感知模型训练方法、基于感知模型的场景感知方法技术

本申请涉及感知模型训练方法、基于感知模型的场景感知方法；应用于汽车电子产品中，所述感知模型训练方法包括以下步骤：S1初始化感知模型参数；S2获取图像数据，并对所述图像数据进行前向运算，获得图像数据的损失函数总值；S3根据所述损失函数总值，进行后向运算对感知模型参数进行更新；S4迭代步骤S2到S3，当迭代次数达到预设次数时，获得最终感知模型。本申请的有益效果是：本申请训练感知模型，并通过感知模型获取场景图像的数据，准确度高，同时通过卷积神经网络算法进行2D物体检测任务和多目标分类任务，大大降低计算量，可在车载处理器上进行实时计算，得到感知结果。得到感知结果。得到感知结果。

【技术实现步骤摘要】
感知模型训练方法、基于感知模型的场景感知方法


[0001]本申请涉及汽车电子
，更具体地，涉及感知模型训练方法、基于感知模型的场景感知方法。

技术介绍

[0002]近年来借助人工智能领域的技术突破，ADAS(高级驾驶辅助系统)和无人驾驶技术有了飞速发展。车辆可通过车载摄像头等车载传感器获取车辆当前环境信息，之后车载处理系统通过感知算法对传感器信息进行处理提炼，供车辆控制系统做出相应决策。感知算法作为无人驾驶系统的重要部分，为车辆的安全提供先决条件和保障。
[0003]相关技术中基于图像分类算法，能粗略的给出大致信息，但不能给出更加具体的信息，比如分类算法能给出场景中有人和车辆，但是不能得到例如：人少于5，车辆多于10，交通标志牌等更加细致的信息，而且相关技术对于场景中小尺寸物体的感知力弱，如：交通灯，交通标志牌。相比下本技术不但能给出诸如天气，光照，时段，路段等情况，还不能针对更加敏感物体，如行人、车辆，交通标识等给出更加具体的结构化信息。

技术实现思路

[0004]本申请为克服上述现有技术中的问题，本申请提供感知本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种感知模型训练方法，其特征在于，应用于汽车电子产品中，所述方法包括以下步骤：S1初始化感知模型参数；S2获取图像数据，并对所述图像数据进行前向运算，获得图像数据的损失函数总值；S3根据所述损失函数总值，进行后向运算对感知模型参数进行更新；S4迭代步骤S2到S3，当迭代次数达到预设次数时，获得最终感知模型。2.根据权利要求1所述的一种感知模型训练方法，其特征在于，在步骤S1中，所述感知模型参数通过随机值赋值进行初始化。3.根据权利要求1所述的一种感知模型训练方法，其特征在于，在步骤S2中，所述获取图像数据，包括以下步骤：S21通过车载摄像采集多个图像数据；S22对每一所述图像数据进行预处理，并在每一图像数据标注形成数据集。4.根据权利要求3所述的一种感知模型训练方法，其特征在于，所述步骤S22包括：S221通过相机标定算法，对所述图像数据进行标定获得畸变参数；S222通过矫正公式获得获取矫正坐标，并通过双线性差值算法得到矫正图像；S223进行图像缩放，并对图像进行2D框和多标签标注；其中，所述矫正公式为：k1，k2，p1，p2，k3为畸变参数，x，y为矫正后像素坐标，x
′
，y
′
为矫正前像素坐标，r＝x2+y2。5.根据权利要求1所述的一种感知模型训练方法，其特征在于，在步骤S2中，所述对所述图像数据进行前向运算基于卷积神经网络算法进行计算，具体步骤包括：S23通过CNN特征提取模块，将图像数据映射为特征图；S24将所述特征图链接线性映射层，将特征图映射为C
scene
×
1的矩阵，C
scene
×
1的矩阵为多标签分类分支输出的多标签分类数据数据，C
scene
为多标签分类分支的分类数；S25对所述特征图进行2
n
‑2倍上采样，得到宽高为原图像的检测头特征图，其中R＝4为下采样因子。S26所述检测头特征图分别经过卷积层得到三个分支输出数据：中心点数据、中心点偏移数据、尺寸数据。6.根据权利要求1所述的一种感知模型训练方法，其特征在于，所述损失函数总值为多标签分离损失函数与2D框物体检测损失函数之和。7.根据权利要求6所述的一种感知模型训练方法，其特征在于，所述多标签分离损失函数，通过以下公式计算：(2)，其中，Y
i
为类别真值，为类别估计值。8.根据权利要求6所述的一种感知模型训练方法，其特征在于，所述2D框物体检测损失
函数为中心点损失函数、中心点偏移损失函数、尺寸损失函数之和；其中，中心点损失函数通过以下公式计算：其中α,β为中心点损失函数的超参数，为中心点位置真值，为中心点位置预测值...

【专利技术属性】
技术研发人员：贾楠，徐倩，杨鑫，
申请(专利权)人：惠州市德赛西威汽车电子股份有限公司，
类型：发明
国别省市：