一种交通路锥识别方法及相关设备技术

本申请公开了一种交通路锥识别方法及相关设备，所述方法包括：获取车辆采集到的图像数据，将所述图像数据分别输入到预先训练好的路锥检测分类模型与路锥分类模型中；基于路锥检测分类模型根据图像数据计算得到路锥位置与第一路锥类型，并基于路锥分类模型根据图像数据计算得到第二路锥类型；将第一路锥类型与第二路锥类型进行融合处理，得到目标路锥类型；根据路锥位置与目标路锥类型，控制车辆自动规划驾驶路线。为提高模型整体识别精度，算法采用两阶段模型设计方式，即检测+分类。一阶段网络进行位置回归，二阶段网络对一阶段回归的结果进行分类，最后融合两者的结果获取高精度的检测结果，通过所述模型，能有效提高交通路锥识别精度。路锥识别精度。路锥识别精度。

【技术实现步骤摘要】
一种交通路锥识别方法及相关设备


[0001]本申请涉及图像识别
，尤其涉及一种交通路锥识别方法、系统、车辆及计算机可读存储介质。

技术介绍

[0002]随着人工智能、机器学习和大数据等领域的快速发展，以及在政策驱动消费牵引等多种力量的助推下，自动驾驶技术得到了极大的提升，目前已经有多家汽车厂商、科技公司和创业公司推出了自主驾驶汽车，并开始进行道路测试。
[0003]自动驾驶技术需要保证车辆在各种复杂环境下的安全性和可靠性，通过人工智能的发展，汽车将更好地了解驾驶员的需求，并能够更好的识别道路环境，如交通路锥等障碍物。
[0004]目前自动化驾驶过程中，识别路锥信息常用的方法是使用影像进行微分处理、预设阈值、三值化处理、霍夫变换等方法，但是这些方法在面对交通路锥类型、颜色较多的场景下识别精度不够高，而且受外部环境影响较大，例如不同的天气、重叠等场景，会降低交通路锥的识别率，而且在数据采集中，获取的数据差异往往较大，也会造成交通路锥识别准确度不高。
[0005]因此，现有技术还有待于改进和发展。

