驾驶检测模型的训练、使用方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种驾驶检测模型的训练、使用方法、装置、设备及介质。所述方法包括：获取训练样本；其中，所述训练样本包括驾驶前方车辆图像和驾驶前方车辆图像中的车辆标注结果和车道线标注结果；将训练样本输入到驾驶检测模型的共享提取子模型，得到共享图像特征；采用共享图像特征对所述驾驶检测模型的车辆检测子模型和共享提取子模型进行监督训练；以及，采用所述共享图像特征对驾驶检测模型的车道线检测子模型和共享提取子模型进行监督训练，以实现对驾驶检测模型进行训练。采用本申请方案，通过将车辆检测子模型和车道线检测子模型集成在同一个模型中进行监督训练，能保证后续使用训练好的模型时可同时实现车辆检测和车道线检测。

Training, using method, device, equipment and medium of driving test model

【技术实现步骤摘要】
驾驶检测模型的训练、使用方法、装置、设备及介质
本专利技术实施例涉及自动驾驶
，尤其涉及一种驾驶检测模型的训练、使用方法、装置、设备及介质。
技术介绍
在高级驾驶辅助系统(ADAS)中，准确及时的检测前方的车辆信息和车道线信息，是实现车辆辅助驾驶系统智能化的关键因素。目前，对于车辆检测问题，一般采用基于深度学习的方法来检测前方车辆的位置和类型。对于车道线检测问题，业内大多采用的传统方法来检测前方车道线的位置和类型，但传统检测方法适应的场景单一，难以应对存在遮挡、模糊和不良天气等场景。而，如果在对车道线检测时，也采用基于深度学习的方式，那么同时运行基于深度学习的车辆检测方法和车道线检测方法，又会导致检测耗时增加，影响检测实时性。因此，如何在保证检测准确性和检测实时性成为一种迫切需要解决的问题。
技术实现思路
本专利技术实施例中提供了一种驾驶检测模型的训练、使用方法、装置、设备及介质，以实现在保证检测实时性的情况下准确检测车辆和车道线。第一方面，本专利技术实施例中提供了一种驾驶检测模型的训练方法，包括：...

【技术保护点】
1.一种驾驶检测模型的训练方法，其特征在于，包括：/n获取训练样本；其中，所述训练样本包括驾驶前方车辆图像和所述驾驶前方车辆图像中的车辆标注结果和车道线标注结果；/n将训练样本输入到驾驶检测模型的共享提取子模型，得到共享图像特征；/n采用所述共享图像特征对所述驾驶检测模型的车辆检测子模型和共享提取子模型进行监督训练；以及，采用所述共享图像特征对所述驾驶检测模型的车道线检测子模型和共享提取子模型进行监督训练，以实现对所述驾驶检测模型进行训练。/n

【技术特征摘要】
1.一种驾驶检测模型的训练方法，其特征在于，包括：
获取训练样本；其中，所述训练样本包括驾驶前方车辆图像和所述驾驶前方车辆图像中的车辆标注结果和车道线标注结果；
将训练样本输入到驾驶检测模型的共享提取子模型，得到共享图像特征；
采用所述共享图像特征对所述驾驶检测模型的车辆检测子模型和共享提取子模型进行监督训练；以及，采用所述共享图像特征对所述驾驶检测模型的车道线检测子模型和共享提取子模型进行监督训练，以实现对所述驾驶检测模型进行训练。


2.根据权利要求1所述的方法，其特征在于，所述共享提取子模型包括主干网络和卷积神经网络；其中，所述主干网络配置为从所述驾驶前方车辆图像中提取不同尺度的编码特征，所述卷积神经网络配置为对不同尺度的编码特征进行融合，得到所述共享图像特征，所述共享图像特征为多尺度融合特征图。


3.根据权利要求1所述的方法，其特征在于，采用所述共享图像特征对所述驾驶检测模型的车辆检测子模型和共享提取子模型进行监督训练，包括：
将所述共享图像特征输入到所述驾驶检测模型的车辆检测子模型，得到车辆预测结果；
基于车辆检测子模型的损失函数，依据所述车辆标注结果与所述车辆预测结果，对所述车辆检测子模型的网络参数和所述共享提取子模型的网络参数进行调整，以实现对所述车辆检测子模型和共享提取子模型的组合监督训练；
其中，所述车辆标注结果包括预先标注的所述驾驶前方车辆图像的车辆位置和车辆类型，所述车辆预测结果包括预测得到的所述驾驶前方车辆图像的车辆位置和车辆类型。


4.根据权利要求3所述的方法，其特征在于，将所述共享图像特征输入到所述驾驶检测模型的车辆检测子模型，得到车辆预测结果，包括：
将所述共享图像特征输入所述车辆检测子模型的FCOS网络中，通过所述FCOS网络输出在各个尺度下的车辆预测结果；其中，所述FCOS网络采用极大值抑制算法对输出结果进行处理。


5.根据权利要求1所述的方法，其特征在于，采用所述共享图像特征对所述驾驶检测模型的车道线检测子模型和共享提取子模型进行监督训练，包括：
将所述共享图像特征输入到所述车道线检测子模型，得到车道线预测结果；
基于车道线检测模型的损失函数，依据所述车道线标注结果与所述车道线预测结果，对所述车道线检测子模型的网络参数和所述共享提取子模型的网络参数进行调整，以实现对所述车道线检测子模型和共享提取子模型的组合监督训练；
其中，所述车道线标注结果包括预先标注的所述驾驶前方车辆图像的车道线像素语义分割图、车道线实例的像素点集合和车道线实例类型，所述车道线预测结果包括预测得到的所述驾驶前方车辆图像的车道线像素语义分割图、用于确定车道线实例的像素点集合的车道线像素归属编码向量和车道线实例类型；一个车道线实例表征一条车道线。


6.根据权利要求5所述的方法，其特征在于，将所述共享图像特征输入到所述车道线检测子模型，得到车道线预测结果，包括：
将所述共享图像特征输入到所述车道线检测子模型的车道线像素语义分割网络，输出预测的车道线像素语义分割图；
将所述共享图像特征输入到所述车道线检测子模型的车道线像素归属编码网络，输出车道线像素归属编码向量，用以确定车道线像素的车道线归属；
基于所述车道线像素语义分割图和所述车道线像素归属编码向量，得到车道线实例分割图，以使所述车道线检测子模型预测得到并输出车道线方程；
基于车道线实例分割图，将所述共享图像特征输入到所述车道...

【专利技术属性】
技术研发人员：顾一新，
申请(专利权)人：东莞正扬电子机械有限公司，
类型：发明
国别省市：广东;44