本发明专利技术公开了一种基于神经网络的被遮挡车辆尾框回归方法、装置及存储介质，其方法包括：采集含有车辆尾框的目标图像；基于预设的YOLOV5目标检测框架获取目标图像中的目标车辆的位置信息；基于位置信息从目标图像中裁剪出目标车辆图像，并对目标车辆图像进行预处理；将预处理后的目标车辆图像输入深度神经网络得到目标车辆尾部被遮挡信息、车辆尾部特征点位置信息以及车辆尾部中线位置信息；基于车辆尾部被遮挡信息和车辆尾部特征点位置信息筛选出未被遮挡的车辆尾部特征点；基于未被遮挡的车辆尾部特征点和车辆尾部中线位置信息生成车辆尾框；本发明专利技术能够提升车辆运动状态判断的精确度来提升整个车载辅助驾驶系统的决策性能。策性能。策性能。
【技术实现步骤摘要】
一种基于神经网络的被遮挡车辆尾框回归方法、装置及存储介质
[0001]本专利技术涉及一种基于神经网络的被遮挡车辆尾框回归方法、装置及存储介质，属于辅助驾驶
技术介绍
[0002]在车载辅助驾驶系统中，我们需要依据车载摄像头获取前方道路目标车辆的成像，然后通过对图像中目标车辆的各种属性进行分析，从而获取车辆的运动状态。依据目标车辆尾框的位置、目标车辆现实场景中的车尾宽度、摄像头的成像参数，可以精确的计算目标车辆在现实场景中的位置，从而为后续的运动状态判断提供依据。那么其中核心的一环在于如何获取精准的车辆尾框。按照常规的流程，首先需要通过检测网络对道路上的车辆进行检测，然后对检测后的目标车辆进行精细化的特征点定位，依据车身上的特征点的位置，获取目标车辆的车宽和接地点的位置。但是当目标车辆被遮挡时，现有的检测网络存在特征点定位精度差的问题。
技术实现思路
[0003]本专利技术的目的在于克服现有技术中的不足，提供一种基于神经网络的被遮挡车辆尾框回归方法、装置及存储介质，能够提升整个特征点定位的环节的精确度，从而生成车辆尾框，提升车辆运动状态判断的精确度来提升整个车载辅助驾驶系统的决策性能。
[0004]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0005]第一方面，本专利技术提供了一种基于神经网络的被遮挡车辆尾框回归方法，包括：
[0006]采集车辆前方车况的视频片段，并从视频片段中提取含有车辆尾框的目标图像；
[0007]基于预设的YOLOV5目标检测框架获取目标图像中的目标车辆的位置信息；
[0008]基于位置信息从目标图像中裁剪出目标车辆图像，并对目标车辆图像进行预处理；
[0009]将预处理后的目标车辆图像输入训练好的深度神经网络得到目标车辆尾部被遮挡信息、车辆尾部特征点位置信息以及车辆尾部中线位置信息；
[0010]基于车辆尾部被遮挡信息和车辆尾部特征点位置信息筛选出未被遮挡的车辆尾部特征点；
[0011]基于未被遮挡的车辆尾部特征点和车辆尾部中线位置信息生成车辆尾框。
[0012]可选的，所述深度神经网络的训练过程包括：
[0013]获取目标车辆图像的历史数据，并分别对目标车辆图像中的车辆尾部特征点进行标注，并对目标车辆图像进行预处理生成训练集；
[0014]将训练集中的训练样本输入深度神经网络，得到车辆尾部特征点预测信息；
[0015]基于车辆尾部特征点预测信息和标注信息计算深度神经网络的损失；
[0016]根据深度神经网络的损失行反向传播迭代深度神经网络的网络参数，直至到达预
设迭代次数或损失收敛，完成深度神经网络的训练。
[0017]可选的，所述对目标车辆图像中的车辆尾部特征点进行标注包括：
[0018]车辆尾框的左上顶角和右上顶角分别标注为特征点6和特征点1；
[0019]车辆尾框的左下顶角和右下顶角分别标注为特征点5和特征点2；
[0020]车辆左后轮与地面交线的左端点和车辆右后轮与地面交线的右端点分别标注为特征点4和特征点3。
[0021]可选的，若特征点中存在被遮挡的情况，则根据经验对被遮挡的特征点进行标注，并对所有特征点添加被遮挡和未被遮挡的标注，对车辆尾部中线进行标注。
[0022]可选的，所述车辆尾部特征点预测信息包括车辆尾部被遮挡预测信息、车辆尾部特征点位置预测信息以及车辆尾部中线位置预测信息；
[0023]所述基于车辆尾部特征点预测信息和标注信息计算深度神经网络的损失包括：
[0024]通过交叉熵损失函数计算目标车辆尾部被遮挡预测信息的损失loss：
[0025][0026]其中，sigmoid(
·
)为sigmoid函数，y
n
是目标车辆尾部被遮挡信息，目标车辆尾部被遮挡预测信息；
[0027]通过smooth L1损失函数计算车辆尾部中线位置预测信息的损失L1_loss1：
[0028][0029]其中，x为车辆尾部中线标注信息与车辆尾部中线位置预测信息的差值；
[0030]通过smooth L1损失函数计算车辆尾部特征点位置预测信息的损失L1_loss2：
[0031]L1_loss2＝L1_loss1*K
[0032]其中，当特征点被遮挡时，K＝0，当特征点未被遮挡时，K＝1。
[0033]第二方面，本专利技术提供了一种基于神经网络的被遮挡车辆尾框回归装置，所述装置包括：
