障碍物漏检修复方法、装置、设备及存储介质制造方法及图纸

本申请提供一种障碍物漏检修复方法、装置、设备及存储介质，获取多个锚框和预设模型的末端特征输出层输出的障碍物图像特征，其中，预设模型包括多个特征输出层。根据多个锚框和障碍物图像特征，得到每个锚框的类别特征图和前景背景特征图。根据各个锚框的类别特征图和前景背景特征图，确定漏检目标特征图和待处理特征图。根据漏检目标特征图，强化待处理特征图。在不修改模型框架，不增加大量的漏检障碍物数据，无需重新训练模型的前提下，根据障碍物类别和锚框的关系，强化特定前景背景特征图的输出，有效快速地解决漏检问题。有效快速地解决漏检问题。有效快速地解决漏检问题。

【技术实现步骤摘要】
障碍物漏检修复方法、装置、设备及存储介质


[0001]本申请涉及自动驾驶
，提出了一种障碍物漏检修复方法、装置、设备及存储介质。

技术介绍

[0002]L4无人驾驶汽车通常使用多个相机覆盖前后左右360
°
视角，以检测汽车周围的障碍物。目前的视觉检测模型应用于无人驾驶汽车时，会出现障碍物漏检的情况。
[0003]障碍物漏检问题的解决思路通常有：一、通过修改视觉检测模型框架，以加强模型的特征提取能力；二、采集漏检障碍物数据，将漏检障碍物数据加入到训练数据内，以使视觉检测模型具备识别该障碍物的能力。
[0004]然而，修改模型框架和采集障碍物漏检数据，需要投入大量的时间成本和人力成本，资源消耗大，无法快速解决障碍物漏检的问题。

