一种基于轻量化网络的骑车人关键点检测方法技术

本发明专利技术涉及自动驾驶技术领域，公开了一种基于轻量化网络的骑车人关键点检测方法，包括：S1：多场景训练图像数据采集；S2：以轻量化训练网络UNet网络为基础框架，构建网络模型；S3：对所述训练图像数据进行处理，获得包含骑车人框信息、骑车人关键点位置信息与属性信息的打包数据；S4：将所述打包数据输入到所述网络模型中进行训练，获得骑车人关键点模型；S5：将待检测骑车人图像数据输入骑车人关键点检测模型中，获得骑车人关键点坐标。本发明专利技术能够解决现有技术中，检测速度慢、精度低，检测效果不理想的问题。不理想的问题。不理想的问题。

【技术实现步骤摘要】
一种基于轻量化网络的骑车人关键点检测方法


[0001]本专利技术涉及自动驾驶
，尤其涉及一种基于轻量化网络的骑车人关键点检测方法。

技术介绍

[0002]随着计算机视觉深度学习的快速发展，自动驾驶技术也得到了快速的发展，而自动驾驶中的动态目标是自动驾驶中的核心检测目标。动态目标中包含行人检测，车辆检测等，这些常规目标基于近年来深度学习的发展已经可以达到很好的检测效果。
[0003]但是骑车人这一特殊的动态目标虽然有着较好的检测效果，但是考虑到其运动特性，对于其方向的估计，依靠传统的算法不能很好的计算，这会影响到车辆自动驾驶中紧急制动等相关技术。
[0004]方向估计不准的主要原因为骑车人总是出现在相对于车辆的摄像头感知的图像边缘，单纯的依赖骑车人的检测框对于骑车人方向估计有着较大的难度。同时，关键点检测在在汽车自动驾驶技术发挥着基础而重要的作用。如在2D感知领域，骑车人框的估计利用检测出的关键点来构成目标的矩形框，跟传统检测方法相比能能够达到更好的检测效果。骑车人的跟踪识别可以根据骑车人的关键点对每一个骑车人赋予一个跟踪I本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化网络的骑车人关键点检测方法，其特征在于，包括：S1：多场景训练图像数据采集；S2：以轻量化训练网络UNet网络为基础框架，构建网络模型；S3：对所述训练图像数据进行处理，获得包含骑车人框信息、骑车人关键点位置信息与属性信息的打包数据；S4：将所述打包数据输入到所述网络模型中进行训练，获得骑车人关键点模型；S5：将待检测骑车人图像数据输入骑车人关键点检测模型中，获得骑车人关键点坐标。2.根据权利要求1所述的一种基于轻量化网络的骑车人关键点检测方法，其特征在于，所述步骤S3的方法为：S31：对所述训练图像数据进行检测框刷取，获得初步处理图像数据；S32：对所述初步处理图像数据进行关键点标注，并对标注的关键点添加属性标签，获得标注图像数据；S33：将所述标注图像数据打包为适配MXNet框架的数据格式，获得打包数据。3.根据权利要求1所述的一种基于轻量化网络的骑车人关键点检测方法，其特征在于，所述步骤S4的方法为：S41：读取所述打包数据中的训练图片，并对所述训练图片进行坐标转换；S42：对坐标转换后的所述训练图片进行预处理，形成输入网络的tensor张量格式数据；S43：将所述tensor张量格式数据按批次输入所述网络模型中；S44：完成所有训练批次与设定的训练迭代数次之后，获得所述骑车人关键点模型。4.根据权利要求1所述的一种基于轻量化网络的骑车人关键点检测方法，其特征在于，所述步骤S5的方法为：S51：对待检测骑车人图像数据进行检测框刷取；S52：对刷取检测框后的待检测骑车人图像数据进行坐标转换，获得输入数据；S53：将所述输入数据输入所述骑车人关键点模型中，进行模型推理，再经过反坐标转换，获得所述骑车人关键点坐标。5.根据权利要求2所述的一种基于轻量化网络的骑车人关键点检测方法，其特征在于，所述步骤S32的方法为：S321：获取所述初步处理图像数据中的所有图片；S322：依次对每张图片中的每个骑车人的后轮胎接地点、前轮胎接地点的位置坐标进行标注，获得每个骑车人的前轮关键点和后轮关键点；S323：根据每个...

【专利技术属性】
技术研发人员：张琦，袁聪，刘富钰，吴犀，周春宇，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：