一种地面特征识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种地面特征识别方法、装置、设备及存储介质。该方法包括：获取待识别地面图像；通过目标地面特征点识别模型对待识别地面图像进行特征点识别，得到各项识别任务对应的地面特征点集；目标地面特征点识别模型通过多任务图像样本集迭代训练多任务卷积神经网络模型得到；根据各项识别任务对应的地面特征点集推算出待识别地面图像的各项地面特征。实现了通过一个神经网络模型识别多类地面特征，对算力资源要求低，易于搭建、训练和部署，进而降低了模型复杂度，提升了识别效率和精度，减少了资源开销。减少了资源开销。减少了资源开销。

【技术实现步骤摘要】
一种地面特征识别方法、装置、设备及存储介质


[0001]本专利技术涉及图像识别
，尤其涉及一种地面特征识别方法、装置、设备及存储介质。

技术介绍

[0002]随着车辆智能化的提升，在自动巡航、远程自动泊车和记忆泊车等功能越来越普及，而这些功能都需要对地面特征(如车位、车道线和地面标识等)进行识别。
[0003]传统的地面特征识别方法多采用传统的图像线特征提取，先对图像进行二值分割，使用比如霍夫(Hough)变换、边缘检测算子或者其他的特征检测算法进行线特征的检测，然后再根据一定的规则来进行筛选，这类方法实现起来比较麻烦，需要根据不同场景和识别任务调整规则和参数，而且识别效果比较差。
[0004]近来随着深度神经网络模型的发展，地面特征识别也更多采用网络模型的方式。但是车位、车道线和地面标志等要素多采用不同的模型进行识别，这样就需要训练多个神经网络模型，在车载计算平台上部署多个神经网络模型，给系统资源带来沉重开销。

