[發明專利]一種基于深度學習置信度估計的目標檢測方法及裝置

有效

• 申請號: 202110585031.8
• 申請日: 2021-05-27
• 公開（公告）號: CN113191332B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 李松;劉近平;張婷婷;黃琛;馮俊達
• 申請（專利權）人: 安陽工學院
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V40/10;G06V10/44;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 安陽市智浩專利代理事務所(普通合伙) 41116
• 代理人: 楊紅軍

本發明提出了一種基于深度學習置信度估計的目標檢測方法及裝置，通過保留目標檢測模型中特征提取層的函數，提取第一訓練集中樣本特征；對特征進行歸一化并輸入高斯分類器中對特征進行分類，獲得每個特征的條件概率；估計分類類別的后驗概率從而確定置信度，本發明通過產生式模型給出置信度估計，避免出現置信度估計錯誤導致檢測結果出現虛警。基于同一目標不同部件圖像以及整體人體圖像對應關系，將估計到的同一目標的部件特征以及整體特征的后驗概率進行融合作為識別行人目標的置信度，對待檢測圖像進行分類。本發明通過整體和部件檢測結果共存關系給出檢測置信度的描述，進一步提高置信度估計的準確性和合理性，從而提高目標檢測的準確性。

技術領域

本發明屬于目標檢測技術領域，具體涉及一種基于深度學習置信度估計的目標檢測方法及裝置。

背景技術

在自動駕駛過程中常常需要規避目標，例如行人以及車輛，對于目標的檢測對于自動駕駛至關重要，目標檢測的準確程度決定了自動駕駛的自動駕駛決策。

現有技術常用的目標檢測方案是基于深度學習方法建立檢測網絡，使用樣本訓練檢測網絡，使得檢測網絡學習樣本特征，并輸出后驗概率作為置信度。將置信度輸入到決策系統中，從而得到相應的自動駕駛決策。

深度學習檢測的后驗概率直接作為置信度存在以下三個問題：(1)目標檢測中由于目標的大小不同，因此檢測網絡中對于同一類目標的檢測實際是在不同尺度的特征層上進行的，沒有高效的利用同類目標的特征進行學習；(2)檢測網絡訓練時其訓練的損失函數往往是召回率和精確度的函數，與置信度關系不夠密切；檢測網絡對于沒有學習過的樣本，其輸出的后驗概率不能夠精確的體現檢測檢測結果的可靠程度，出現較大的檢測錯誤，比如檢測結果出現虛警，但后驗概率很高接近于1；(3)當目標是行人時，會出現部分人體的樣本以及整個人體樣本，這些樣本的檢測結果現有技術的檢測結果互相獨立，而往往同一人的部分樣本與整體樣本的檢測結果之間可以相互印證。因此現有技術檢測目標的準確性不高，導致做出的自動駕駛決策并不一定適宜當前駕駛環境。

發明內容

本發明提供了一種基于深度學習置信度估計的目標檢測方法及裝置，以提高目標檢測的準確性。具體的技術方案如下。

第一方面，本發明提供的一種基于深度學習置信度估計的目標檢測方法包括：

獲取待檢測圖像及第一訓練集；

使用訓練完成后的目標檢測模型對所述待檢測圖像進行檢測，獲得檢測結果；

其中，所述檢測結果包括行人目標或者行人部件矩形框以及對應的后驗概率；第一訓練集中包括標注樣本以及未標準樣本，所述標注樣本以矩形框表示目標的位置，以標簽表示目標的類別，所述目標包括行人部件或者行人整體；

對所述檢測結果進行歸一化處理，得到歸一化后的檢測結果；

去除目標檢測模型中輸出層的分類函數保留所述目標檢測模型中特征提取層的函數；

使用所述去除輸出層分類函數的目標檢測模型提取所述第一訓練集中樣本特征；

對所述特征進行歸一化并輸入高斯分類器中，以使所述高斯分類器對所述特征進行分類，獲得每個特征的條件概率；

基于條件概率，估計分類類別的后驗概率；

基于同一目標不同部件圖像以及整體人體圖像對應關系，將估計到的同一目標的部件特征以及整體特征的后驗概率進行融合；

將融合后的后驗概率確定為識別行人目標的置信度對待檢測圖像進行分類，選擇輸出置信度最高分類結果。

可選的，所述訓練完成后的目標檢測模型的訓練過程包括：

獲取第二訓練集；

所述第二訓練集中包括：各個部件圖像以及整體人體圖像；