[發明專利]一種基于目標檢測的下邊緣檢測模型的訓練方法、模型和存儲介質

在審

• 申請號: 201910158356.0
• 申請日: 2019-03-01
• 公開（公告）號: CN110148148A
• 公開（公告）日: 2019-08-20
• 發明（設計）人: 張濟智;吳子章;唐銳;王凡
• 申請（專利權）人: 北京縱目安馳智能科技有限公司
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06K9/00;G06K9/34
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種基于目標檢測的下邊緣檢測模型的訓練方法、模型和存儲介質，獲取樣本圖像，將所述樣本圖像輸入預先建立的初始神經網絡模型；利用所述樣本圖像訓練所述初始神經網絡模型，先將樣本圖像輸入基礎神經網絡模型得到目標檢測的實例分割結果，再將目標檢測的實例分割結果輸入高度圖神經網絡模型，再由高度圖轉換得到目標下邊緣檢測結果；將執行過程中目標下邊緣檢測模型輸出的結果與各個所述目標下邊緣檢測標注線比較；獲得比較結果；根據所述比較結果調整所述目標下邊緣檢測模型中的損失函數，使得所述目標下邊緣檢測模型的損失函數最小。

技術領域

本發明涉及汽車電子技術領域，特別是涉及一種基于目標檢測的下邊緣檢測模型的訓練方法、模型和存儲介質。

背景技術

圖像是人們從客觀世界獲取信息的重要來源，圖像信息最主要來自其邊緣和輪廓。所謂邊緣是指其周圍像素灰度急劇變化的那些象素的集合，它存在于目標、背景和區域之間。圖像邊緣檢測是圖像處理中的一個重要內容和步驟。

近年來，隨著人們對自動駕駛的需求增加，自主泊車系統已成為一個深入研究的課題，但在泊車過程中，獲取到當前行駛區域內的車輛、行人、障礙物等目標的下底邊，然后計算無人駕駛車輛與其他目標的下底邊距離，對于車輛的行駛軌跡預測與車身控制起到重要的作用。

傳統的邊緣檢測算法如微分算子法、最優算子法等算法是利用梯度最大值或二階導數過零點值來獲取圖像邊緣的。這些算法盡管實時性較好，但抗干擾性差，不能有效克服噪聲影響導致圖像降噪后邊緣變得模糊，無法在多尺度下對圖像邊緣進行提取導致定位方面欠佳。

發明內容

為了解決上述的以及其他潛在的技術問題，本發明提供了一種種基于目標檢測的下邊緣檢測模型的訓練方法、模型和存儲介質，通過基礎神經網絡、高度圖神經網絡和下邊緣神經網絡分別對每一部分進行同步分段訓練，節省計算耗時，提高了神經網絡的訓練速度，不同神經網絡使用適合該分段訓練的損失函數，提高了每一段神經網絡的精度，高度圖神經網絡部分以均方誤差損失函數為損失函數的修正。

一種目標檢測的下邊緣檢測模型的訓練方法，包括以下步驟：

獲取樣本圖像，所述樣本圖像標注有實例分割結果，所述實例分割結果中包括目標檢測框；

將所述樣本圖像輸入預先建立的初始神經網絡模型；

利用所述樣本圖像訓練所述初始神經網絡模型，所述初始神經網絡模型中包括基礎神經網絡模型、高度圖神經網絡模型和下邊緣網絡模型，先將樣本圖像輸入基礎神經網絡模型得到目標檢測的實例分割結果，再將目標檢測的實例分割結果輸入高度圖神經網絡模型，再由高度圖轉換得到目標下邊緣檢測結果；

將執行過程中目標下邊緣檢測模型輸出的結果與各個所述目標下邊緣檢測標注線比較；獲得比較結果；

根據所述比較結果調整所述目標下邊緣檢測模型中的損失函數，使得所述目標下邊緣檢測模型的損失函數最小。

進一步地，所述損失函數使用基于距離度量的回歸問題損失函數。

進一步地，所述基于距離度量的回歸問題損失函數使用均方誤差損失函數、平均絕對值誤差損失函數、平滑的平均絕對誤差損失函數、Log-Cosh損失函數、分位數損失函數中的一種或幾種。

進一步地，所述基于距離度量的回歸問題損失函數使用均方誤差損失函數：

其中為目標物體下邊緣的預測值，其中yi為目標物體下邊緣的標定值。

進一步地，所述目標物體下邊緣的預測值形狀為1*W，所述目標物體下邊緣的標定值1*W。

進一步地，所述目標下邊緣檢測框包含以下要素：

1)分割捕獲圖像中不同語義的部分，獲得目標檢測框中所屬語義分割的類別要素；