技术实现思路

[0005]为了解决传统的地面特征识别方法识别效率低和资源开销大的问题，本专利技术提供了一种地面特征识别方法、装置、设备及存储介质，以降低模型复杂度，提升识别效率和精度，减少资源开销。
[0006]根据本专利技术的一方面，提供了一种地面特征识别方法，包括：
[0007]获取待识别地面图像；
[0008]通过目标地面特征点识别模型对所述待识别地面图像进行特征点识别，得到各项识别任务对应的地面特征点集；所述目标地面特征点识别模型通过多任务图像样本集迭代训练多任务卷积神经网络模型得到，所述识别任务包括：车位角点识别任务、车道线识别任务和地面标识识别任务；
[0009]根据各项识别任务对应的地面特征点集推算出所述待识别地面图像的各项地面特征。
[0010]根据本专利技术的另一方面，提供了一种地面特征识别装置，包括；
[0011]图像获取模块，用于获取待识别地面图像；
[0012]特征点识别模块，用于通过目标地面特征点识别模型对所述待识别地面图像进行特征点识别，得到各项识别任务对应的地面特征点集；所述目标地面特征点识别模型通过多任务图像样本集迭代训练多任务卷积神经网络模型得到；
[0013]特征推算模块，用于根据各项识别任务对应的地面特征点集推算出所述待识别地面图像的各项地面特征。
[0014]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0015]至少一个处理器；以及
[0016]与所述至少一个处理器通信连接的存储器；其中，
[0017]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的地面特征识别方法。
[0018]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的地面特征识别方法。
[0019]本专利技术实施例的技术方案，通过获取待识别地面图像；通过目标地面特征点识别模型对待识别地面图像进行特征点识别，得到各项识别任务对应的地面特征点集；目标地面特征点识别模型通过多任务图像样本集迭代训练多任务卷积神经网络模型得到；根据各项识别任务对应的地面特征点集推算出待识别地面图像的各项地面特征。实现了通过一个神经网络模型识别多类地面特征，对算力资源要求低，易于搭建、训练和部署，进而降低了模型复杂度，提升了识别效率和精度，减少了资源开销。
[0020]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0021]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本专利技术实施例一提供的一种地面特征识别方法的流程图；
[0023]图2为本专利技术实施例二提供的一种地面特征识别方法中的模型训练方法的流程图；
[0024]图3是本专利技术实施例二提供的一种地面特征识别方法中采用多任务卷积神经网络模型处理样本图像的示意图；
[0025]图4是本专利技术实施例三提供的一种地面特征识别方法的流程图；
[0026]图5是本专利技术实施例四提供的一种地面特征识别装置的示意图；
[0027]图6是实现本专利技术实施例的地面特征识别方法的电子设备的结构示意图。
具体实施方式
[0028]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0029]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]实施例一
[0031]图1为本专利技术实施例一提供了一种地面特征识别方法的流程图，本实施例可适用于对地面上的特征进行识别的情况，该方法可以由地面特征识别装置来执行，该地面特征识别装置可以采用硬件和/或软件的形式实现，该地面特征识别装置可配置于电子设备中。该电子设备可以是装载在车辆上的车载设备，也可以脱离于车辆独立使用，例如可以是计算机和服务器等设备。
[0032]如图1所示，该方法包括：
[0033]S110、获取待识别地面图像。
[0034]其中，待识别地面图像是指针对需要进行特征识别的地面所采集得到的图像。在待识别地面图像中可能存在的地面特征包括：车位、车道线和地面标识，地面标识是指在地面上设置的具有标识作用的标志，例如运行方向指示标识(如转向标识)、停车时段标志、警示标志和人工标志等。
[0035]示例性的，获取待识别地面图像的方式可以是通过位于待识别地面上方的相机采集待识别地面的鸟瞰图像；也可以是通过在车辆的车身四周设置的相机，在各自的视野范围内所采集到的单相机视野地面图像进行图像拼接得到的车辆四周的地面图像。
[0036]S120、通过目标地面特征点识别模型对待识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地面特征识别方法，其特征在于，包括：获取待识别地面图像；通过目标地面特征点识别模型对所述待识别地面图像进行特征点识别，得到各项识别任务对应的地面特征点集；所述目标地面特征点识别模型通过多任务图像样本集迭代训练多任务卷积神经网络模型得到；根据各项识别任务对应的地面特征点集推算出所述待识别地面图像的各项地面特征。2.根据权利要求1所述的方法，其特征在于，通过多任务图像样本集迭代训练多任务卷积神经网络模型，包括：建立多任务卷积神经网络模型；将获取到的多任务图像样本集输入所述多任务卷积神经网络模型得到各项识别任务对应的地面特征预测结果；所述多任务图像样本集中的图像样本上标记有各项识别任务对应的地面特征标注结果；根据各项识别任务对应的地面特征预测结果和地面特征标注结果形成的总损失函数值训练所述多任务卷积神经网络模型的参数；所述总损失函数值是每一项识别任务对应的地面特征预测结果和地面特征标注结果形成的损失函数值之和；返回执行将所述多任务图像样本集输入所述多任务卷积神经网络模型得到各项识别任务对应的地面特征预测结果的操作，直至得到目标地面特征点识别模型。3.根据权利要求2所述的方法，其特征在于，根据各项识别任务对应的地面特征预测结果和地面特征标注结果形成的总损失函数值训练所述多任务卷积神经网络模型的参数，包括：采用批量训练方式训练所述多任务卷积神经网络模型的参数；若所述损失函数值小于第一目标损失阈值，对所述多任务卷积神经网络模型的总训练次数大于第一次数阈值，且连续预设数量的训练次数得到的总损失函数值的变化小于变化阈值，则切换为采用微调训练方式训练所述多任务卷积神经网络模型的参数；若所述总损失函数值小于第二目标损失阈值，微调训练次数大于第二次数阈值，则切换为批量训练方式训练所述多任务卷积神经网络模型的参数；若所述总损失函数值和/或所述训练次数达到预设阈值，则停止训练所述多任务卷积神经网络模型的参数，获得所述目标地面特征点识别模型；其中，所述第一目标损失阈值小于所述第二目标损失阈值；第一次数阈值小于所述第二次数阈值；所述批量训练方式对应的参数调整值大于所述微调训练方式对应的参数调整值。4.根据权利要求1
‑
2任一所述的方法，其特征在于，获取多任务图像样本集包括：通过设置在车辆上不同位置的多个相机，在不同的取样位置分别获取取样地面的单相机视野地面图像，获得单相机视野地面图像集；对所述单相机视野地面图像集中各所述相机针对同一取样位置采集的单相机视野地面图像进行图像拼接，获得全视野地面图像集；对所述全视野地面图像集中的每个全视野地面图像进行特征点集和特征点集类型的标注，得到多任务图像样本集。5.根据权利要求1所述的方法，其特征在于，所述多任务图像样本集中的图像样本包
括：正图像样本和负图像样本；其中，所述正图像样本标注有全部识别任务对应的地面特征标注结果；所述负图像样本未标注有全部识别任务对应的地面特征标注结果，且标注有至少一个识别任务对应的地面特征标注结果；所述正图像样本在所述多任务图像样本集的占比不低于预设占比阈值；所述图像样本的采集场景包括：地下停车场、地面停车场和路边停车场。6.根据权利要求1所述的方法，其特征在于，所述识别任务包括：车位角点识别任务、车道线点集识别任务和地面标识点集识别任务；所述根据各项识别任务对应的地面特征点集推算出所述待识别地面图像的各项地面特征，包括：根据所述车位角点识别任务对应的车位角点点集确定目标车位框；根据所述目标车位框对所述车道线识别任务对应的车道线点集进行优化，获得目标车道线；根据所述目标车位框和目标...

【专利技术属性】
技术研发人员：彭凡，云一宵，陈婧，
申请(专利权)人：亿咖通湖北技术有限公司，
类型：发明
国别省市：