本发明专利技术提供了智能驾驶目标车辆的侧底边预测方法和装置，包括：获取原始图像，将原始图像进行预处理，得到预处理后的图像；将预处理后的图像输入到深度卷积神经网络中，输出得到图像特征信息；将图像特征信息分别进行检测处理和分割处理，得到预测结果；将预测结果进行匹配，得到匹配结果；根据匹配结果计算侧底边的像素坐标；通过引入检测分割一体化算法对目标车辆的底边尤其是侧底边进行准确感知，充分挖掘出目标信息，能够提高对目标车辆横向距离计算的准确度。计算的准确度。计算的准确度。
【技术实现步骤摘要】
智能驾驶目标车辆的侧底边预测方法和装置
[0001]本专利技术涉及智能驾驶
，尤其是涉及智能驾驶目标车辆的侧底边预测方法和装置。
技术介绍
[0002]在智能驾驶感知系统中，视觉相机是智能驾驶车辆感知周围环境的重要输入，相当于车辆的“眼睛”。而识别视觉数据中的障碍物目标，是智能驾驶环境感知中必不可少的一环。
[0003]车辆在行驶过程中，需要对周围环境中的障碍物进行及时感知，从而才能做出正确决策。而在感知时，需要对周围道路上的障碍物车辆进行准确的检测，从而为后续距离的精确估计打下坚实基础。
[0004]目前采用的方法主要是依靠目标检测算法从图像中预测的二维矩形框对目标进行预计。但是，这种方法所面临的问题是：仅仅依靠目标检测算法不足以对障碍物目标进行准确预测；另外，单检测任务算法虽然简单，但是效率不高；多任务、多分支算法已经被证实算力增加不明显。
[0005]因此，上述方法在感知时，都无法对周围道路上的障碍物车辆进行准确检测。
技术实现思路
[0006]有鉴于此，本专利技术的目的在于提供智能驾驶目标车辆的侧底边预测方法和装置，通过引入检测分割一体化算法对目标车辆的底边尤其是侧底边进行准确感知，充分挖掘出目标信息，能够提高对目标车辆横向距离计算的准确度。
[0007]第一方面，本专利技术实施例提供了智能驾驶目标车辆的侧底边预测方法，所述方法包括：
[0008]获取原始图像，将所述原始图像进行预处理，得到预处理后的图像；
[0009]将所述预处理后的图像输入到深度卷积神经网络中，输出得到图像特征信息；
[0010]将所述图像特征信息分别进行检测处理和分割处理，得到预测结果；
[0011]将所述预测结果进行匹配，得到匹配结果；
[0012]根据所述匹配结果计算侧底边的像素坐标。
[0013]进一步的，将所述图像特征信息分别进行检测处理和分割处理，得到预测结果，包括：
[0014]将所述图像特征信息通过多个检测头进行预测，得到目标车辆的不同部位的二维外包矩形框；
[0015]将所述图像特征信息进行分割处理，得到像素分割结果。
[0016]进一步的，将所述预测结果进行匹配，得到匹配结果，包括：
[0017]输入参考框和待匹配框集合；
[0018]设置综合交并比计算方式和阈值，以及初始化空匹配结果；
[0019]根据所述综合交并比计算方式计算综合交并比矩阵和当前最大交并比；
[0020]判断所述当前最大交并比是否超过所述阈值；
[0021]如果否，则确定没有继续符合条件的索引对，并输出所述匹配结果；
[0022]如果是，则计算当前参考框和待匹配框索引；
[0023]将所述待匹配框索引加入到所述匹配结果的序列中，并将所述待匹配框索引作为已匹配框；
[0024]从所述参考框和所述待匹配框集合中删除所述已匹配框；
[0025]判断是否遍历完所有的所述参考框或所述待匹配框；
[0026]如果是，则遍历完毕，并且输出所述匹配结果；
[0027]如果否，则继续计算所述当前最大交并比。
[0028]进一步的，所述匹配结果包括分割结果，根据所述匹配结果计算侧底边的像素坐标，包括：
[0029]对所述分割结果进行逐列计算，并查找底部边界点后得到所有底边像素坐标；
[0030]当车头可见时，计算车头框与车身框之间的底边像素；
[0031]当车尾可见时，计算车尾框与所述车身框之间的底边像素；
[0032]当所述车头和所述车尾均不可见时，计算所述所有底边像素坐标；
[0033]根据所述所有底边像素坐标得到所有侧底边像素坐标。
[0034]进一步的，将所述原始图像进行预处理，得到预处理后的图像，包括：
[0035]将所述原始图像进行尺寸缩放，得到缩放后的图像；
[0036]将所述缩放后的图像进行颜色预处理，得到颜色预处理后的图像；
[0037]将所述颜色预处理后的图像进行数据增强处理，得到所述预处理后的图像。
[0038]进一步的，将所述预处理后的图像输入到深度卷积神经网络中，输出得到图像特征信息，包括：
