕駛員從場景中的信息開始，外部道路場景信息源對駕駛員的眼睛進行刺激，駕駛員的眼睛對不同的道路場景信息進行重新組合加工進行處理。這種注意模型沒有駕駛員先驗信息的指導，也沒有特定的駕駛任務，處理速度比較快。道路數據驅動注意模型屬于自底向上視覺注意模型，具有數據驅動和自主加工兩大特點。

相對于道路數據驅動機制，駕駛任務驅動注意機制對視覺信息的處理速度相對較慢。

道路數據驅動注意模型的注意機制不需要運用人的意識來控制其處理過程，不需要先驗信息和預期期望，未加入主觀意識。傳統(tǒng)道路數據驅動的視覺注意與顯著性區(qū)域描述部分的適用于高速路比較簡單路況下駕駛員視覺注意，而在比較復雜的低速路上并不完全適用。

因此，以上兩種都不能為駕駛員提供及時、有效的駕駛提示，在復雜路況下，視覺注意與顯著性區(qū)域描述不準確，在無人駕駛及車輛輔助駕駛等對安全性要求較高的場合，難以提供及時、準確的預警信息。

發(fā)明內容

有鑒于此，本發(fā)明的目的在于提供一種駕駛過程感興趣區(qū)域檢測方法及裝置，以緩解駕駛任務驅動注意模型對視覺信息處理速度相對較慢的技術問題，解決道路數據驅動注意模型不適用于比較復雜的低速路模型的技術問題，提高無人駕駛及車輛輔助駕駛系統(tǒng)中的有效預警，降低事故發(fā)生率。

第一方面，本發(fā)明實施例提供了一種駕駛過程感興趣區(qū)域檢測方法，包括：

利用深度學習方法對訓練檢測庫進行訓練，生成第一檢測器，所述第一檢測器用于檢測數據驅動顯著性目標；

基于所述第一檢測器獲得第一有用信息，基于所述第一有用信息進行訓練，生成第二檢測器，所述第二檢測器用于檢測數據驅動感興趣區(qū)域目標；

基于駕駛任務驅動的感興趣區(qū)域進行訓練，生成第三檢測器，所述第三檢測器用于檢測任務驅動感興趣區(qū)域目標；

基于所述第三檢測器獲得第三有用信息，基于所述第三有用信息進行訓練，生成第四檢測器，所述第四檢測器用于檢測任務驅動感興趣區(qū)域顯著性目標；

合并所述第二檢測器與所述第四檢測器生成第五檢測器，所述第五檢測器用于檢測駕駛任務與道路數據融合的感興趣區(qū)域。