[發(fā)明專利]面向邊線的車輛定位方法和系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910169386.1
• 申請(qǐng)日: 2019-03-06
• 公開（公告）號(hào): CN109993066B
• 公開（公告）日: 2021-05-14
• 發(fā)明（設(shè)計(jì)）人: 祁亞斐;劉建軍
• 申請(qǐng)（專利權(quán)）人: 開易（北京）科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62
• 代理公司: 北京知果之信知識(shí)產(chǎn)權(quán)代理有限公司 11541
• 代理人: 唐海力;李志剛

本發(fā)明實(shí)施例公開一種面向邊線的車輛定位方法和系統(tǒng)，其中方法包括如下步驟：以初定位框的各定位邊線為中心在原輛圖像數(shù)據(jù)中提取多尺度的區(qū)域圖像數(shù)據(jù)，其中，初定位框可以為定位修訂前在所述原車輛圖像數(shù)據(jù)中標(biāo)注所述當(dāng)前定位車輛位置的矩形框，再獲取所提取的多尺度的區(qū)域圖像數(shù)據(jù)的多尺度HOG特征信息；對(duì)所述多尺度HOG特征信息進(jìn)行回歸訓(xùn)練；根據(jù)所述回歸訓(xùn)練的回歸值修正所述初定位框的各定位邊線在所述原輛圖像數(shù)據(jù)中的位置。采用本發(fā)明，通過(guò)優(yōu)化壓縮深度卷積神經(jīng)網(wǎng)絡(luò)算法模型，提取多尺度的HOG特征信息進(jìn)行回歸訓(xùn)練，可以滿足實(shí)現(xiàn)車輛檢測(cè)的實(shí)時(shí)性要求，提高檢測(cè)精度。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)檢測(cè)的邊框定位技術(shù)領(lǐng)域，尤其涉及一種面向邊線的車輛定位方法和系統(tǒng)。

背景技術(shù)

邊框定位(Localization)是計(jì)算機(jī)視覺領(lǐng)域目標(biāo)檢測(cè)(Object Detection)任務(wù)的重要內(nèi)容，做法是通過(guò)矩形邊框(Bounding Box)標(biāo)定被檢測(cè)目標(biāo)所在位置，邊框的定位精度是目標(biāo)檢測(cè)算法的重要評(píng)價(jià)指標(biāo)，尤其是在高級(jí)駕駛輔助系統(tǒng)(Advanced DriverAssistance Systems，ADAS)中，車輛目標(biāo)檢測(cè)的邊框精度決定了ADAS系統(tǒng)的車距檢測(cè)及警告(Headway Monitoring Warning，HMW)、前車防撞預(yù)警系統(tǒng)(Forward Collision WarningSystem，F(xiàn)CWS)等車輛檢測(cè)模塊的優(yōu)劣程度。

現(xiàn)有技術(shù)中，通常采用傳統(tǒng)的機(jī)器視覺算法進(jìn)行目標(biāo)檢測(cè)的邊框定位，但傳統(tǒng)機(jī)器視覺算法通常魯棒性較差，精度不高，且對(duì)車輛的特征信息依賴性較強(qiáng)，難以在低算力的嵌入式設(shè)備實(shí)時(shí)運(yùn)行。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種面向邊線的車輛定位方法和系統(tǒng)，通過(guò)優(yōu)化壓縮深度卷積神經(jīng)網(wǎng)絡(luò)算法模型，提取多尺度的HOG特征信息進(jìn)行回歸訓(xùn)練，可以滿足實(shí)現(xiàn)車輛檢測(cè)的實(shí)時(shí)性要求，提高檢測(cè)精度。

本發(fā)明實(shí)施例第一方面提供了一種面向邊線的車輛定位方法，可包括：

以初定位框的各定位邊線為中心在原輛圖像數(shù)據(jù)中提取多尺度的區(qū)域圖像數(shù)據(jù)，所述初定位框可以為定位修訂前在所述原車輛圖像數(shù)據(jù)中標(biāo)注所述當(dāng)前定位車輛位置的矩形框；

獲取所提取的多尺度的區(qū)域圖像數(shù)據(jù)的多尺度HOG特征信息；

對(duì)所述多尺度HOG特征信息進(jìn)行回歸訓(xùn)練；

根據(jù)所述回歸訓(xùn)練的回歸值修正所述初定位框的各定位邊線在所述原輛圖像數(shù)據(jù)中的位置。

在一種可能的設(shè)計(jì)中，上述定位方法還包括：

基于目標(biāo)檢測(cè)算法獲取當(dāng)前定位車輛的原車輛圖像數(shù)據(jù)中針對(duì)車輛邊線的初定位框。

在一種可能的設(shè)計(jì)中，上述定位方法還包括：

將所述目標(biāo)檢測(cè)算法中的目標(biāo)常量參數(shù)化為相應(yīng)的可變參數(shù)；

基于所述可變參數(shù)優(yōu)化壓縮所述目標(biāo)檢測(cè)算法。

在一種可能的設(shè)計(jì)中，在以初定位框的各定位邊線為中心在原輛圖像數(shù)據(jù)中提取多尺度的區(qū)域圖像數(shù)據(jù)時(shí)，上述定位方法還包括：

以初定位框的各定位邊線為中心在原輛圖像數(shù)據(jù)中提取原尺度區(qū)域圖像數(shù)據(jù)；

基于縮放因子獲取所述原尺度區(qū)域圖像數(shù)據(jù)對(duì)應(yīng)的多尺度區(qū)域圖像數(shù)據(jù)。

在一種可能的設(shè)計(jì)中，上述定位方法還包括：

采用隨機(jī)森林回歸器對(duì)所述多尺度HOG特征信息進(jìn)行回歸訓(xùn)練。

本發(fā)明實(shí)施例第二方面提供了一種面向邊線的車輛定位系統(tǒng)，可包括：