一种快速道路的目标检测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种快速道路的目标检测方法、装置及存储介质，其方法包括：通过车载ADAS前向摄像头采集道路的原始图像；基于原始图像获取多个层级的ROI区域；根据多个层级的ROI区域对原始图像进行处理得到多个输入图像；将多个输入图像分别输入目标检测模型中获取多个目标检测结果；根据NMS算法将多个目标检测结果进行合并得到最终的目标检测结果；本发明专利技术将原始图像拆分为多个ROI区域图像然后送入目标检测模型中进行目标检测，能有效降低整体计算量，提升检测速度。提升检测速度。提升检测速度。

【技术实现步骤摘要】
一种快速道路的目标检测方法、装置及存储介质


[0001]本专利技术涉及一种快速道路的目标检测方法、装置及存储介质，属于驾驶辅助


技术介绍

[0002]随着汽车电动化智能化进程的不断深入，国民的期望值提升，软件改变了汽车属性，自动驾驶的不断进化逐步解放了驾驶员的注意力，直至完全摆脱人工干预，而自动驾驶的实现主要依靠各种传感器对车辆周围环境进行感知，通过目标检测，识别与跟踪等处理技术来评估危险性。其中目标检测技术是自动驾驶技术的基础，通过摄像头实时获取前方道路的图像数据，对图像上各种目标进行类别及位置的初步判定，为后续车辆进行更精准的识别及控制提供信息。目标检测往往是自动驾驶各个模块中耗时最长的模块，如何能够在有限资源下快速准确的完成各类目标的检测，俨然成为保障时效性的重中之重。
[0003]在道路目标的检测任务中，通常需要将整幅图像(1080P或者2K)直接送入神经网络中进行前传，而且目标检测需要使用计算量较大的神经网络保障性能，所以处理一帧图像的耗时较长。由于车载设备的特殊性及ADAS功能的时效性需求，需要更合理的分配本就较为稀缺的计算资源，所以我们再保证检测性能同时尽可能的压缩其计算量减少耗时。一般进行检测模型的计算量压缩操作有两种，(1)缩小输出数据，抠取原始图像中的部分区域或者直接缩放图像尺寸进行检测，(2)压缩神经网络结构，用较小计算量的模型来拟合大模型的结果。这两种方式虽然能压缩目标检测模型的计算量，减少耗时，但都会带来性能损失的副作用。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种快速道路的目标检测方法、装置及存储介质，能够降低目标检测模型的计算量，提升检测精度。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种快速道路的目标检测方法，包括：
[0007]通过车载ADAS前向摄像头采集道路的原始图像；
[0008]基于原始图像获取多个层级的ROI区域；
[0009]根据多个层级的ROI区域对原始图像进行处理得到多个输入图像；
[0010]将多个输入图像分别输入目标检测模型中获取多个目标检测结果；
[0011]根据NMS算法将多个目标检测结果进行合并得到最终的目标检测结果。
[0012]可选的，所述ROI区域的层级数为2
‑
3层。
[0013]可选的，所述ROI区域的层级数为2层；
[0014]第一层ROI区域的获取包括：
[0015]根据缩放比例k对原始图像进行缩放得到第一层ROI区域；所述第一层ROI区域的宽高为W/k，H/k；
[0016]所述缩放比例的最小值k
min
为：
[0017]k
min
＝Max(W,H)/w
max
[0018]所述第一层ROI区域目标检测模型所能检测到的目标宽的最小值为k
min
*r；
[0019]其中，W,H为原始图像的宽和高，w
max
和w
min
为目标检测模型所能检测到的目标宽的最大值和最小值；
[0020]第二层ROI区域的获取包括：
[0021]在世界坐标中确定所需检测到宽小于k
min
*r的目标与摄像头之间的距离d，所需检测的区域宽W
d
和高H
d
，得到所需检测的区域四个顶点坐标为：
[0022][0022][0023]其中，h0为摄像头的高度；
[0024]根据摄像头的俯仰角α和偏航角β确定旋转矩阵R：
[0025][0026]根据旋转矩阵R对四个顶点坐标进行校正，并利用小孔成像原理将校正后的四个顶点坐标变换成图像坐标，找到图像中左上顶点与右下顶点得到第二层ROI区域，所述第二层ROI区域的宽高为w，h；
