一种基于几何形状轨道分割拟合算法的障碍物检测方法技术

本发明专利技术公开了一种基于几何形状轨道分割拟合算法的障碍物检测方法，包括S1，训练数据预处理阶段；S2，非典型几何形状神经网络训练阶段；S3，数据后处理阶段；S4，算法融合阶段。本发明专利技术提供了一种基于几何形状轨道分割拟合算法的障碍物检测方法，将轨道区域切分为多种非典型四边形进行推理预测，并使用多边形拟合算法实现轨道分割，通过分析轨道特性，将像素级分割任务转换为区域性分割，同时与目标检测的区域具有良好的适配性，之后将该分割框架融入YOLOv5

【技术实现步骤摘要】
一种基于几何形状轨道分割拟合算法的障碍物检测方法


[0001]本专利技术涉及轨道障碍物检测
，尤其涉及一种基于几何形状轨道分割拟合算法的障碍物检测方法。

技术介绍

[0002]随着我国轨道交通技术的不断发展，轨道交通正转向无人值守的自动驾驶方式运营。无人值守列车中车载视觉是重要的一环，用来完成轨道分割、障碍物检测以及行人识别等感知任务。其中，轨道分割和障碍物检测一直是研究人员研究的重点，轨道线作为图像空间内轨道交通限界范围的参考线，其轨道能够准确识别分割出来的准确性直接影响着列车对于前方环境的感知，而侵限障碍物则是影响列车安全运行的主要因素，精准快速的检测障碍物同样对于列车安全行驶至关重要。
[0003]从实际轨道场景特点进行考虑，设计轨道局部区域分割代替轨道像素级分割，并使用拟合算法将局部区域拟合为完整区域的方式，实现轨道的拟合分割。此外，由于局部区域分割的特征需求与轨道障碍物检测对特征的需求有相似之处，如能够将轨道分割与障碍检测进行同步融合，并行训练与推理，则可以用更小的计算代价实现多任务驱动，从而可实现在特定的轨道分割区域进行障碍检测。

