场景识别方法、计算机设备、计算机可读存储介质及车辆技术

本发明专利技术涉及自动驾驶技术领域，具体提供一种场景识别方法、计算机设备、计算机可读存储介质及车辆，旨在解决提高视觉识别失效场景的识别准确性、可扩展性并降低对计算资源消耗的问题。本发明专利技术提供的方法包括获取视觉传感器采集到的图像，通过多任务模型的共享特征提取网络提取图像的图像特征，并将图像特征输入至多任务模型的每个场景识别网络，通过每个场景识别网络并根据图像特征，分别对不同类型的视觉识别失效场景进行识别。通过这种方式，可以利用一个多任务模型对多个不同类型的视觉识别失效场景进行识别，无需为每类视觉识别失效场景分别建立任务模型，显著降低了对计算资源的消耗，同时也提高了对视觉识别失效场景识别的扩展性和准确性。扩展性和准确性。扩展性和准确性。

【技术实现步骤摘要】
场景识别方法、计算机设备、计算机可读存储介质及车辆


[0001]本专利技术涉及自动驾驶
，具体涉及一种场景识别方法、计算机设备、计算机可读存储介质及车辆。

技术介绍

[0002]在对车辆进行自动驾驶控制时通常会利用视觉传感器采集图像，对图像进行障碍物和车道线等目标进行识别。但是，在车辆行驶过程中可能会遇到雨天、雾天等情况导致视觉传感器的成像质量较差，导致车辆无法从图像中准确地识别出障碍物和车道线等目标，即发生视觉识别失效。对此，需要准确地识别出车辆是否处于会导致视觉识别失效的场景（如雨天），以确定车辆的控制方式，保证车辆安全。但是，目前常规的场景识别方法对计算资源的消耗比较大，可扩展性较低，识别出来的场景不能贴近实际的视觉识别失效场景。
[0003]相应地，本领域需要一种新的技术方案来解决上述问题。

