本申请涉及一种神经网络模型的训练方法以及信号灯分组方法和装置。该方法包括获取两个不同信号灯的第一信号灯样本图片和第二信号灯样本图片；将第一信号灯样本图片和第二信号灯样本图片中的信号灯进行变化处理，得到第一信号灯训练集和第二信号灯训练集；根据第一信号灯样本图片、第一信号灯训练集和第二信号灯训练集训练神经网络模型，直至得到可输出分组结果的已训练神经网络模型，分组结果为第一信号灯样本图片与第一信号灯训练集中的信号灯相同，以及第一信号灯样本图片与第二信号灯训练集中的信号灯不同。本申请提供的方案，能够在不需要对信号灯图片进行大量的标注的情况下，对信号灯进行准确的分组。对信号灯进行准确的分组。对信号灯进行准确的分组。
【技术实现步骤摘要】
神经网络模型的训练方法以及信号灯分组方法和装置
[0001]本申请涉及自动驾驶
，尤其涉及神经网络模型的训练方法以及信号灯分组方法和装置。
技术介绍
[0002]在自动驾驶中，自动驾驶车需要借助信号灯判断是否需要减速、停止前进等。因此信号灯的解算已成为自动驾驶的重要部分，一般信号灯的解算是先利用神经网络识别图片中的信号灯，再对多张图片中的信号灯进行分组，将同一个信号灯分为同一组。
[0003]相关技术中，关于信号灯的分组一般使用最优匹配和特征点提取的方式，但是，自动驾驶车在行驶过程中，一方面由于交通道路的复杂性，信号灯会出现遮挡等情况，导致拍摄的多张图片中信号灯的数量并不相同，采用最优匹配的方式会出现分组不准的问题；另一方面由于远小近大的效应，导致拍摄的同一信号灯的多张图片也不相同，而且信号灯的特征点少，且相似度高，因此，采用特征点提取的方式会需要对图片进行大量的标注才能实现信号灯的分组，导致分组效率低，且分组效果差。
技术实现思路
[0004]为解决或部分解决相关技术中存在的问题，本申请提供一种神经网络模型的训练方法以及信号灯分组方法和装置，能够在不需要对信号灯图片进行大量的标注的情况下，对信号灯进行准确的分组。
[0005]本申请第一方面提供一种神经网络模型的训练方法，包括以下步骤：
[0006]获取两个不同信号灯的信号灯样本图片，并记为第一信号灯样本图片和第二信号灯样本图片；
[0007]将所述第一信号灯样本图片和所述第二信号灯样本图片中的信号灯进行变化处理，得到第一信号灯训练集和第二信号灯训练集，所述变化处理包括放大、缩小或倾斜中的至少一种；
[0008]根据所述第一信号灯样本图片、所述第一信号灯训练集和所述第二信号灯训练集训练神经网络模型，直至得到可输出分组结果的已训练神经网络模型，所述分组结果为所述第一信号灯样本图片与所述第一信号灯训练集中的信号灯相同，以及所述第一信号灯样本图片与所述第二信号灯训练集中的信号灯不同。
[0009]作为一个可选的实施例，所述神经网络模型为二分类网络模型。
[0010]作为一个可选的实施例，所述根据所述第一信号灯样本图片、所述第一信号灯训练集和所述第二信号灯训练集训练神经网络模型，所述神经网络模型输出分组结果，包括以下步骤：
[0011]根据所述第一信号灯样本图片和所述第一信号灯训练集训练神经网络模型，所述神经网络模型输出的分组结果为第一预设值；
[0012]根据所述第一信号灯样本图片和所述第二信号灯训练集训练神经网络模型，所述
神经网络模型输出的分组结果为第二预设值。
[0013]本申请第二方面提供一种信号灯分组方法，包括以下步骤：
[0014]在自动驾驶车辆行驶过程中，获取信号灯视频中的多帧目标信号灯图片；
[0015]将所述多帧目标信号灯图片中待分组的两帧目标信号灯图片输入已训练神经网络模型，以使所述已训练神经网络模型输出分组结果；其中，所述已训练神经网络模型是由上述所述的神经网络模型的训练方法训练得到的；
[0016]根据所述分组结果，确定所述待分组的两帧目标信号灯图片中的信号灯是否相同；
[0017]若所述分组结果为第一预设值，则说明所述待分组的两帧目标信号灯图片中的信号灯相同；
[0018]若所述分组结果为第二预设值，则说明所述待分组的两帧目标信号灯图片中的信号灯不同。
[0019]作为一个可选的实施例，所述已训练神经网络模型输出分组结果，包括以下步骤：
[0020]卷积处理所述待分组的两帧目标信号灯图片，得到所述待分组的两帧目标信号灯图片的两张特征图；
[0021]提取所述两张特征图中信号灯的若干特征；
[0022]全连接处理所述两张特征图中信号灯的若干特征，判断所述待分组的两帧目标信号灯图片中的信号灯是否相同；
[0023]若相同，则确定所述待分组的两帧目标信号灯图片为同一组，并输出对应的分组结果；
[0024]若不同，则确定所述待分组的两帧目标信号灯图片不为同一组，并输出对应的分组结果。
[0025]作为一个可选的实施例，还包括以下步骤：
[0026]若输入所述已训练神经网络模型中的信号灯图片已分组，则获取该信号灯图片的特征图，并将所述特征图输入所述已训练神经网络模型。
