[發(fā)明專利]測(cè)試基于深度學(xué)習(xí)的車輛檢測(cè)模型魯棒性的方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202011615690.3
• 申請(qǐng)日: 2020-12-30
• 公開(kāi)（公告）號(hào): CN112766311A
• 公開(kāi)（公告）日: 2021-05-07
• 發(fā)明（設(shè)計(jì)）人: 蘇松劍;蘇松志;蔡國(guó)榕;陳延藝;陳延行;彭鷺斌
• 申請(qǐng)（專利權(quán)）人: 羅普特科技集團(tuán)股份有限公司;羅普特（廈門）系統(tǒng)集成有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 廈門福貝知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 35235
• 代理人: 陳遠(yuǎn)洋

1.一種測(cè)試基于深度學(xué)習(xí)的車輛檢測(cè)模型魯棒性的方法，其特征在于，包括以下步驟：

數(shù)據(jù)獲取步驟，獲取道路交通場(chǎng)景下的車輛圖片，并根據(jù)所述車輛圖片建立相對(duì)應(yīng)的CAD模型；

參數(shù)化紋理生成網(wǎng)絡(luò)模型訓(xùn)練步驟，建立參數(shù)化紋理生成網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，所述參數(shù)化紋理生成網(wǎng)絡(luò)模型包括深度神經(jīng)網(wǎng)絡(luò)、三角網(wǎng)格模型和深度卷積生成網(wǎng)絡(luò)，通過(guò)所述深度神經(jīng)網(wǎng)絡(luò)對(duì)所述車輛圖片進(jìn)行特征提取，得到第一特征，通過(guò)所述三角網(wǎng)格模型對(duì)所述CAD模型進(jìn)行特征提取，得到第二特征，將所述第一特征和所述第二特征連接起來(lái)作為所述深度卷積生成網(wǎng)絡(luò)的輸入，所述深度卷積生成網(wǎng)絡(luò)的輸出為參數(shù)化紋理圖片；

表觀渲染步驟，收集指定車型的車輛的CAD模型所對(duì)應(yīng)的二維圖片，并將所述二維圖片及其對(duì)應(yīng)的所述CAD模型輸入所述參數(shù)化紋理生成網(wǎng)絡(luò)模型，得到對(duì)應(yīng)的所述參數(shù)化紋理圖片，并計(jì)算所述參數(shù)化紋理圖片的圖像均值，對(duì)所述圖像均值添加噪聲并結(jié)合所述CAD模型得到合成車輛圖片；

判別步驟，將所述合成車輛圖片輸入車輛分類網(wǎng)絡(luò)，得到判別結(jié)果，記錄所述判別結(jié)果中所有被分類為非車輛的圖片所對(duì)應(yīng)的所述參數(shù)化紋理圖片，并將所述非車輛的圖片所對(duì)應(yīng)的所述參數(shù)化紋理圖片進(jìn)行建模，得到最終的對(duì)抗樣本圖片；以及

測(cè)試步驟，將車身粘貼有所述對(duì)抗樣本圖片的車輛圖片輸入被測(cè)的車輛檢測(cè)模型，得到所述車輛檢測(cè)模型檢測(cè)到的車輛的數(shù)目，根據(jù)所述數(shù)目計(jì)算出表征所述車輛檢測(cè)模型魯棒性的魯棒度。

2.根據(jù)權(quán)利要求1所述測(cè)試基于深度學(xué)習(xí)的車輛檢測(cè)模型魯棒性的方法，其特征在于，所述數(shù)據(jù)獲取步驟中所述車輛圖片通過(guò)分析道路交通場(chǎng)景下監(jiān)控?cái)z像頭、道路和車輛之間的位置關(guān)系獲得。

3.根據(jù)權(quán)利要求1所述測(cè)試基于深度學(xué)習(xí)的車輛檢測(cè)模型魯棒性的方法，其特征在于，所述參數(shù)化紋理生成網(wǎng)絡(luò)模型訓(xùn)練步驟還包括：將所述參數(shù)化紋理圖片與所述CAD模型結(jié)合進(jìn)行紋理貼圖，獲得紋理貼圖后的車輛圖片，根據(jù)輸入的所述車輛圖片和所述紋理貼圖后的車輛圖片之間的重構(gòu)誤差損失進(jìn)行反向傳播更新，對(duì)所述參數(shù)化紋理生成網(wǎng)絡(luò)模型的參數(shù)進(jìn)行調(diào)整，實(shí)現(xiàn)對(duì)所述參數(shù)化紋理生成網(wǎng)絡(luò)模型的訓(xùn)練。

4.根據(jù)權(quán)利要求1所述測(cè)試基于深度學(xué)習(xí)的車輛檢測(cè)模型魯棒性的方法，其特征在于，所述判別步驟中的建模采用k個(gè)自由度的混合高斯模型對(duì)所述非車輛的圖片所對(duì)應(yīng)的參數(shù)化紋理圖片進(jìn)行建模。

5.根據(jù)權(quán)利要求4所述測(cè)試基于深度學(xué)習(xí)的車輛檢測(cè)模型魯棒性的方法，其特征在于，將建模后得到的k個(gè)混合高斯模型的均值作為k張所述對(duì)抗樣本圖片。

6.根據(jù)權(quán)利要求1-5中任一項(xiàng)所述測(cè)試基于深度學(xué)習(xí)的車輛檢測(cè)模型魯棒性的方法，其特征在于，所述CAD模型為三維模型。

7.根據(jù)權(quán)利要求1-5中任一項(xiàng)所述測(cè)試基于深度學(xué)習(xí)的車輛檢測(cè)模型魯棒性的方法，其特征在于，所述噪聲指的是高斯噪聲，高斯噪聲的均值為0，協(xié)方差矩陣為單位矩陣。

8.根據(jù)權(quán)利要求1-5中任一項(xiàng)所述測(cè)試基于深度學(xué)習(xí)的車輛檢測(cè)模型魯棒性的方法，其特征在于，所述車輛檢測(cè)模型的魯棒度r的計(jì)算公式為

r＝m/k；

其中，m為所述車輛檢測(cè)模型檢測(cè)到的車輛的數(shù)目，k為所述對(duì)抗樣本圖片的數(shù)量。