[0027]根据第一层ROI区域和第二层ROI区域的宽高计算输入的区域总面积Sum：
[0028]Sum＝W/k
×
H/k+w
×
h
[0029]以k＝k
min
为起点，逐步提升缩放比例k使得区域总面积Sum最小，得到最终的缩放比例k，从而确定最终的第一层ROI区域。
[0030]第二方面，本专利技术提供了一种快速道路的目标检测装置，所述装置包括：
[0031]图像采集模块，用于通过车载ADAS前向摄像头采集道路的原始图像；
[0032]ROI区域获取模块，用于基于原始图像获取多个层级的ROI区域；
[0033]图像处理模块，用于根据多个层级的ROI区域对原始图像进行处理得到多个输入图像；
[0034]目标检测模块，用于将多个输入图像分别输入目标检测模型中获取多个目标检测结果；
[0035]结果生成模块，用于根据NMS算法将多个目标检测结果进行合并得到最终的目标检测结果。
[0036]第三方面，本专利技术提供了一种快速道路的目标检测装置，包括处理器及存储介质；
[0037]所述存储介质用于存储指令；
[0038]所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
[0039]第四方面，本专利技术提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
[0040]与现有技术相比，本专利技术所达到的有益效果：
[0041]本专利技术提供了一种快速道路的目标检测方法、装置及存储介质，通过设置ROI区域，将原始图像拆分为多个ROI区域图像然后送入目标检测模型中进行目标检测，不仅能有效降低整体计算量，提升检测速度，同时还能提升目标检测尺度的覆盖范围、减少一些环境误检。
附图说明
[0042]图1是本专利技术实施例提供的一种快速道路的目标检测方法的流程图；
[0043]图2是本专利技术实施例提供的两层ROI区域对原始图像处理示意图。
具体实施方式
[0044]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0045]实施例一：
[0046]如图1所示，本专利技术实施例提供了一种快速道路的目标检测方法，包括以下步骤：
[0047]1、通过车载ADAS前向摄像头采集道路的原始图像。
[0048]2、基于原始图像获取多个层级的ROI区域；
[0049]由于深度神经网络的使用，目标检测模型所能检测的物体尺度范围较广，且多次调用神经网络所造成的资源开销也不容小觑，所以通常只采用两层或者三层ROI区域设计；
[0050]以下示例两层ROI区域的获取方法：
[0051]2.1、第一层ROI区域的获取包括：
[0052]根据缩放比例k对原始图像进行缩放得到第一层ROI区域；所述第一层ROI区域的宽高为W/k，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速道路的目标检测方法，其特征在于，包括：通过车载ADAS前向摄像头采集道路的原始图像；基于原始图像获取多个层级的ROI区域；根据多个层级的ROI区域对原始图像进行处理得到多个输入图像；将多个输入图像分别输入目标检测模型中获取多个目标检测结果；根据NMS算法将多个目标检测结果进行合并得到最终的目标检测结果。2.根据权利要求1所述的一种快速道路的目标检测方法，其特征在于，所述ROI区域的层级数为2
‑
3层。3.根据权利要求1所述的一种快速道路的目标检测方法，其特征在于，所述ROI区域的层级数为2层；第一层ROI区域的获取包括：根据缩放比例k对原始图像进行缩放得到第一层ROI区域；所述第一层ROI区域的宽高为W/k，H/k；所述缩放比例的最小值k
min
为：k
min
＝Max(W,H)/w
max
所述第一层ROI区域目标检测模型所能检测到的目标宽的最小值为k
min
*r；其中，W,H为原始图像的宽和高，w
max
和w
min
为目标检测模型所能检测到的目标宽的最大值和最小值；第二层ROI区域的获取包括：在世界坐标中确定所需检测到宽小于k
min
*r的目标与摄像头之间的距离d，所需检测的区域宽W
d
和高H
d
，得到所需检测的区域四个顶点坐标为：坐标为：其中，h0为...

【专利技术属性】
技术研发人员：朱晓东，刘国清，郑伟，季思文，
申请(专利权)人：南京佑驾科技有限公司，
类型：发明
国别省市：