[發明專利]用于目標朝向識別的目標檢測方法及裝置、設備及介質

有效

• 申請號: 202011461936.6
• 申請日: 2020-12-14
• 公開（公告）號: CN112232317B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 孟紹旭;朱磊;李成軍;郭波;吳志洋
• 申請（專利權）人: 智道網聯科技（北京）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 盛明星

1.一種用于目標朝向識別的目標檢測方法，其特征在于，包括：通過車輛上的圖像采集設備獲取行車過程中目標對象的圖像，其中，圖像信息包括：不同的朝向姿態；

通過預先訓練的目標檢測模型，得到所述圖像的檢測結果，其中，所述目標檢測模型為使用多組數據通過機器學習訓練得出的，多組數據中的每組數據均包括：樣本圖像和所述樣本圖像的類別標簽、朝向標簽；

根據所述檢測結果，得到所述目標對象的朝向姿態；

在所述檢測結果中的朝向姿態為左前、右前、左后、右后中的任一種的情況下，獲取所述目標對象與本車輛的實時距離；

當所述目標對象與本車輛的實時距離越來越小時，發出碰撞預警信號；

當所述目標對象與本車輛的實時距離增大時，確定所述目標對象正在變道或轉彎；

所述目標檢測模型為Yolo模型；所述Yolo模型的head層包括：

朝向識別網絡層，用于輸出目標對象的朝向姿態；

類別位置檢測網絡層，用于輸出目標對象的類別檢測結果以及位置識別結果；

所述朝向識別網絡層的最終輸出層的維度為8，用于分別輸出不同的8個朝向；朝向識別網絡層包括3層網絡，采用Conv + BN + Mish結構；其中，Mish激活函數為 f(x)=xtanh(ln(1+e^x))；邊界框回歸的損失函數采用CIOU Loss，目標置信度和目標類別置信度的損失函數采用Binary Cross-Entropy Loss，朝向姿態的損失函數采用Categorical Cross-Entropy loss。

2.根據權利要求1所述的用于目標朝向識別的目標檢測方法，其特征在于，所述類別標簽包括車輛、行人中的至少一種；

所述朝向標簽包括：前、后、左、右、左前、右前、左后、右后；

其中，所述朝向標簽中的左前、右前、左后、右后的姿態用于碰撞預警；

其中，所述朝向標簽中的左前、右前、左后、右后的姿態用于預測后車是否會發生變道或拐彎。

3.根據權利要求1所述的用于目標朝向識別的目標檢測方法，其特征在于，所述檢測結果包括下列至少一種：目標類別信息、朝向信息以及位置信息。

4.一種用于目標朝向識別的目標檢測裝置，其特征在于，包括：圖像獲取模塊，用于通過車輛上的圖像采集設備獲取行車過程中目標對象的圖像，其中，圖像信息包括：不同的朝向姿態；

結果得到模塊，用于通過預先訓練的目標檢測模型，得到所述圖像的檢測結果，其中，所述目標檢測模型為使用多組數據通過機器學習訓練得出的，多組數據中的每組數據均包括：樣本圖像和所述樣本圖像的類別標簽、朝向標簽；

朝向得到模塊，用于根據所述檢測結果，得到所述目標對象的朝向姿態；在所述檢測結果中的朝向姿態為左前、右前、左后、右后中的任一種的情況下，獲取所述目標對象與本車輛的實時距離；當所述目標對象與本車輛的實時距離越來越小時，發出碰撞預警信號；當所述目標對象與本車輛的實時距離增大時，確定所述目標對象正在變道或轉彎；

所述目標檢測模型為Yolo模型；所述Yolo模型的head層包括：

朝向識別網絡層，用于輸出目標對象的朝向姿態；

類別位置檢測網絡層，用于輸出目標對象的類別檢測結果以及位置識別結果；

所述朝向識別網絡層的最終輸出層的維度為8，用于分別輸出不同的8個朝向；朝向識別網絡層包括3層網絡，采用Conv + BN + Mish結構；其中，Mish激活函數為 f(x)=xtanh(ln(1+e^x))；邊界框回歸的損失函數采用CIOU Loss，目標置信度和目標類別置信度的損失函數采用Binary Cross-Entropy Loss，朝向姿態的損失函數采用Categorical Cross-Entropy loss。

5.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至3任一項所述用于目標朝向識別的目標檢測方法的步驟。

6.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1至3任一項所述用于目標朝向識別的目標檢測方法的步驟。