[發(fā)明專利]前方車輛尾部近端跟蹤識別的方法和裝置

在審

• 申請?zhí)枺?/td>: 201811207394.2
• 申請日: 2018-10-16
• 公開（公告）號: CN109522800A
• 公開（公告）日: 2019-03-26
• 發(fā)明（設計）人: 牟華英
• 申請（專利權）人: 廣州鷹瞰信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 佛山幫專知識產權代理事務所(普通合伙) 44387
• 代理人: 顏德昊

1.一種前方車輛尾部近端跟蹤識別的方法，其特征在于，包括：

步驟1，獲取預定數量幀的車尾圖像作為預設的訓練回歸模型的樣本并輸入訓練回歸模型；

步驟2，獲取圖像樣本中的車輛位置后計算車輛寬高比；

步驟3，截取圖像樣本中待回歸車輛車尾的左邊邊沿樣本截圖、右邊邊沿樣本截圖和上端邊沿樣本截圖；

步驟4，將步驟3截取到的圖像縮放至預設的尺寸；

步驟5，利用卷積神經網絡計算得到車輛左邊邊沿、車輛右邊邊沿和車輛上端邊沿的回歸結果；

步驟6，根據車輛左邊邊沿、車輛右邊邊沿和車輛上端邊沿的回歸結果，結合車輛寬高比來計算獲得車輛底部的預測結果。

2.如權利要求1所述前方車輛尾部近端跟蹤識別的方法，其特征在于，步驟2包括：通過目標檢測獲取圖像樣本中的車輛位置后按公式rate_hw＝h/w計算車輛寬高比rate_hw；其中，h表示車輛高度，w表示車輛寬度。

3.如權利要求2所述前方車輛尾部近端跟蹤識別的方法，其特征在于，步驟3包括：

步驟31，按照以車尾中線為分割線且車輛外部的路面情況與車身比例在15％～45％之間的要求來截取車尾左半部的圖像獲得左邊邊沿樣本截圖；

步驟32，按照以車尾中線為分割線且車輛外部的路面情況與車身比例在15％～45％之間的要求來截取車尾右半部的圖像獲得右邊邊沿樣本截圖；

步驟33，按照以車尾中線為分割線且車輛外部的路面情況與車身比例在15％～45％之間的要求來截取車頂部分的圖像獲得上端邊沿樣本截圖。

4.如權利要求3所述前方車輛尾部近端跟蹤識別的方法，其特征在于，步驟5包括：利用卷積神經網絡使用回歸參數的計算公式計算得到車輛左邊邊沿、車輛右邊邊沿和車輛上端邊沿的回歸結果；

利用卷積神經網絡進行回歸時，使用的損失函數為：

使用的優(yōu)化目標函數為：

其中，G_x為標定邊沿位置，P_x為選取的位置，P_w為訓練圖像的原始寬度；損失函數中Y為實際值，f(x)為估計值；優(yōu)化目標函數中為正則項。

5.如權利要求4所述前方車輛尾部近端跟蹤識別的方法，其特征在于，步驟6包括：按照下面公式計算獲得車輛底部的預測結果，

y₁₂＝(x₁₂-x₁₁)×rate_hw+y₁₁

其中，x₁₁表示車輛左邊邊沿的回歸結果，x₁₂表示車輛上端邊沿的回歸結果，y₁₁表示車輛右邊邊沿的回歸結果，y₁₂表示車輛底部的預測結果。

6.一種前方車輛尾部近端跟蹤識別的裝置，其特征在于，包括：

樣本模塊，用于獲取預定數量幀的車尾圖像作為預設的訓練回歸模型的樣本并輸入訓練回歸模型；

第一計算模塊，用于獲取圖像樣本中的車輛位置后計算車輛寬高比；

截圖模塊，用于截取圖像樣本中待回歸車輛車尾的左邊邊沿樣本截圖、右邊邊沿樣本截圖和上端邊沿樣本截圖；

縮放模塊，用于將截圖模塊截取到的圖像縮放至預設的尺寸；

第二計算模塊，用于利用卷積神經網絡計算得到車輛左邊邊沿、車輛右邊邊沿和車輛上端邊沿的回歸結果；

預測模塊，用于根據車輛左邊邊沿、車輛右邊邊沿和車輛上端邊沿的回歸結果，結合車輛寬高比來計算獲得車輛底部的預測結果。

7.如權利要求6所述前方車輛尾部近端跟蹤識別的裝置，其特征在于，第一計算模塊具體用于通過目標檢測獲取圖像樣本中的車輛位置后，再按照公式rate_hw＝h/w計算車輛寬高比rate_hw；其中，h表示車輛高度，w表示車輛寬度。