一种用于众包数据的深度学习模型部署与训练方法技术

本发明专利技术提供了一种用于众包数据的深度学习模型部署与训练方法，属于深度学习模型部署与训练技术领域。该方法包括：众包数据输入；相机自标定；生成投影变换查找表；图像投影变换；深度学习模型部署；标注数据投影变换；深度学习模型训练。本发明专利技术解决了深度学习模型在众包数据上高性能低成本适配的问题。数据上高性能低成本适配的问题。数据上高性能低成本适配的问题。

【技术实现步骤摘要】
一种用于众包数据的深度学习模型部署与训练方法


[0001]本专利技术属于深度学习模型部署与训练
，尤其涉及一种用于众包数据的深度学习模型部署与训练方法。

技术介绍

[0002]随着辅助驾驶系统与自动驾驶车辆的普及，越来越多的交通场景数据通过众包方式采集。由于车辆搭载的相机类型各异，这种众包数据包含了多种车载相机类型和多种相机安装位置。例如，常见的车载相机类型包括小孔相机、鱼眼相机等，小孔相机基于小孔成像模型获取图像，以下统称小孔图像，鱼眼相机基于鱼眼成像模型获取图像，以下统称鱼眼图像；相机的安装位置包括前挡风玻璃上方、前保险杠上方、左右后视镜下方、后保险杠上方等。如何统一这些异构相机获取的图像信息，将已有的深度学习模型用于众包数据，实现低成本、高效率的深度学习模型部署与优化迭代，成为当前辅助驾驶与自动驾驶系统面对的关键问题。目前，针对包含异构相机的众包数据的深度学习模型部署与训练方法暂无相关专利，现有的技术思路包括：
[0003]1)直接将众包数据作为已有的深度学习模型的输入。
[0004]2)将众包数据统一矫正为小孔图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于众包数据的深度学习模型部署与训练方法，其特征在于，包括以下步骤：S1、众包数据输入：分别将鱼眼相机数据、小孔相机数据以及全景相机数据作为众包数据输入；S2、相机自标定：分别对鱼眼相机、小孔相机以及全景相机的内外参进行自动标定；S3、生成投影变换查找表：根据输入的众包数据的种类，分别生成鱼眼图像、小孔图像的投影变换查找表，并将全景图像作为柱面投影图像；S4、图像投影变换：根据得到的投影变换查找表，将鱼眼图像、小孔图像或全景图像的像素移动至投影后的位置，得到柱面投影转换后的新图像；S5、深度学习模型部署：将所述柱面投影转换后的新图像作为深度学习模型的输入，完成对深度学习模型的部署；S6、标注数据投影变换：根据所述柱面投影转换后的新图像，对标注数据进行投影变换，以将深度学习模型的训练样本统一变换至柱面投影图像上；S7、深度学习模型训练：利用经统一变换后的深度学习模型的训练样本，对深度学习模型进行训练，完成对深度学习模型的训练。2.根据权利要求1所述的用于众包数据的深度学习模型部署与训练方法，其特征在于，所述步骤S3包括以下步骤：S301、根据输入的众包数据的种类，基于鱼眼相机成像模型和柱面投影模型，计算得到原始鱼眼图像的像素点与目标鱼眼图像的像素点之间的映射关系，生成鱼眼图像的投影变换查找表；S302、根据输入的众包数据的种类，基于小孔成像模型和柱面投影模型，计算得到原始小孔图像的像素点与目标小孔图像的像素点之间的映射关系，生成小孔图像的投影变换查找表；S303、将全景图像作为柱面投影图像。3.根据权利要求2所述的用于众包数据的深度学习模型部署与训练方法，其特征在于，所述步骤S301包括以下步骤：S3011、根据输入的众包数据的种类，生成一个含有所有目标鱼眼图像像素点坐标(u'
f
,v'
f
)的矩阵；S3012、基于柱面投影模型，计算得到目标鱼眼图像像素点坐标(u'
f
,v'
f
)对应的三维空间坐标(X
f
,Y
f
,Z
f
)；S3013、基于鱼眼相机模型，计算得到每一个三维空间坐标(X
f
,Y
f
,Z
f
)对应的二维图像坐标，其中，所述二维图像坐标为目标鱼眼图像像素点对应的原始鱼眼图像像素坐标(u
f
,v
f
)；S3014、将原始鱼眼图像像素坐标(u
f
,v
f
)投影至目标鱼眼图像像素点坐标(u'
f
,v'
f
)，生成鱼眼图像的投影变换查找表。4.根据权利要求3所述的用于众包数据的深度学习模型部署与训练方法，其特征在于，所述步骤S3012中三维空间坐标(X
f
,Y
f
,Z
f
)的表达式如下：
其中，(u'
f
,v'
f
)表示目标鱼眼图像像素点坐标，(X
f
,Y
f
,Z
f
)表示目标鱼眼图像像素点对应的三维空间坐标，f
x
和f
y
分别表示柱面投影在水平和垂直方向上的...

【专利技术属性】
技术研发人员：王潇，宗文豪，赵浩南，
申请(专利权)人：舵敏智能科技苏州有限公司，
类型：发明
国别省市：