[發明專利]一種基于自動駕駛場景的抗遮擋目標檢測方法

在審

• 申請號: 202211068312.7
• 申請日: 2022-09-02
• 公開（公告）號: CN115761660A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 劉寒松;王國強;王永;劉瑞;李賢超;譚連勝
• 申請（專利權）人: 松立控股集團股份有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/82;G06V10/774;G06V10/40
• 代理公司: 青島高曉專利事務所(普通合伙) 37104
• 代理人: 黃曉敏

1.一種基于自動駕駛場景的抗遮擋目標檢測方法，其特征在于，具體過程包括如下步驟：

（1）數據集構建：收集自動駕駛場景的車輛和行人圖像，構建自動駕駛擁擠場景的目標檢測數據集，并將數據集劃分為訓練集、驗證集和測試集，其數量比為6：2：2；

（2）深度卷積特征提取：先對步驟（1）數據集中的圖像尺寸和數值范圍進行初始化處理，再將處理后的圖像輸入到主干網絡中進行卷積特征提取，并使用特征金字塔提取多尺度特征用于檢測近距離和遠距離的不同尺寸的目標，輸出多尺度特征集合；

（3）目標檢測頭：根據步驟（2）得到的多尺度特征集合，分別使用兩個結構相同的但是不共享參數的全連接層子網絡學習分類和位置信息，從而完成目標框類別分類和位置回歸的任務，獲得目標的坐標位置；

（4）多重距離邊界框回歸損失函數：使用多重距離邊界框回歸損失函數約束預測框和真實邊界框之間的誤差，并擴大預測框與其他目標的預測邊界框之間的距離；

（5）軟距離交并比-非極大抑制策略：使用軟距離交并比-非極大抑制策略進行預測框篩選，預測框篩選過程中遵循預測距離交并比越大，置信度得分越低的原則篩除候選框，并考慮預測框中心點的重合度以及對置信度較低的預測框進行置信度衰減處理；

（6）訓練網絡結構，得到訓練好的模型參數：使用數據集中訓練集的圖像，圖像尺寸為5125123，按照每次訓練需要的圖像張數B依次輸入到網絡中，輸出目標的分類置信度和回歸坐標位置，其中Class為3，包含車輛、行人和背景三種類別，N是輸出預測目標的數量，4為車牌朝向框的四個參數，再采用Focal損失算預測類別和真實類別得到誤差，采用多重距離邊界框回歸損失函數來計算預測目標位置與真實目標位置的誤差，并擴大與其他目標的誤差，最終使用反向傳播更新參數，經過60次完整訓練集訓練迭代后，保存驗證集上結果最好的模型參數，作為最終模型訓練好的參數，即得到訓練好的自動駕駛場景目標檢測網絡參數；

（7）測試網絡，輸出目標位置和類別：加載步驟（6）訓練好的模型參數，保持圖片長短邊比例不變的情況下將圖像長邊縮放到512，然后對圖片的短邊進行填充，使得圖像尺寸為512512，作為網絡的輸入，最終輸出目標的分類置信度和目標的坐標位置，并根據分類置信度得分和目標位置使用軟距離交并比-非極大抑制刪除冗余的框，其中設置為0.3，由此得到準確的目標檢測框，實現基于自動駕駛場景的抗遮擋目標檢測。

2.根據權利要求1所述基于自動駕駛場景的抗遮擋目標檢測方法，其特征在于，步驟（1）中數據集中的圖像需標注待檢測目標的位置和類別，其中目標位置用檢測框來表示，表示目標的中心點，表示目標的長寬，目標類別包含車輛和行人。

3.根據權利要求2所述基于自動駕駛場景的抗遮擋目標檢測方法，其特征在于，步驟（2）中處理后的圖像尺寸為512*512，數值范圍歸一化為0-1。

4.根據權利要求3所述基于自動駕駛場景的抗遮擋目標檢測方法，其特征在于，步驟（2）所述主干網絡使用ResNet50網絡。

5.根據權利要求4所述基于自動駕駛場景的抗遮擋目標檢測方法，其特征在于，步驟（3）所述目標框類別分類為分類置信度得分，位置信息為目標的四個檢測參數 。

6.根據權利要求5所述基于自動駕駛場景的抗遮擋目標檢測方法，其特征在于，步驟（4）所述多重距離邊界框回歸損失函數為：

其中， Loss_DIoU為DIoU損失，用于減小預測框與真實邊界框之間的誤差； Loss_OReg使預測框與周圍其它目標的預測框遠離，為權重系數， DIoU損失函數公式為：

其中為預測框，為真實框，是歐幾里得距離，是覆蓋兩個盒子的最小封閉盒子的對角線長度。

7.根據權利要求6所述基于自動駕駛場景的抗遮擋目標檢測方法，其特征在于，步驟（5）的具體過程為：定義目標邊界框輸出列表；將每個預測框對應的置信度得分S排序，得到最高得分對應的基準框M；將M從預測框列表B取出并放入列表；遍歷預測框列表B，如果大于閾值Threshold，則從列表中剔除刪除多余的預測框，置信度得分列表S進行衰減處理，其中每一個置信度得分處理方式如下：

其中，重復以上步驟直至B為空集，然后輸出O，則為刪除冗余候選框后的結果。