一种智能驾驶场景分类方法及系统技术方案

本发明专利技术提出一种智能驾驶场景分类方法，包括如下步骤：设置场景类别，对场景进行预分类，训练场景分类模型；获取图像数据；设置需要提取的场景类别和

【技术实现步骤摘要】
一种智能驾驶场景分类方法及系统


[0001]本专利技术涉及智能驾驶
，尤其涉及一种智能驾驶场景分类方法及系统
。

技术介绍

[0002]在智能驾驶中，自动驾驶是一个数据密集型的领域，而有效地利用好所采集到的数据可以让自动驾驶的效果提升一个档次
。
数据驱动的自动驾驶旨在通过大量的数据采集，处理以及分析，让自动驾驶系统能够自主学习和适应各种复杂的驾驶场景
。
[0003]目前，数据驱动的自动驾驶主要应用在软件算法层面，主要包括了感知
、
决策和控制
。
在没有给数据标注的情况下，工程师很难检索到自己想要的数据
。
在车端采集的原始数据量非常大，仅仅依靠人工给数据分类和标注又需要大量的人力和时间成本，场景也多元复杂，普通的基于规则的算法难以自动将数据划分出来
。
因此，如何使用一种高效的场景分类方法和系统对驾驶场景数据进行自动识别和分类
、
提升数据利用率是自动驾驶领域的重点和难点
。

技术实现思路

[0004]本专利技术的目的在于，提供一种智能驾驶场景分类方法及系统，以解决上述问题，可以对车辆采集的图像数据进行自动分类标注，提高数据利用率
。
[0005]本专利技术提出了一种智能驾驶场景分类方法，包括如下步骤：
[0006]步骤
S1、
设置场景类别，对场景进行预分类，训练场景分类模型；
[0007]步骤
S2、r/>获取图像数据；
[0008]步骤
S3、
设置需要提取的场景类别和
/
或参数，所述参数包括数据保留格式；
[0009]步骤
S4、
所述场景分类模型对所述图像数据进行检测
、
识别；
[0010]步骤
S5、
采用滑动窗口算法对识别出的场景进行筛选过滤和
/
或时间标记，所述时间标记包括识别出的场景在所述图像数据中的开始时间和结束时间；
[0011]步骤
S6、
根据所述时间标记对所述图像数据按照时间段进行切片；
[0012]步骤
S7、
将切片后的图像数据分别存储至对应的场景类别中
。
[0013]在一个实施例中，所述场景分类模型的基础模型架构为
MobileNet。
[0014]在一个实施例中，步骤
S1
具体包括：
[0015]编写脚本从车端自动提取图像数据；
[0016]人工对提取的图像数据进行分类剪辑，标注场景类别；
[0017]将不同类别的视频逐帧提取为图像，制成数据集，所述数据集包括标注了场景类别的图像样本；
[0018]使用所述数据集训练所述场景分类模型
。
[0019]在一个实施例中，所述场景分类模型的推理准确率不小于
90
％
。
[0020]在一个实施例中，所述图像数据的来源包括车端实时收集的图像数据
。
[0021]在一个实施例中，步骤
S3
中所述参数还包括滑动窗口的搜索框步长
N
，所述搜索框
步长
N
为搜索框单次搜索的连续图像帧数
N。
[0022]在一个实施例中，步骤
S5
具体包括：
[0023]使用搜索框获取
N
帧图像；
[0024]收集搜索框当前场景的每一帧图像的场景类别；
[0025]筛选出满足需要提取的场景类别的图像；
[0026]计算搜索框当前场景的图像中满足需要提取的场景类别的图像帧数与搜索框步长
N
的比值；
[0027]若所述比值达到设定的阈值，则搜索框当前场景满足需要提取的场景类别
。
[0028]本专利技术还提出了一种智能驾驶场景分类系统，用于实现上述智能驾驶场景分类方法，包括用户设置模块
、
图像采集模块
、
场景分类模块
、
数据存储模块和数据处理模块；
[0029]所述用户设置模块用于设置需要提取的场景类别和
/
或参数；
[0030]所述图像采集模块用于采集图像数据；
[0031]所述场景分类模块根据所述需要提取的场景类别和
/
或参数，对来自图像采集模块和
/
或数据处理模块的图像数据进行识别，并将识别后的图像数据传输给所述数据处理模块；
[0032]所述数据处理模块对识别后的图像数据进行筛选过滤和
/
或数据切片；
[0033]所述数据存储模块，连接所述图像采集模块，用于存储所述图像采集模块采集的图像数据和
/
或来自所述数据处理模块的切片数据
。
[0034]在一个实施例中，所述参数包括需要提取的场景类别
、
数据切割时长
、
场景分类模块的识别速度和
/
或数据存储格式
。
[0035]在一个实施例中，所述数据处理模块还包括图像格式转换
。
[0036]与现有技术相比，本专利技术的智能驾驶场景分类方法及系统的有益效果在于：
[0037]1)
本专利技术可以解决目前大部分智能驾驶公司缺乏自动化分类智能驾驶场景能力的现状，提高数据利用率，对车辆采集的图像数据进行自动分类标注，用于研究
、
分析和改进智能驾驶系统，从而不断提高自动驾驶技术的性能和安全性，加速智能驾驶的研发与落地
。
[0038]2)
本专利技术可以代替人工
、
规则标注方式，节约数据场景分类所需的大量人力成本和时间成本，实现数据场景分类的自动化流程
。
附图说明
[0039]图1为本专利技术一实施例的智能驾驶场景分类方法中滑动窗口算法的示意图；
[0040]图2为本专利技术一实施例的智能驾驶场景分类系统的示意图
。
具体实施方式
[0041]为了使本专利技术的目的
、
技术方案及优点更加清楚明白，下面结合附图和具体实施例对本专利技术作进一步详细说明
。
在此需要说明的是，此处所描述的具体实施例用于帮助理解本专利技术，但不构成对本专利技术的限定
。
[0042]本专利技术提出了一种智能驾驶场景分类方法，包括如下步骤：
[0043]步骤
S1、
设置场景类别，对场景进行预分类，训练场景分类模型；
[0044]步骤
S2、
获取图像数据；
[0045]步骤
S3、
设置需要提取的场景类别和
/
或参数，所述参数包括数据保留格式；
[0046]步骤...

