[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

本發明屬于目標檢測技術領域，涉及一種基于自動駕駛場景的抗遮擋目標檢測方法，引入了多重距離測量的概念對邊界框回歸損失函數進行了優化，改善了模型對于密集遮擋目標的檢測魯棒性；同時引入了軟距離交并比?非極大抑制策略，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，該策略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，不至于去除過多的重疊物體的預測框，可以緩解目標互相遮擋的情況，不僅可以用來進行自動駕駛場景的目標檢測任務，還可以用于其他擁擠場景的目標檢測任務，極大的降低了在擁擠場景時檢測漏檢率。

技術領域

本發明屬于目標檢測技術領域，涉及一種基于自動駕駛場景的抗遮擋目標檢測方法。

背景技術

隨著社會經濟的快速發展，汽車的保有量迅速增加，人民的日常出行便利性得到了提升，隨之而來的環境污染、交通事故也引起了人們的關注，隨著大數據、人工智能技術的發展，自動駕駛技術將成為緩解交通問題的有效途徑之一，自動駕駛車輛關鍵技術中環境感知技術為其它關鍵技術提供數據支撐，通過使用目標檢測算法對采集到的視頻進行檢測，不僅可以獲取車輛、行人的基本信息，還可獲取相應的流量信息，并預測其運動趨勢。

傳統的目標檢測和圖像分割方法需要手工設計特征，這嚴重影響了檢測的性能，基于深度學習的目標檢測方法通過加深神經網絡的層次來提取更豐富的特征信息，可顯著提升檢測和分割的性能，在自動駕駛場景中，車輛和行人作為最重要的目標之一，由于其自身和環境特點，與一般的目標檢測任務相比，自動駕駛場景的車輛和行人更易出現遮擋的情況，包含不同類別之間的遮擋和相同類別的之間的相互遮擋，導致檢測網絡的特征提取難度大，往往出現漏檢、誤檢、檢測精度低等問題；此外，一般的目標檢測使用非極大抑制（NMS）作為目標檢測的后處理方法，其基本思想是抑制不是極大值的元素，進行局部最大值搜索，而這種使用貪心策略的迭代方法在遮擋場景效果不是很好，這是因為目標之間互相遮擋，檢測器產生的預測框排列十分緊密，NMS無法區分某個預測框隸屬于哪個目標，使得本應屬于另一個目標的預測框在算法中超過閾值而被抑制掉，最終導致漏檢的情況。

由此可見，自動駕駛場景的目標檢測存在目標密集遮擋、環境復雜的突出挑戰，急需更有效的方法提升檢測的抗遮擋能力。

發明內容

為克服現有技術的不足，本發明提供一種基于自動駕駛場景的抗遮擋目標檢測方法，用來應對自動駕駛場景的目標檢測存在目標密集遮擋、環境復雜的挑戰，可同時用于其他存在遮擋場景的目標檢測任務，能夠高效的實現檢測任務。

為實現上述目的，本發明實現抗遮擋目標檢測的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?。合葘Σ襟E（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；