[發(fā)明專利]一種基于圖神經(jīng)網(wǎng)絡(luò)的鑒別車輛是否壓線的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211081477.8
• 申請(qǐng)日: 2022-09-06
• 公開（公告）號(hào): CN115359458A
• 公開（公告）日: 2022-11-18
• 發(fā)明（設(shè)計(jì)）人: 葉文武
• 申請(qǐng)（專利權(quán)）人: 中電鴻信信息科技有限公司
• 主分類號(hào): G06V20/58
• 分類號(hào): G06V20/58;G06V20/56;G06V10/26;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 張力

1.一種基于圖神經(jīng)網(wǎng)絡(luò)的鑒別車輛是否壓線的方法，其特征在于，包括：

步驟一、采集大量各種交通場(chǎng)景下各種角度拍攝的圖像，對(duì)其進(jìn)行車輛和車道線實(shí)線，以及壓線情況標(biāo)注；

步驟二、基于步驟一的圖像與標(biāo)注結(jié)果訓(xùn)練圖像實(shí)例分割算法和圖神經(jīng)網(wǎng)絡(luò)算法；

步驟三、采用訓(xùn)練后的圖像實(shí)例分割算法和深度學(xué)習(xí)中的圖神經(jīng)網(wǎng)絡(luò)算法鑒別車輛是否壓線，其中，圖像實(shí)例分割算法用于車輛和車道線實(shí)線的檢測(cè)識(shí)別，圖神經(jīng)網(wǎng)絡(luò)輸出車輛壓線的概率，當(dāng)車輛壓線的概率超過預(yù)設(shè)閾值時(shí)，輸出壓線的車輛節(jié)點(diǎn)和車道線節(jié)點(diǎn)。

2.根據(jù)權(quán)利要求1所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的鑒別車輛是否壓線的方法，其特征在于，所述步驟一包括：

S1、收集大量各種交通場(chǎng)景下各種角度拍攝的圖像，所述交通場(chǎng)景包括高速、隧道、高架、國(guó)道、省道、縣道、城市道路場(chǎng)景；

S2、對(duì)S1中收集的圖像進(jìn)行每一個(gè)可見的車輛和每一條可見的車道線實(shí)線的標(biāo)注，并標(biāo)注出每一個(gè)被標(biāo)注車輛和每一條被標(biāo)注車道線實(shí)線之間的兩兩壓線關(guān)系；

S3、將S2中標(biāo)注結(jié)果與其對(duì)應(yīng)的圖像以固定格式存儲(chǔ)，以用作后續(xù)算法的訓(xùn)練。

3.根據(jù)權(quán)利要求1所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的鑒別車輛是否壓線的方法，其特征在于，所述步驟二包括：

S1、讀取標(biāo)注數(shù)據(jù)以及對(duì)應(yīng)圖像；

S2、將圖像輸入到實(shí)例分割算法模型的主干網(wǎng)絡(luò)中，得到特征圖；

S3、將特征圖輸入至目標(biāo)檢測(cè)分支進(jìn)行車輛目標(biāo)框以及車道線實(shí)線目標(biāo)框的預(yù)測(cè)；

S4、分別計(jì)算出S3中車輛及車道線實(shí)線的目標(biāo)框的預(yù)測(cè)結(jié)果與S1中讀取的數(shù)據(jù)中的標(biāo)注目標(biāo)框之間的誤差，記為L(zhǎng)_obj和L_cls，以此分別表示預(yù)測(cè)框損失函數(shù)和預(yù)測(cè)框類別損失函數(shù)；

S5、將目標(biāo)檢測(cè)分支的輸出的特征圖輸入至分割分支進(jìn)行目標(biāo)框中的車輛和車道的位置實(shí)例分割，得到目標(biāo)框中的車輛和車道線的分割預(yù)測(cè)結(jié)果；

S6、計(jì)算出S5中車輛及車道線實(shí)線的實(shí)例分割預(yù)測(cè)結(jié)果與S1中讀取的標(biāo)注掩膜之間的誤差，記為L(zhǎng)_mask，表示實(shí)例分割預(yù)測(cè)結(jié)果損失函數(shù)；

S7、根據(jù)S1中的標(biāo)注數(shù)據(jù)構(gòu)建鄰接矩陣其鄰接矩陣的值代表著第i個(gè)車輛或車道線和第j個(gè)車輛或車道線之間的壓線關(guān)系；

S8、將S1中標(biāo)注車輛和車道線位置的掩膜對(duì)應(yīng)在S2中特征圖中的掩膜區(qū)域內(nèi)的所有特征向量進(jìn)行聚合，得到特征向量矩陣E，含N_car+N_line個(gè)特征向量E_i，E_i為車輛和車道線壓線預(yù)測(cè)圖中的節(jié)點(diǎn)；

S9、將S8中N_car+N_line個(gè)特征向量輸入至圖神經(jīng)網(wǎng)絡(luò)F(θ,E)，表示此圖神經(jīng)網(wǎng)絡(luò)的參數(shù)為θ，輸入為在S8中得到的特征向量矩陣E，圖神經(jīng)網(wǎng)絡(luò)輸出結(jié)果記為E_out；

S10、將S9中得到的圖神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行轉(zhuǎn)置，得到

S11、將S9中的E_out和S10中的進(jìn)行矩陣相乘：得到車輛和車道線壓線預(yù)測(cè)圖的鄰接矩陣

S12、計(jì)算S11中預(yù)測(cè)鄰接矩陣和S7中的鄰接矩陣計(jì)算損失函數(shù)，記為L(zhǎng)_graph；

S13、計(jì)算總損失函數(shù)L_total＝L_graph+L_mask+L_obj+L_cls，以總損失函數(shù)L_total最小為目標(biāo)更新圖神經(jīng)網(wǎng)絡(luò)F(θ,E)中的參數(shù)θ以及分割分支、目標(biāo)檢測(cè)分支和主干網(wǎng)絡(luò)中的參數(shù)；

S14、將S13中優(yōu)化過的模型結(jié)構(gòu)和參數(shù)存儲(chǔ)，以用作算法預(yù)測(cè)。