[發(fā)明專利]一種基于深度估計(jì)的單目視覺(jué)前向車輛距離檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110633046.7
• 申請(qǐng)日: 2021-06-07
• 公開（公告）號(hào): CN113269118B
• 公開（公告）日: 2022-10-11
• 發(fā)明（設(shè)計(jì)）人: 趙敏;孫棣華;周璇
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G06V20/58
• 分類號(hào): G06V20/58;G06V10/44;G06V10/762;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京匯澤知識(shí)產(chǎn)權(quán)代理有限公司 11228
• 代理人: 武君

1.一種基于深度估計(jì)的單目視覺(jué)前向車輛距離檢測(cè)方法，其特征在于：包括以下步驟：

S1、搭建基于深度估計(jì)的前向車輛距離檢測(cè)模型；

前向車輛距離檢測(cè)模型的結(jié)構(gòu)分為三部分：輸入、中間處理和輸出，輸入部分包括RGB原圖、車輛目標(biāo)框坐標(biāo)和深度圖，其中RGB原圖是整個(gè)網(wǎng)絡(luò)用于分析檢測(cè)的輸入值，深度圖是網(wǎng)絡(luò)用于與預(yù)測(cè)值進(jìn)行對(duì)比、訓(xùn)練學(xué)習(xí)的真實(shí)值，車輛目標(biāo)框坐標(biāo)是用于最后顯示車輛目標(biāo)的輸出圖所需要的坐標(biāo)；中間處理部分包括特征提取、池化、回歸以及關(guān)鍵點(diǎn)擬合，關(guān)鍵點(diǎn)擬合是從預(yù)測(cè)到的深度圖中獲取目標(biāo)關(guān)鍵點(diǎn)的信息；輸出部分是一張帶有車輛目標(biāo)框和距離值的RGB圖；

S2、引入DORN算法，搭建基于DORN的前向車輛距離檢測(cè)模型；

S2.1引入DORN網(wǎng)絡(luò)中的密集特征提取器模塊作為特征提取網(wǎng)絡(luò)，通過(guò)去除特征提取器DCNNs中的最后幾個(gè)下采樣算子，并在隨后的卷積層中插入空格進(jìn)行過(guò)濾，從而在不降低空間分辨率或增加參數(shù)量的基礎(chǔ)上擴(kuò)大濾波器的視野，形成擴(kuò)張卷積；

S2.2引入場(chǎng)景理解模塊，所述場(chǎng)景理解模塊由三個(gè)并行的組件構(gòu)成，一個(gè)空洞空間卷積池化金字塔(ASPP)模塊、一個(gè)跨通道leaner以及一個(gè)fullimage全圖像編碼器；

S2.3引入序數(shù)回歸模塊，將離散深度值化分為多類，將回歸問(wèn)題轉(zhuǎn)為分類問(wèn)題，并在網(wǎng)絡(luò)的最后采用了Softmax函數(shù)，用于回歸損失值，實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練；

S2.4車輛目標(biāo)關(guān)鍵點(diǎn)擬合方法，選取以目標(biāo)框長(zhǎng)寬一半的坐標(biāo)為閾值，取閾值內(nèi)部的像素值的平均作為模型擬定的關(guān)鍵點(diǎn)距離值，其公式如下：

式中，w和h分別代表像素的橫坐標(biāo)和縱坐標(biāo)，W和H則為目標(biāo)框縮小后的閾值，N代表在閾值范圍內(nèi)包含像素的數(shù)量，由此擬合出目標(biāo)距離值；

S3、優(yōu)化目標(biāo)關(guān)鍵點(diǎn)擬合方法；

S3.1引入k-means聚類算法，實(shí)現(xiàn)車輛目標(biāo)關(guān)鍵點(diǎn)的擬合；通過(guò)對(duì)預(yù)測(cè)目標(biāo)框里面的像素進(jìn)行聚類，求出數(shù)量排行靠前的第一類別和第二類別，然后分析：當(dāng)?shù)谝活悇e的數(shù)量大于第二類別的1.5倍時(shí)，如果第一類別中心點(diǎn)的距離值小于閾值80m，選取第一類別為最終類別，如果第一類別中心值大于閾值80m，則選取第二類別為最終類別；而當(dāng)?shù)谝活悇e的數(shù)量和第二類別的數(shù)量相差沒(méi)有1.5倍時(shí)，取中心點(diǎn)距離值小的作為最終類別，之后將最終類別的中心點(diǎn)作為目標(biāo)的關(guān)鍵點(diǎn)，并選取目標(biāo)關(guān)鍵點(diǎn)的距離值作為前向車輛目標(biāo)距離的預(yù)測(cè)值；

S3.2通過(guò)參數(shù)配置，提升車輛目標(biāo)關(guān)鍵點(diǎn)擬合的精度；

S4、設(shè)計(jì)網(wǎng)絡(luò)訓(xùn)練中的損失函數(shù)；

S5、利用模型壓縮加速工具，實(shí)現(xiàn)對(duì)前向車輛距離檢測(cè)模型的加速。

2.如權(quán)利要求1所述的基于深度估計(jì)的單目視覺(jué)前向車輛距離檢測(cè)方法，其特征在于：所述步驟S1，在中間處理部分中特征提取網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)，采用VGG16或Resnet50作為特征提取網(wǎng)絡(luò)。

3.如權(quán)利要求1所述的基于深度估計(jì)的單目視覺(jué)前向車輛距離檢測(cè)方法，其特征在于：所述S4中包括：1)利用L1范數(shù)損失函數(shù)，設(shè)計(jì)目標(biāo)關(guān)鍵點(diǎn)的回歸損失函數(shù)；2)結(jié)合序數(shù)回歸函數(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練回歸。

4.如權(quán)利要求1所述的基于深度估計(jì)的單目視覺(jué)前向車輛距離檢測(cè)方法，其特征在于：所述S5包括：1)將網(wǎng)絡(luò)中無(wú)法直接轉(zhuǎn)換的數(shù)據(jù)的輸出轉(zhuǎn)換成可操作的tensor形式；2)將前向車輛距離檢測(cè)模型轉(zhuǎn)化為TensorRT模型。