技术实现思路

[0005]本申请提供一种障碍物漏检修复方法、装置、设备及存储介质，用以解决现有技术需要投入大量的时间成本和人力成本，资源消耗大，无法快速解决障碍物漏检的问题。
[0006]第一方面，本申请提供一种障碍物漏检修复方法，包括：
[0007]获取多个锚框和预设模型的末端特征输出层输出的障碍物图像特征，其中，预设模型包括多个特征输出层；
[0008]根据多个锚框和障碍物图像特征，得到每个锚框的类别特征图和前景背景特征图；
[0009]根据各个锚框的类别特征图和前景背景特征图，确定漏检目标特征图和待处理特征图；
[0010]根据漏检目标特征图，强化待处理特征图。
[0011]可选地，根据漏检目标特征图，强化待处理特征图，包括：
[0012]根据漏检目标特征图，确定漏检目标特征区域；
[0013]根据漏检目标特征区域，确定待处理特征图的待强化区域；
[0014]强化待强化区域的响应度。
[0015]可选地，根据各个锚框的类别特征图和前景背景特征图，确定漏检目标特征图和待处理特征图，包括：
[0016]根据各个锚框的类别特征图，确定响应度大于预设阈值的类别特征图，作为漏检目标特征图；
[0017]根据各个锚框的前景背景特征图，确定与漏检目标特征图的锚框尺寸相同的前景背景特征图，作为待处理特征图。
[0018]可选地，获取多个锚框，包括：
[0019]在训练数据中标注出所有障碍物的维度信息；
[0020]根据维度信息，使用聚类算法得到多个类别的障碍物的聚类中心，聚类中心是每个类别的障碍物的尺寸的中心值；
[0021]根据聚类中心，得到多个不同尺度、大小的锚框。
[0022]可选地，方法还包括：
[0023]获取障碍物类别的数量；
[0024]根据障碍物类别的数量以及每个障碍物类别下的锚框的数量，确定类别特征图的数量和前景背景特征图的数量。
[0025]可选地，方法还包括：
[0026]根据强化完成的待处理特征图，输出障碍物的类别。
[0027]第二方面，本申请提供一种障碍物漏检修复装置，装置包括：
[0028]获取模块，用于获取多个锚框和预设模型的末端特征输出层输出的障碍物图像特征，其中，预设模型包括多个特征输出层；
[0029]处理模块，用于根据多个锚框和障碍物图像特征，得到每个锚框的类别特征图和前景背景特征图；
[0030]处理模块，还用于根据各个锚框的类别特征图和前景背景特征图，确定漏检目标特征图和待处理特征图；
[0031]处理模块，还用于根据漏检目标特征图，强化待处理特征图。
[0032]第三方面，本申请提供一种电子设备，包括：存储器，处理器；
[0033]存储器；用于存储处理器可执行指令的存储器；
[0034]处理器，用于根据存储器存储的可执行指令，实现第一方面及可选方案涉及的障碍物漏检修复方法。
[0035]第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现第一方面及可选方案涉及的障碍物漏检修复方法。
[0036]第五方面，本申请提供一种计算机程序产品，包括指令，该指令被处理器执行时实现第一方面及可选方案涉及的障碍物漏检修复方法。
[0037]本申请提供一种障碍物漏检修复方法、装置、设备及存储介质，获取多个锚框和预设模型的末端特征输出层输出的障碍物图像特征，其中，预设模型包括多个特征输出层。根据多个锚框和障碍物图像特征，得到每个锚框的类别特征图和前景背景特征图。根据各个锚框的类别特征图和前景背景特征图，确定漏检目标特征图和待处理特征图。根据漏检目标特征图，强化待处理特征图。在不修改模型框架，不增加大量的漏检障碍物数据，无需重新训练模型的前提下，根据障碍物类别和锚框的关系，强化特定前景背景特征图的输出，有效快速地解决漏检问题。
附图说明
[0038]图1为本申请根据一示例性实施例示出的障碍物漏检修复方法的流程示意图；
[0039]图2为多个锚框对障碍物的预测结果示意图；
[0040]图3为本申请根据另一示例性实施例示出的障碍物漏检修复方法的流程示意图；
[0041]图4为使用聚类算法得到的多个类别的障碍物的聚类中心示意图；
[0042]图5为两种锚框尺寸的示意图；
[0043]图6为摄像头采集的路测图像示意图；
[0044]图7为anchor_2对应的行人类别特征图；
[0045]图8为anchor_14对应的行人类别特征图；
[0046]图9为anchor_2对应的前景背景特征图；
[0047]图10为anchor_14对应的前景背景特征图；
[0048]图11为模型检测出行人的示意图；
[0049]图12为本申请根据一示例性实施例示出的障碍物漏检修复装置的结构示意图；
[0050]图13为本申请根据一示例性实施例示出的电子设备的硬件结构示意图。
具体实施方式
[0051]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0052]在汽车产业内，自动驾驶技术是当下最火热的研究领域，不仅可以帮助汽车企业占领先机和行业优势，也将这种全新便捷安全的出行方式惠及普通大众。在L4级别的无人驾驶系统组建中，传感器配置方案通常是摄像头、激光雷达、毫米波雷达。其中，摄像头相比激光雷达价格低，接近人类驾驶的判断依据，提供可靠的障碍物信息，从而，摄像头的应用范围比其他类传感器更广泛。L4无人驾驶汽车的摄像头布局中，通常使用多个相机覆盖前后左右360
°
视角，以检测汽车周围的障碍物。随着视觉检测模型的不断演进和优化，相机对障碍物的2D信息的判断已经达到较高的准确度，包括障碍本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种障碍物漏检修复方法，其特征在于，包括：获取多个锚框和预设模型的末端特征输出层输出的障碍物图像特征，其中，所述预设模型包括多个特征输出层；根据多个所述锚框和所述障碍物图像特征，得到每个所述锚框的类别特征图和前景背景特征图；根据各个所述锚框的所述类别特征图和所述前景背景特征图，确定漏检目标特征图和待处理特征图；根据所述漏检目标特征图，强化所述待处理特征图。2.根据权利要求1所述的方法，其特征在于，所述根据所述漏检目标特征图，强化所述待处理特征图，包括：根据所述漏检目标特征图，确定漏检目标特征区域；根据所述漏检目标特征区域，确定所述待处理特征图的待强化区域；强化所述待强化区域的响应度。3.根据权利要求1所述的方法，其特征在于，所述根据各个所述锚框的所述类别特征图和所述前景背景特征图，确定漏检目标特征图和待处理特征图，包括：根据各个所述锚框的所述类别特征图，确定响应度大于预设阈值的类别特征图，作为所述漏检目标特征图；根据各个所述锚框的所述前景背景特征图，确定与所述漏检目标特征图的锚框尺寸相同的前景背景特征图，作为所述待处理特征图。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述获取多个锚框，包括：在训练数据中标注出所有障碍物的维度信息；根据所述维度信息，使用聚类算法得到多个类别的所述障碍物的聚类中心，所述聚类中心是每个类别的所述障碍物的尺寸的中心值；根据所述聚类中心，得到多个不同尺度、大小的锚框。5.根据权利要求1
‑
...

【专利技术属性】
技术研发人员：郭雅婵，张立志，周磊，
申请(专利权)人：吉利汽车研究院宁波有限公司，
类型：发明
国别省市：