[發明專利]對車輛周圍的弱勢交通參與者進行分類的方法和裝置

在審

• 申請號: 202011121248.5
• 申請日: 2020-10-19
• 公開（公告）號: CN112270232A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 郭子杰;支蓉
• 申請（專利權）人: 戴姆勒股份公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 北京永新同創知識產權代理有限公司 11376
• 代理人: 蔡勝利

1.一種對車輛周圍的弱勢交通參與者進行分類的方法，所述方法包括：

獲取車輛周圍的環境圖像；

從環境圖像中分割出至少一個子圖像，其中，所述至少一個子圖像中的每個子圖像包括單個弱勢交通參與者，其中，弱勢交通參與者表示暴露于車輛周圍環境中的人；

通過預先訓練的神經網絡對所述至少一個子圖像中的所有弱勢交通參與者進行分類；

根據分類結果確定所有弱勢交通參與者的職業類型。

2.根據權利要求1所述的方法，其中，通過預先訓練的神經網絡對所述至少一個子圖像中的所有弱勢交通參與者進行分類的步驟包括：

針對作為所述神經網絡的輸入數據的所述至少一個子圖像中的每個子圖像：

通過所述神經網絡的像素信息提取層，獲取所述子圖像的像素信息；

通過所述神經網絡的特征提取層，根據獲取的像素信息提取所述子圖像的特征；

通過所述神經網絡的分類層，根據提取的特征確定作為分類結果的輸出數據，其中，所述神經網絡的輸出數據表示所述子圖像中的弱勢交通參與者屬于所述神經網絡進行分類的所有職業類型中的每個職業類型的概率，

其中，根據分類結果確定所有弱勢交通參與者的職業類型的步驟包括：

將輸出數據中具有最高概率的職業類型確定為所述弱勢交通參與者的職業類型。

3.根據權利要求2所述的方法，其中，獲取所述子圖像的像素信息的步驟包括：

根據特征提取層的分辨率，對所述子圖像的分辨率進行調整，以獲得調整子圖像；

獲取所述調整子圖像的每個顏色通道的像素值向量；

對獲取的所有像素值向量中的每個元素進行歸一化，以獲得作為像素信息的與所有像素值向量分別對應的歸一化向量，

其中，所述神經網絡的特征提取層根據獲得的歸一化向量通過卷積函數，提取以特征向量表示的所述子圖像的特征，

其中，所述神經網絡的分類層根據提取的特征向量和分類層的權重向量，來確定輸出數據。

4.根據權利要求3所述的方法，其中，通過如下方式訓練所述神經網絡：

將訓練數據作為輸入數據輸入到預定神經網絡，其中，所述訓練數據包括訓練圖像和對應的標記職業類型，所述訓練圖像為包括單個弱勢交通參與者的圖像；

獲取所述預定神經網絡的輸出數據，其中，所述預定神經網絡的輸出數據表示所述預定神經網絡確定的訓練圖像中的弱勢交通參與者被分類為所有職業類型中的每個職業類型的概率；

通過損失函數確定所述預定神經網絡的輸出數據與標記職業類型之間的差異，以調整所述預定神經網絡的特征提取層的卷積核以及分類層的權重向量；

使用下一訓練數據和已調整卷積核和權重向量的所述預定神經網絡，重復以上步驟，直到滿足預定停止條件為止，

其中，所述預定停止條件根據以下項中的至少一項來確定：所述預定神經網絡進行分類的準確率、所述預定神經網絡進行分類的召回率、訓練圖像中的弱勢交通參與者是否被遮擋以及訓練次數。

5.根據權利要求4所述的方法，其中，分類層為softmax分類器層，其中，通過以下等式表示輸出數據：

A＝softmax(Z)＝softmax(W^TX+b)

其中，A為表示輸出數據的向量，其中，A中的各個元素表示相應弱勢交通參與者被分類為相應元素位置對應的職業類型的概率，W為權重向量，X為與相應特征向量的對應的向量，b為預定偏移向量，Z為表示W^TX+b的向量，Z與A的維數相同，其中，通過如下等式計算A中的第j個元素A_j，

其中，Z_j表示向量Z中的第j個元素，j≤m，m表示所有職業類型的數量，j和m均為自然數。

6.根據權利要求5所述的方法，其中，所述損失函數為通過如下等式表示的交叉熵損失函數：

其中，loss_CE為表示所述差異的交叉熵損失函數的輸出量，表示與A_j對應的標記職業類型中的相應值。