技术实现思路

[0004]为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决提高视觉识别失效场景的识别准确性、可扩展性并降低对计算资源消耗的技术问题的场景识别方法、计算机设备、计算机可读存储介质及车辆。
[0005]在第一方面，提供一种场景识别方法，所述方法包括：获取视觉传感器采集到的图像；通过多任务模型的共享特征提取网络提取所述图像的图像特征，并将所述图像特征输入至所述多任务模型的每个场景识别网络；通过每个场景识别网络并根据所述图像特征，分别对不同类型的视觉识别失效场景进行识别。
[0006]在上述场景识别方法的一个技术方案中，“通过多任务模型的共享特征提取网络提取所述图像的图像特征”的步骤包括：通过所述共享特征提取网络的第一级特征提取网络，提取所述图像的第一级图像特征；通过所述共享特征提取网络的第二级特征提取网络，对所述第一级图像特征进行特征提取，以获取第二级图像特征。
[0007]在上述场景识别方法的一个技术方案中，在“通过多任务模型的共享特征提取网络提取所述图像的图像特征”的步骤之后，所述方法还包括：将所述第一级图像特征输入至所述多任务模型的每个目标识别网络；通过每个目标识别网络并根据所述第一级图像特征，分别对不同类型的目标进行识别。
[0008]在上述场景识别方法的一个技术方案中，所述方法还包括通过下列方式构建所述第一级特征提取网络：
采用卷积核尺寸大于预设的尺寸阈值的大核卷积，建立大核卷积层；根据所述大核卷积层，构建所述第一级特征提取网络。
[0009]在上述场景识别方法的一个技术方案中，所述方法还包括通过下列方式构建所述第二级特征提取网络：建立多个残差块；将多个残差块顺次连接，以构建所述第二级特征提取网络。
[0010]在上述场景识别方法的一个技术方案中，所述方法还包括通过下列方式构建所述场景识别网络：分别建立卷积层、全局池化层和全连接层；将所述卷积层、所述全局池化层和所述全连接层顺次连接，以构建所述场景识别网络。
[0011]在上述场景识别方法的一个技术方案中，所述方法还包括通过下列方式建立所述全连接层：分别建立多个全连接子层；将多个全连接子层顺次连接，以建立所述全连接层。
[0012]在上述场景识别方法的一个技术方案中，“通过每个场景识别网络并根据所述图像特征，分别对不同类型的视觉识别失效场景进行识别”的步骤具体包括：通过与每个视觉识别失效场景的类型各自对应的场景识别网络并根据所述图像特征，分别对每个类型的视觉识别失效场景进行识别；所述视觉识别失效场景的类型包括：雨天和/或视觉传感器的视野被全部遮挡和/或视觉传感器的视野被部分遮挡和/或车辆挡风玻璃存在霜冻。
[0013]在上述场景识别方法的一个技术方案中，“通过每个场景识别网络并根据所述图像特征，分别对不同类型的视觉识别失效场景进行识别”的步骤还包括：通过雨天对应的场景识别网络对雨天进行识别并识别降雨等级。
[0014]在第二方面，提供一种计算机设备，该计算机设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述场景识别方法的技术方案中任一项技术方案所述的场景识别方法。
[0015]在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述场景识别方法的技术方案中任一项技术方案所述的场景识别方法。
[0016]在第四方面，提供一种车辆，该车辆包括上述计算机设备的技术方案所述的计算机设备。
[0017]本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：在实施本专利技术提供的场景识别方法的技术方案中，可以获取视觉传感器采集到的图像，通过多任务模型的共享特征提取网络提取图像的图像特征，并将图像特征输入至多任务模型的每个场景识别网络，通过每个场景识别网络并根据图像特征，分别对不同类型的视觉识别失效场景进行识别。通过这种方式，可以利用一个多任务模型对多个不同类型的视觉识别失效场景进行识别，无需为每个类型的视觉识别失效场景分别建立一个任务模型，从而可以显著降低对计算资源的消耗。这种方式也提高了对视觉识别失效场景识别的
扩展性。比如，如果需要对新增类型的视觉识别失效场景进行识别，只需要再增加一个相应的场景识别网络即可，使用这个新增的场景识别网络对新增类型的视觉识别失效场景进行识别。此外，基于视觉识别失效场景识别的高扩展性，还可以尽可能多地设置贴近实际的视觉识别失效场景的场景识别网络，进一步提高视觉识别失效场景的识别准确性。
[0018]进一步，在实施本专利技术提供的场景识别方法的技术方案中，还可以通过共享特征提取网络的第一级特征提取网络，提取图像的第一级图像特征，通过共享特征提取网络的第二级特征提取网络，对第一级图像特征进行特征提取，以获取第二级图像特征，并将第一级图像特征输入至多任务模型的每个目标识别网络。通过每个目标识别网络并根据第一级图像特征，分别对不同类型的目标进行识别；通过每个场景识别网络并根据第二级图像特征，分别对不同类型的视觉识别失效场景进行识别。
[0019]视觉识别失效场景识别与目标识别采用不同级别的图像特征进行识别，可以减小二者之间的相互干扰，因而，通过这种方式，可以在不影响视觉识别失效场景识别与目标识别准确性的前提下，将视觉识别失效场景识别与目标识别的任务融合到同一个任务模型中，避免视觉识别失效场景识别抢占目标识别的计算资源。
附图说明
[0020]参照附图，本专利技术的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本专利技术的保护范围组成限制。其中：图1是根据本专利技术的一个实施例的场景识别方法的主要步骤流程示意图；图2是根据本专利技术的一个实施例的通过共享特征提取网络提取图像特征的方法的主要步骤流程示意图；图3是根据本专利技术的一个实施例的共享特征提取网络的主要结构示意图；图4是根据本专利技术的一个实施例的目标识别方法的主要步骤流程示意图；图5是根据本专利技术的一个实施例的计算机设备的主要结构示意图。
具体实施方式
[0021]下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种场景识别方法，其特征在于，所述方法包括：获取视觉传感器采集到的图像；通过多任务模型的共享特征提取网络提取所述图像的图像特征，并将所述图像特征输入至所述多任务模型的每个场景识别网络；通过每个场景识别网络并根据所述图像特征，分别对不同类型的视觉识别失效场景进行识别。2.根据权利要求1所述的场景识别方法，其特征在于，“通过多任务模型的共享特征提取网络提取所述图像的图像特征”的步骤包括：通过所述共享特征提取网络的第一级特征提取网络，提取所述图像的第一级图像特征；通过所述共享特征提取网络的第二级特征提取网络，对所述第一级图像特征进行特征提取，以获取第二级图像特征。3.根据权利要求2所述的场景识别方法，其特征在于，在“通过多任务模型的共享特征提取网络提取所述图像的图像特征”的步骤之后，所述方法还包括：将所述第一级图像特征输入至所述多任务模型的每个目标识别网络；通过每个目标识别网络并根据所述第一级图像特征，分别对不同类型的目标进行识别。4.根据权利要求2所述的场景识别方法，其特征在于，所述方法还包括通过下列方式构建所述第一级特征提取网络：采用卷积核尺寸大于预设的尺寸阈值的大核卷积，建立大核卷积层；根据所述大核卷积层，构建所述第一级特征提取网络。5.根据权利要求2所述的场景识别方法，其特征在于，所述方法还包括通过下列方式构建所述第二级特征提取网络：建立多个残差块；将多个残差块顺次连接，以构建所述第二级特征提取网络。6.根据权利要求1所述的场景识别方法，其特征在于，所述方法还包括通过下列方式构建所述...

【专利技术属性】
技术研发人员：徐朋磊，
申请(专利权)人：安徽蔚来智驾科技有限公司，
类型：发明
国别省市：