本申请涉及一种线状目标识别方法、装置、车辆及设备。方法包括：获取感知图像，所述感知图像中包括待识别的线状目标物；对感知图像进行离散采样，得到含有离散采样结果的采样图像；通过卷积神经网络识别所述采样图像的特征区域，得到线状目标物对应的采样点的位置信息；根据所述线状目标物对应的采样点的位置信息，确定线状目标物的识别结果。本发明专利技术通过对感知图像离散采样，可以解决线状目标输出数目受限的问题；本申请的线状目标识别方法计算量小，适用性广，可以方便的扩展到其他线状物体的检测。的检测。的检测。
【技术实现步骤摘要】
线状目标的识别方法、装置、车辆及设备
[0001]本申请涉及自动驾驶感知识别
，特别是涉及一种线状目标的识别方法、装置、车辆及设备。
技术介绍
[0002]神经网络是一种大规模、多参数优化的工具。依靠大量的训练数据，神经网络能够学习出数据中难以总结的隐藏特征，从而完成多项复杂的任务，如人脸检测、图像语义分割、物体检测、动作追踪、自然语言翻译等。神经网络已被人工智能领域广泛应用。近些年，卷积神经网络(Convolutional Neural Networks,CNN)在自动驾驶领域取得了快速发展。对于自动驾驶系统来说，感知系统相当于自动驾驶车辆的眼睛，可快速识别车身周围的动态和静态障碍物和周边道路结构环境。随着CNN的快速嵌入式化，目前自动驾驶车辆中的感知系统都采用神经网络进行相应的道路环境认知，相比传统方法，卷积神经网络往往具有更高的识别准确率和鲁棒性。但是，一般的卷积神经网络对于图像的识别方式应用在识别线状目标时，会造成识别不准确、计算过程复杂等问题。
技术实现思路
[0003]基于此，有必要针对上述技术问题，提供一种基于神经网络的线状目标识别方法、装置、车辆、计算机设备。
[0004]第一方面，本申请提供了一种基于神经网络的线状目标识别方法，所述方法包括：
[0005]获取感知图像，所述感知图像中包括线状的目标物；
[0006]对感知图像的像素进行离散采样和处理，得到含有离散采样结果的感知图像，即采样图像；
[0007]通过卷积神经网络识别所述含有离散采样结果的感知图像的特征区域，得到线状目标物对应的采样点的位置信息；
[0008]根据所述采样点的位置信息确定识别结果。
[0009]在其中一个实施例中，所述卷积神经网络包括主干网络和分支网络，所述主干网络用于识别和提取所述采样图像中的特征区域，并输出预设尺寸的特征图像至分支网络。
[0010]在其中一个实施例中，所述分支网络至少包括第一分支网络和第二分支网络，第一分支网络和第二分支网络生成具有不同尺度的特征图像，和/或生成对应于所述感知图像的不同区域的特征图像。
[0011]在其中一个实施例中，所述第一分支网络对所述感知图像进行分类，感知所述特征区域中各采样点处是否包含线状目标物，并通过第二分支网络感知包含线状目标物的采样点的位置信息。
[0012]在其中一个实施例中，获取所述感知图像后，还包括：对所述感知图像进行预处理。
[0013]在其中一个实施例中，所述对感知图像进行离散采样，得到采样图像，包括：
[0014]对所述感知图像的像素每间隔预设数量个点采样；
[0015]以所述感知图像为基准建立坐标系；
[0016]获得采样点坐标；
[0017]基于采样点坐标，得到所述感知图像对应的采样图像。
[0018]在其中一个实施例中，所述采样点坐标相对于所述特征区域的中心点的偏移值为所述采样点的位置信息。
[0019]在其中一个实施例中，所述根据所述线状目标物对应的采样点的位置信息，确定线状目标物的识别结果，包括：
[0020]根据所述线状目标物对应的采样点的位置信息，确定所述线状目标物在采样方向的偏移量；
[0021]根据所述线状目标物在采样方向的偏移量，确定线状目标物的识别结果。
[0022]在其中一个实施例中，所述采样点坐标为(x
i
，y
i
)，则x
i
＝si
‑
1，输入所述神经网络的采样点数据为y
i
值，其中，x
i
为采样点的横坐标，y
i
为采样点的纵坐标，s为所述感知图像的像素采样间隔的预设值，i＝0,1,2,3
……
。
[0023]第二方面，本申请还提供了一种基于神经网络的线状目标识别装置，所述装置包括：
[0024]采集模块，用于获取感知图像，所述感知图像中包括待识别的线状目标物；
[0025]处理模块，预设有卷积神经网络；所述处理模块对感知图像的像素进行离散采样，得到含有离散采样结果的采样图像；所述处理模块识别所述采样图像，得到线状目标物对应的采样点的位置信息；根据所述线状目标物对应的采样点的位置信息，确定线状目标物的识别结果；