技术实现思路

[0006]本申请的主要目的在于提供一种交通路锥识别方法、系统、车辆及计算机可读存储介质，旨在解决现有技术中在汽车自动驾驶过程中，交通路锥识别准确度不高的问题。
[0007]本申请第一方面实施例提供一种交通路锥识别方法，包括以下步骤：获取车辆采集到的图像数据，将所述图像数据分别输入到预先训练好的路锥检测分类模型与路锥分类模型中；基于所述路锥检测分类模型根据所述图像数据计算得到路锥位置与第一路锥类型，并基于所述路锥分类模型根据所述图像数据计算得到第二路锥类型；将所述第一路锥类型与所述第二路锥类型进行融合处理，得到目标路锥类型；根据所述路锥位置与所述目标路锥类型，控制所述车辆自动规划驾驶路线。
[0008]根据上述技术手段，本申请实施例可以基于训练好的两种模型来对车辆采集到的图像数据进行处理，输出所述图像数据中路锥的位置以及路锥的种类，基于所述位置和种类，控制所述车辆自动规划驾驶路线，其中的模型算法采用两阶段模型设计方式，即检测+分类，一阶段网络进行位置回归，二阶段网络对一阶段回归的结果进行分类，最后融合两者的结果获取高精度的检测结果，通过所述模型，能有效提高交通路锥识别精度。
[0009]可选地，在本申请的一个实施例中，所述路锥检测分类模型的训练过程，具体包括采集行车场景中的图像，在所述图像中标注出各种路锥的位置和类别，得到第一训练数据；将所述第一训练数据进行图像增强后，输入到一阶段检测网络中进行训练，得到网络输出值，并根据所述网络输出值与所述第一训练数据中的标签计算损失函数，根据所述损失函
数调整模型参数后得到所述路锥检测分类模型。
[0010]根据上述技术手段，本申请实施例可以提供一阶段网络也就是路锥检测分类模型的训练过程，将获取到的图像数据进行图像增强，可以大大加强模型的鲁棒性，将增强后的数据输入到检测网络中进行训练，并根据网络的输出值计算各种损失函数，对路锥检测分类模型进步不断的调优，使得训练完成后的模型能够具有很高的精度，得到准确的路锥位置和第一路锥种类。
[0011]可选地，在本申请的一个实施例中，所述损失函数包括检测损失函数和分类损失函数；检测损失函数的计算过程为：将所述网络输出值进行归一化处理，得到预测的概率，再将所述概率输入到公式中计算得到检测损失函数；分类损失函数的计算过程表示为：将所述网络输出值进行归一化处理，得到预测的概率，再将所述概率输入到公式中计算得到分类损失函数；其中，表示预测的概率，表示所述第一训练数据中的第i个训练数据的真实标签值，N表示真实标签数量，i表示训练数据的个数；所述检测损失函数用于计算所述网络输出值中的检测框的损失，所述分类损失函数用于计算所述网络输出值中的分类名的损失。
[0012]根据上述技术手段，本申请实施例将所述网络输出值中的检测框的损失和分类名的损失分开计算，方便后续的数据计算和融合；并且在进行损失计算时，使用Sigmoid函数进行归一化处理，Sigmoid函数的输出范围是0到1，由于本申请中输出值限定在0到1，因此Sigmoid函数作为网络的概率输出非常合适，可以提高模型训练的精度和效率。
[0013]可选地，在本申请的一个实施例中，所述将所述第一训练数据进行图像增强后，输入到一阶段检测网络中进行训练，得到网络输出值，具体包括：将所述第一训练数据进行图像增强，得到增强后的第一训练数据；将增强后的第一训练数据输入到一阶段检测网络中的主干网络中进行图像特征的提取和融合，得到目标特征图；将目标特征图输入到中间层进行下采样和上采样，得到网络输出值。
[0014]根据上述技术手段，本申请实施例在训练模型时，将所述第一训练数据进行图像增强处理，得到增强后的第一训练数据，并将增强后的第一训练数据输入到骨干网络进行图像特征的提取和融合，并采用多个不同的池化层输出的特征图进行融合，再将目标特征图输入到中间层进行下采样和上采样，高维度向低维度传递语义信息的同时，低维度也会向高维度再传递一次语义信息，使得多尺度上的语义表达和定位能力都得到了增强。
[0015]可选地，在本申请的一个实施例中，所述主干网络包括CBS模块、BottleNeck_1模块、BottleNeck_2模块、C3_X_xn模块和SPP模块；所述CBS模块用于提取图像特征，得到第一特征图；所述BottleNeck_1模块和所述BottleNeck_2模块由若干个CBS模块组成，用于对所述第一特征图进行融合，得到第二特征图；所述C3_X_xn模块用于对BottleNeck_1模块和BottleNeck_2模块得到的所述第二特征图进行记忆融合，得到第三特征图；所述SPP模块用于将所述第三特征图输入到多个不同的池化层进行降维，并将降维结果进行融合，得到目标特征图。
[0016]根据上述技术手段，本申请实施例给出的所述主干网络的具体构成模块以及各模块的作用，每个模块之间存在关联，通过上述模块可以实现对图像数据的特征提取和融合，
再输入到池化层进行降维处理，简化网络复杂度、减小计算量、减小内存消耗，并将多个不同的池化层输出的特征图进行融合。
[0017]可选地，在本申请的一个实施例中，所述路锥分类模型的训练过程具体包括：采集行车场景中的图像，在所述图像中框选出若干区域，并在所述若干区域中分别标注出各路锥的类别，得到第二训练数据；将所述第二训练数据进行数据增强，得到增强后的第二训练数据；将增强后的第二训练数据输入到二阶段分类网络中进行训练，并根据焦点损失函数调整模型参数，得到所述路锥分类模型；其中，所述焦点损失函数的计算过程为：，其中，为概率得分，为调节易分样本权值的比例。
[0018]根据上述技术手段，本申请实施例提供二阶段网络也就是路锥分类模型的训练过程，将原图进行Crop裁剪后作为训练数据，并对训练数据进行数据增强来增加样本的多样性，并使用FocalLoss作为惩罚项减小稀疏类别对模型训练的影响，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通路锥识别方法，其特征在于，所述交通路锥识别方法包括：获取车辆采集到的图像数据，将所述图像数据分别输入到预先训练好的路锥检测分类模型与路锥分类模型中；基于所述路锥检测分类模型根据所述图像数据计算得到路锥位置与第一路锥类型，并基于所述路锥分类模型根据所述图像数据计算得到第二路锥类型；将所述第一路锥类型与所述第二路锥类型进行融合处理，得到目标路锥类型；根据所述路锥位置与所述目标路锥类型，控制所述车辆自动规划驾驶路线。2.根据权利要求1所述的交通路锥识别方法，其特征在于，所述路锥检测分类模型的训练过程，具体包括：采集行车场景中的图像，在所述图像中标注出各种路锥的位置和类别，得到第一训练数据；将所述第一训练数据进行图像增强后，输入到一阶段检测网络中进行训练，得到网络输出值，并根据所述网络输出值与所述第一训练数据中的标签计算损失函数，根据所述损失函数调整模型参数后得到所述路锥检测分类模型。3.根据权利要求2所述的交通路锥识别方法，其特征在于，所述损失函数包括检测损失函数和分类损失函数；检测损失函数的计算过程为：将所述网络输出值进行归一化处理，得到预测的概率，再将所述概率输入到公式中计算得到检测损失函数；分类损失函数的计算过程表示为：将所述网络输出值进行归一化处理，得到预测的概率，再将所述概率输入到公式中计算得到分类损失函数；其中，表示预测的概率，表示所述第一训练数据中的第i个训练数据的真实标签值，N表示真实标签数量，i表示训练数据的个数；所述检测损失函数用于计算所述网络输出值中的检测框的损失，所述分类损失函数用于计算所述网络输出值中的分类名的损失。4.根据权利要求2所述的交通路锥识别方法，其特征在于，所述将所述第一训练数据进行图像增强后，输入到一阶段检测网络中进行训练，得到网络输出值，具体包括：将所述第一训练数据进行图像增强，得到增强后的第一训练数据；将增强后的第一训练数据输入到一阶段检测网络中的主干网络中进行图像特征的提取和融合，得到目标特征图；将目标特征图输入到中间层进行下采样和上采样，得到网络输出值。5.根据权利要求4所述的交通路锥识别方法，其特征在于，所述主干网络包括CBS模块、BottleNeck_1模块、BottleNeck_2模块、C3_X_xn模块和SPP模块；所述CBS模块用于提取图像特征，得到第一特征图；所述BottleNeck_1模块和所述BottleNeck_2模块由若干个CBS...

【专利技术属性】
技术研发人员：黄桂，吴锐，
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：