技术实现思路

[0004]本专利技术的目的在于提供一种基于几何形状轨道分割拟合算法的障碍物检测方法，将轨道区域切分为多种非典型四边形进行推理预测，并使用多边形拟合算法实现轨道分割，通过分析轨道特性，将像素级分割任务转换为区域性分割，同时与目标检测的区域具有良好的适配性，之后将该分割框架融入YOLOv5
‑
S轻量化算法中形成一种双视觉任务网络YOLOv5
‑
DVT，该网络可同时推理完成轨道分割与障碍物检测。
[0005]本专利技术公开的一种基于几何形状轨道分割拟合算法的障碍物检测方法所采用的技术方案是:
[0006]一种基于几何形状轨道分割拟合算法的障碍物检测方法，包括以下步骤：
[0007]S1，训练数据预处理阶段：
[0008]S1
‑
1，非典型轨道区域的切分，把轨道切分为多个非典型几何图形，并制作为数据集，用于训练深度神经网络；
[0009]S1
‑
2，数据增强设计，使用高斯滤波与随机噪声相结合的天气环境数据增强复合算法，弥补多天气复杂环境数据的缺失，并增加算法在不同天气情况下的鲁棒性；
[0010]S2，非典型几何形状神经网络训练阶段:
[0011]S2
‑
1，多边形角点排序，使用多边形角点顺序策略，保证样本中的角点在网络训练中具有固定的相对位置，确保网络能够按照期望的角点顺序进行角点回归；非典型四边形的各个角点间按照顺时针方向排序，以距离原点最近角点为起始点，计算其余各点相对于起始点的角度，通过角度比较确定各点顺序；
[0012]S2
‑
2，自适应正样本匹配，标签样本匹配是检测网络中重要的一环，标签样本匹配主要分为给真实框选择合适的锚框与将真实框写入合适的特征网格点两个方式；
[0013]S2
‑
3，相对重心位置的编解码，深度神经网络可以通过反向传播调节参数使网络收敛于某一目标域，达到输出期望的目的，但并不是所有数据都能够容易的使网络收敛，这就需要对数据进行编解码；
[0014]S2
‑
4，损失函数设计，根据设计的编解码方法，可知深度神经网络预测的参数有目标的位置、目标的类别以及目标的置信度，以标签样本为目标进行监督学习，为约束各个参数能够达到标签的期望，分别设计位置参数对应的定位损失、类别参数对应的类别损失以及置信度对应的置信度损失；
[0015]S3，数据后处理阶段：
[0016]S3
‑
1，多边形寻迹拟合:在框架的推理过程中，神经网络输出解码后会得到多个四边形形状的轨道信息，此时需要区分轨道数量并将其拟合形成多条完整的轨道，实现轨道分割目的，使用多边形寻迹拟合算法，通过比较角点之间的相对位置来确定角点的先后顺序，最后得到分割轨道的多边形组合；
[0017]S4,算法融合阶段：
[0018]S4
‑
1,优化损失函数，为实现融合后网络端到端的训练方式，需要将轨道分割与障碍物检测这两个任务的损失函数融合优化，在总损函数中引入样本量超参数，平衡两个任务提供的损失值；
[0019]S4
‑
2,并行训练策略:为更高效的训练网络，采用迁移学习+冻结训练+轮换交替训练的方式进行网络的训练。
[0020]作为优选方案，在步骤S1
‑
1中，将轨道归类为长直形状的轨道归类为直轨区域、具有弯曲结构的轨道使用转弯区域、连接区域及近景区域三个不同的非典型四边形进行划分，所述转弯区域的四边形具有不规则、尺寸小特点，而连接区域的四边形近似于梯形且较短，近景区域则使用近似于矩形的四边形切分等效；通过记录非典型几何图形的四个角点信息及类别信息，即可得到轨道非典型几何图形切分数据集，对于任一四边形其数据格式描述如下：{x1,y1,x2,y2,x3,y3,x4,y4,class
label
}，其中，前8位为4个角点的位置信息，最后1位为该四边形的类别信息。
[0021]作为优选方案，在步骤S2
‑
4中，所述定位损失用于预测位置参数逼近标签样本的真实参数，属于回归问题；类别损失和置信度损失用于预测目标是什么物体以及是目标物体的概率，属于分类问题，根据问题的不同对损失进行设计；对于回归问题损失函数的选择一般选用具有平滑区间的SmoothL1Loss函数，该函数表达式如下所示：
[0022][0023]式中表示第i个数据的标签值，y
i
表示第i个数据的预测值，损失计算在0附近的区间使用平均绝对误差计算，其余区间使用均方误差计算，其中超参数β设置为1；
[0024]分类问题损失函数的选择使用焦点损失函数与二分类交叉熵进行计算,其公式如下所示:
[0025][0026]BCE(y
t
,y
p
)＝
‑
y
t
log(y
p
)
‑
(1
‑
y
t
)log(1
‑
y
p
)
[0027]由于不同损失的损失值量级不同，若直接叠加3个损失函数，可能会导致损失值小的部分训练难以收敛，所以通过加权的方式将定位损失、类别损失以及置信度损失整合为总损失函数如下式所示：
[0028]Loss
polygon
＝l
pos
(γ
loc
Loss
loc
+γ
cls
Loss
cls
)+γ
conf
Loss
conf
[0029]式中l
pos
表示该目标框为正样本，只计算正样本的定位损失和类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于几何形状轨道分割拟合算法的障碍物检测方法，其特征在于，包括以下步骤：S1，训练数据预处理阶段：S1
‑
1，非典型轨道区域的切分，把轨道切分为多个非典型几何图形，并制作为数据集，用于训练深度神经网络；S1
‑
2，数据增强设计，使用高斯滤波与随机噪声相结合的天气环境数据增强复合算法，弥补多天气复杂环境数据的缺失，并增加算法在不同天气情况下的鲁棒性；S2，非典型几何形状神经网络训练阶段:S2
‑
1，多边形角点排序，使用多边形角点顺序策略，保证样本中的角点在网络训练中具有固定的相对位置，确保网络能够按照期望的角点顺序进行角点回归；非典型四边形的各个角点间按照顺时针方向排序，以距离原点最近角点为起始点，计算其余各点相对于起始点的角度，通过角度比较确定各点顺序；S2
‑
2，自适应正样本匹配，标签样本匹配是检测网络中重要的一环，标签样本匹配主要分为给真实框选择合适的锚框与将真实框写入合适的特征网格点两个方式；S2
‑
3，相对重心位置的编解码，深度神经网络可以通过反向传播调节参数使网络收敛于某一目标域，达到输出期望的目的，但并不是所有数据都能够容易的使网络收敛，这就需要对数据进行编解码；S2
‑
4，损失函数设计，根据设计的编解码方法，可知深度神经网络预测的参数有目标的位置、目标的类别以及目标的置信度，以标签样本为目标进行监督学习，为约束各个参数能够达到标签的期望，分别设计位置参数对应的定位损失、类别参数对应的类别损失以及置信度对应的置信度损失；S3，数据后处理阶段：S3
‑
1，多边形寻迹拟合:在框架的推理过程中，神经网络输出解码后会得到多个四边形形状的轨道信息，此时需要区分轨道数量并将其拟合形成多条完整的轨道，实现轨道分割目的，使用多边形寻迹拟合算法，通过比较角点之间的相对位置来确定角点的先后顺序，最后得到分割轨道的多边形组合；S4,算法融合阶段：S4
‑
1,优化损失函数，为实现融合后网络端到端的训练方式，需要将轨道分割与障碍物检测这两个任务的损失函数融合优化，在总损函数中引入样本量超参数，平衡两个任务提供的损失值；S4
‑
2,并行训练策略:为更高效的训练网络，采用迁移学习+冻结训练+轮换交替训练的方式进行网络的训练。2.如权利要求1所述的一种基于几何形状轨道分割拟合算法的障碍物检测方法，其特征在于，在步骤S1
‑
1中，将轨道归类为长直形状的轨道归类为直轨区域、具有弯曲结构的轨道使用转弯区域、连接区域及近景区域三个不同的非典型四边形进行划分，所述转弯区域的四边形具有不规则、尺寸小特点，而连接区域的四边形近似于梯形且较短，近景区域则使用近似于矩形的四边形切分等效；通过记录非典型几何图形的四个角点信息及类别信息，即可得到轨道非典型几何图形切分数据集，对于任一四边形其数据格式描述如下：{x1,y1,x2,y2,x3,y3,x4,y4,class
label
}，其中，前8位为4个角点的位置信息，最后1位为该四边形...

【专利技术属性】
技术研发人员：齐咏生，郭浩，刘利强，崔远鹏，陈昊，李永亭，马然，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：