[0027]作为一个可选的实施例，所述获取信号灯视频中的多帧目标信号灯图片，包括以下步骤：
[0028]将所述信号灯视频进行分帧，得到多帧信号灯图片；
[0029]将多帧所述信号灯图片中待分组的一个信号灯所在区域进行裁剪，得到多帧目标信号灯图片。
[0030]本申请第三方面提供一种信号灯分组装置，包括：
[0031]获取模块，用于在自动驾驶车辆行驶过程中，获取信号灯视频中的多帧目标信号灯图片；
[0032]输入模块，用于将所述多帧目标信号灯图片中待分组的两帧目标信号灯图片输入已训练神经网络模型，以使所述已训练神经网络模型输出分组结果；其中，所述已训练神经网络模型是由如上述所述的神经网络模型的训练方法训练得到的；
[0033]确定模块，用于根据所述分组结果，确定所述待分组的两帧目标信号灯图片中的信号灯是否相同。
[0034]本申请第四方面提供一种电子设备，包括：
[0035]处理器；以及
[0036]存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
[0037]本申请第五方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
[0038]本申请提供的技术方案可以包括以下有益效果：本申请实施例将已训练神经网络模型用于自动驾驶中信号灯的分组，即使输入的同一信号灯的两张信号灯图片中信号灯的大小不同、倾斜角度不同，已训练神经网络模型仍然可以输出这两张信号灯图片为同一组的分组结果；以及即使输入的不同的信号灯的两张信号灯图片中信号灯的大小不同、倾斜角度不同，已训练神经网络模型仍然可以输出这两张信号灯图片不为同一组的输出结果。也正是因为本申请实施例已使用大量可避免“近大远小”以及“倾斜”带来误匹配的样本图片对神经网络模型进行训练，因此，可以避免在自动驾驶中对信号灯进行分组时需要标注大量数据的问题，应用已训练神经网络模型时，无需对输入的信号灯图片进行标注以及其他处理，直接输入已训练神经网络模型就可以得到准确的分组结果，大大提高信号灯分组效率。
[0039]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0040]通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
[0041]图1是本申请实施例示出的神经网络模型的训练方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种神经网络模型的训练方法，其特征在于，包括以下步骤：获取两个不同信号灯的信号灯样本图片，并记为第一信号灯样本图片和第二信号灯样本图片；将所述第一信号灯样本图片和所述第二信号灯样本图片中的信号灯进行变化处理，得到第一信号灯训练集和第二信号灯训练集，所述变化处理包括放大、缩小或倾斜中的至少一种；根据所述第一信号灯样本图片、所述第一信号灯训练集和所述第二信号灯训练集训练神经网络模型，直至得到可输出分组结果的已训练神经网络模型，所述分组结果为所述第一信号灯样本图片与所述第一信号灯训练集中的信号灯相同，以及所述第一信号灯样本图片与所述第二信号灯训练集中的信号灯不同。2.根据权利要求1所述的神经网络模型的训练方法，其特征在于，所述神经网络模型为二分类网络模型。3.根据权利要求2所述的神经网络模型的训练方法，其特征在于，所述根据所述第一信号灯样本图片、所述第一信号灯训练集和所述第二信号灯训练集训练神经网络模型，所述神经网络模型输出分组结果，包括以下步骤：根据所述第一信号灯样本图片和所述第一信号灯训练集训练神经网络模型，所述神经网络模型输出的分组结果为第一预设值；根据所述第一信号灯样本图片和所述第二信号灯训练集训练神经网络模型，所述神经网络模型输出的分组结果为第二预设值。4.一种信号灯分组方法，其特征在于，包括以下步骤：在自动驾驶车辆行驶过程中，获取信号灯视频中的多帧目标信号灯图片；将所述多帧目标信号灯图片中待分组的两帧目标信号灯图片输入已训练神经网络模型，以使所述已训练神经网络模型输出分组结果，所述已训练神经网络模型由如权利要求1所述的神经网络模型的训练方法训练得到；根据所述分组结果，确定所述待分组的两帧目标信号灯图片中的信号灯是否相同；若所述分组结果为第一预设值，则说明所述待分组的两帧目标信号灯图片中的信号灯相同；若所述分组结果为第二预设值，则说明所述待分组的两帧目标信号灯图片中的信号灯不同。5.根据权利要求4所述的信号灯分组方法，其特征在于，...
【专利技术属性】
技术研发人员：李耀萍，李正旭，贾双成，朱磊，
申请(专利权)人：智道网联科技北京有限公司，
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。