[0039]将所述预处理后的图像通过卷积层进行卷积计算、通过激活层进行非线性计算，以及通过池化层进行降低维度和提取有效特征，得到所述图像特征信息。
[0040]第二方面，本专利技术实施例提供了智能驾驶目标车辆的侧底边预测装置，所述装置包括：
[0041]图像输入和预处理模块，用于获取原始图像，将所述原始图像进行预处理，得到预处理后的图像；
[0042]主干网络特征提取模块，用于将所述预处理后的图像输入到深度卷积神经网络中，输出得到图像特征信息；
[0043]检测分割结果预测模块，用于将所述图像特征信息分别进行检测处理和分割处理，得到预测结果；
[0044]结果匹配模块，用于将所述预测结果进行匹配，得到匹配结果；
[0045]侧底边计算模块，用于根据所述匹配结果计算侧底边的像素坐标。
[0046]进一步的，所述检测分割结果预测模块具体用于：
[0047]将所述图像特征信息通过多个检测头进行预测，得到目标车辆的不同部位的二维外包矩形框；
[0048]将所述图像特征信息进行分割处理，得到像素分割结果。
[0049]第三方面，本专利技术实施例提供了电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
[0050]第四方面，本专利技术实施例提供了具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如上所述的方法。
[0051]本专利技术实施例提供了智能驾驶目标车辆的侧底边预测方法和装置，包括：获取原始图像，将原始图像进行预处理，得到预处理后的图像；将预处理后的图像输入到深度卷积神经网络中，输出得到图像特征信息；将图像特征信息分别进行检测处理和分割处理，得到预测结果；将预测结果进行匹配，得到匹配结果；根据匹配结果计算侧底边的像素坐标；通过引入检测分割一体化算法对目标车辆的底边尤其是侧底边进行准确感知，充分挖掘出目标信息，能够提高对目标车辆横向距离计算的准确度。
[0052]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0053]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0054]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种智能驾驶目标车辆的侧底边预测方法，其特征在于，所述方法包括：获取原始图像，将所述原始图像进行预处理，得到预处理后的图像；将所述预处理后的图像输入到深度卷积神经网络中，输出得到图像特征信息；将所述图像特征信息分别进行检测处理和分割处理，得到预测结果；将所述预测结果进行匹配，得到匹配结果；根据所述匹配结果计算侧底边的像素坐标。2.根据权利要求1所述的智能驾驶目标车辆的侧底边预测方法，其特征在于，将所述图像特征信息分别进行检测处理和分割处理，得到预测结果，包括：将所述图像特征信息通过多个检测头进行预测，得到目标车辆的不同部位的二维外包矩形框；将所述图像特征信息进行分割处理，得到像素分割结果。3.根据权利要求1所述的智能驾驶目标车辆的侧底边预测方法，其特征在于，将所述预测结果进行匹配，得到匹配结果，包括：输入参考框和待匹配框集合；设置综合交并比计算方式和阈值，以及初始化空匹配结果；根据所述综合交并比计算方式计算综合交并比矩阵和当前最大交并比；判断所述当前最大交并比是否超过所述阈值；如果否，则确定没有继续符合条件的索引对，并输出所述匹配结果；如果是，则计算当前参考框和待匹配框索引；将所述待匹配框索引加入到所述匹配结果的序列中，并将所述待匹配框索引作为已匹配框；从所述参考框和所述待匹配框集合中删除所述已匹配框；判断是否遍历完所有的所述参考框或所述待匹配框；如果是，则遍历完毕，并且输出所述匹配结果；如果否，则继续计算所述当前最大交并比。4.根据权利要求1所述的智能驾驶目标车辆的侧底边预测方法，其特征在于，所述匹配结果包括分割结果，根据所述匹配结果计算侧底边的像素坐标，包括：对所述分割结果进行逐列计算，并查找底部边界点后得到所有底边像素坐标；当车头可见时，计算车头框与车身框之间的底边像素；当车尾可见时，计算车尾框与所述车身框之间的底边像素；当所述车头和所述车尾均不可见时，计算所述所有底边像素坐标；根据所述所有...
【专利技术属性】
技术研发人员：程涵，戴令正，韩志华，张旭，
申请(专利权)人：苏州挚途科技有限公司，
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。