[0034]图像获取模块，用于采集车辆前方车况的视频片段，并从视频片段中提取含有车辆尾框的目标图像；
[0035]位置获取模块，用于基于预设的YOLOV5目标检测框架获取目标图像中的目标车辆的位置信息；
[0036]裁剪处理模块，用于基于位置信息从目标图像中裁剪出目标车辆图像，并对目标车辆图像进行预处理；
[0037]信息获取模块，用于将预处理后的目标车辆图像输入训练好的深度神经网络得到目标车辆尾部被遮挡信息、车辆尾部特征点位置信息以及车辆尾部中线位置信息；
[0038]信息筛选模块，用于基于车辆尾部被遮挡信息和车辆尾部特征点位置信息筛选出未被遮挡的车辆尾部特征点；
[0039]尾框生成模块，用于基于未被遮挡的车辆尾部特征点和车辆尾部中线位置信息生成车辆尾框。
[0040]第三方面，本专利技术提供了一种基于神经网络的被遮挡车辆尾框回归装置，包括处理器及存储介质；
[0041]所述存储介质用于存储指令；
[0042]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。
[0043]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。
[0044]与现有技术相比，本专利技术所达到的有益效果：
[0045]本专利技术提供的一种基于神经网络的被遮挡车辆尾框回归方法、装置及存储介质，可以利用深度神经网络同时获得下面三个信息：目标车辆尾部被遮挡信息、车辆尾部特征点位置信息以及车辆尾部中线位置信息。利用神经网络的特征共享，同步学习上述三个特征点的状态信息，这样的网络设计有助于节省系统在该模块的计算资源。依据尾部特征点被遮挡信息判断该特征点的可信度，从而对特征点进行筛选。依据筛选后的特征点位置和尾部中线生成相对精准的车辆尾框。当车尾被遮挡时，给出相关特征点的是否被遮挡的标记，让深度神经网络不学习被遮挡特征点的位置信息。可以保证神经网络学习的都是标注准确的特征点，在联合学习车尾未遮挡车辆的特征点时，不会对未遮挡车辆的学习造成负面影响。通过上述方案，既能保证未遮挡车辆的特征点定位，也能获取被遮挡车辆相对精确的特征点定位，同时整合相关任务到同一个深度学习神经网络，有效提升整个模块的运行效率。
附图说明
[0046]图1是本专利技术实施例提供的一种基于神经网络的被遮挡车辆尾框回归方法的流程图；
[0047本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，包括：采集车辆前方车况的视频片段，并从视频片段中提取含有车辆尾框的目标图像；基于预设的YOLOV5目标检测框架获取目标图像中的目标车辆的位置信息；基于位置信息从目标图像中裁剪出目标车辆图像，并对目标车辆图像进行预处理；将预处理后的目标车辆图像输入训练好的深度神经网络得到目标车辆尾部被遮挡信息、车辆尾部特征点位置信息以及车辆尾部中线位置信息；基于车辆尾部被遮挡信息和车辆尾部特征点位置信息筛选出未被遮挡的车辆尾部特征点；基于未被遮挡的车辆尾部特征点和车辆尾部中线位置信息生成车辆尾框。2.根据权利要求1所述的一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，所述深度神经网络的训练过程包括：获取目标车辆图像的历史数据，并分别对目标车辆图像中的车辆尾部特征点进行标注，并对目标车辆图像进行预处理生成训练集；将训练集中的训练样本输入深度神经网络，得到车辆尾部特征点预测信息；基于车辆尾部特征点预测信息和标注信息计算深度神经网络的损失；根据深度神经网络的损失行反向传播迭代深度神经网络的网络参数，直至到达预设迭代次数或损失收敛，完成深度神经网络的训练。3.根据权利要求2所述的一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，所述对目标车辆图像中的车辆尾部特征点进行标注包括：车辆尾框的左上顶角和右上顶角分别标注为特征点6和特征点1；车辆尾框的左下顶角和右下顶角分别标注为特征点5和特征点2；车辆左后轮与地面交线的左端点和车辆右后轮与地面交线的右端点分别标注为特征点4和特征点3。4.根据权利要求3所述的一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，若特征点中存在被遮挡的情况，则根据经验对被遮挡的特征点进行标注，并对所有特征点添加被遮挡和未被遮挡的标注，对车辆尾部中线进行标注。5.根据权利要求4所述的一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，所述车辆尾部特征点预测信息包括车辆尾部被遮挡预测信息、车辆尾部特征点位置预测...
【专利技术属性】
技术研发人员：季思文，刘国清，郑伟，朱晓东，
申请(专利权)人：南京佑驾科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。