[0026]传输模块，用于传输数据以及处理模块得到的识别结果。
[0027]第三方面，本申请还提供了一种车辆，采用上述的识别装置，还包括：
[0028]控制装置，连接所述识别装置，所述控制装置根据所述处理模块的结果进行计算，并判断所述车辆的通行情况，若判断为是，则控制所述车辆前进。
[0029]在其中一个实施例中，所述控制装置执行以下步骤：
[0030]选择或设置参考系，将识别结果拟合，得到线状目标物方程；
[0031]基于线状目标物方程，计算线状目标物与参考系的相对位置，并根据相对位置判断目标物状态；
[0032]以目标物状态作为判断所述车辆是否前进的依据。
[0033]第四方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0034]获取感知图像，所述感知图像中包括待识别的线状的目标物；
[0035]对感知图像的像素进行离散采样，得到含有离散采样结果的采样图像；
[0036]卷积神经网络识别所述采样图像的特征区域，得到线状目标物对应的采样点的位置信息；
[0037]根据所述线状目标物对应的采样点的位置信息得到线状的目标物的识别结果。
[0038]在其中一个实施例中，所述卷积神经网络包括主干网络和分支网络，所述分支网络包括第一分支网络和第二分支网络；所述通过卷积神经网络识别所述采样图像，得到含
有所述感知图像中的线状目标物对应的采样点的位置信息，包括：
[0039]通过所述主干网络提取所述采样图像中的特征区域，并将识别到的所述特征区域分别传输至第一分支网络和第二分支网络；
[0040]通过所述第一分支网络感知所述特征区域中各采样点处是否包含线状目标物，并通过第二分支网络感知包含线状目标物的采样点的位置信息。
[0041]在其中一个实施例中，获取所述感知图像后，还包括：对所述感知图像进行预处理。
[0042]在其中一个实施例中，所述对感知图像进行离散采样，得到采样图像，包括：
[0043]对所述感知图像的像素每间隔预设个点采样；
[0044]以所述感知图像为基准建立坐标系；
[0045]获得采样点坐标；
[0046]基于采样点坐标，得到所述感知图像对应的采样图像。
[0047]在其中一个实施例中，所述采样点坐标相对于所述特征图像的中心点的偏移值为采样点的位置信息。
[0048]在其中一个实施例中，所述根据所述线状目标物对应的采样点的位置信息，确本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种线状目标识别方法，其特征在于，所述方法包括：获取感知图像，所述感知图像中包括待识别的线状目标物；对感知图像进行离散采样，得到含有离散采样结果的采样图像；通过卷积神经网络识别所述采样图像的特征区域，得到线状目标物对应的采样点的位置信息；根据所述线状目标物对应的采样点的位置信息，确定线状目标物的识别结果。2.根据权利要求1所述的线状目标识别方法，其特征在于，所述卷积神经网络包括主干网络和分支网络，所述主干网络用于识别和提取所述采样图像中的特征区域，并输出预设尺寸的特征图像至分支网络；所述分支网络至少包括第一分支网络和第二分支网络，第一分支网络和第二分支网络生成具有不同尺度的特征图像，或生成对应于所述采样图像的不同区域的特征图像；所述第一分支网络对所述采样图像进行分类；所述第二分支网络感知包含线状目标物的采样点的位置信息。3.根据权利要求1所述的线状目标识别方法，其特征在于，获取所述感知图像后，还包括：对所述感知图像进行预处理。4.根据权利要求1至3任意一项所述的线状目标识别方法，其特征在于，所述对感知图像进行离散采样，得到采样图像，包括：对所述感知图像的像素每间隔预设个点采样；以所述感知图像为基准建立坐标系；获得采样点坐标；基于采样点坐标，得到所述感知图像对应的采样图像。5.根据权利要求1至3任意一项所述的线状目标识别方法，其特征在于，所述采样点坐标相对于所述特征区域的中心点的偏移值为所述采样点的位置信息。6.根据权利要求4所述的线状目标识别方法，其特征在于，所述采样点坐标为(x
i
，y
【专利技术属性】
技术研发人员：赵起超，袁金伟，张振林，
申请(专利权)人：中汽创智科技有限公司，
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。