【技术保护点】

【技术特征摘要】
1.
一种智能驾驶场景分类方法，其特征在于，包括如下步骤：步骤
S1、
设置场景类别，对场景进行预分类，训练场景分类模型；步骤
S2、
获取图像数据；步骤
S3、
设置需要提取的场景类别和
/
或参数，所述参数包括数据保留格式；步骤
S4、
所述场景分类模型对所述图像数据进行检测
、
识别；步骤
S5、
采用滑动窗口算法对识别出的场景进行筛选过滤和
/
或时间标记，所述时间标记包括识别出的场景在所述图像数据中的开始时间和结束时间；步骤
S6、
根据所述时间标记对所述图像数据按照时间段进行切片；步骤
S7、
将切片后的图像数据分别存储至对应的场景类别中
。2.
根据权利要求1所述的智能驾驶场景分类方法，其特征在于，所述场景分类模型的基础模型架构为
MobileNet。3.
根据权利要求1所述的智能驾驶场景分类方法，其特征在于，步骤
S1
具体包括：编写脚本从车端自动提取图像数据；人工对提取的图像数据进行分类剪辑，标注场景类别；将不同类别的视频逐帧提取为图像，制成数据集，所述数据集包括标注了场景类别的图像样本；使用所述数据集训练所述场景分类模型
。4.
根据权利要求1所述的智能驾驶场景分类方法，其特征在于，所述场景分类模型的推理准确率不小于
90
％
。5.
根据权利要求1所述的智能驾驶场景分类方法，其特征在于，所述图像数据的来源包括车端实时收集的图像数据
。6.
根据权利要求1所述的智能驾驶场景分类方法，其特征在于，步骤
S3
中所述参数还包括滑动窗口的搜索框步长
N
，所述...

【专利技术属性】
技术研发人员：左锐，杨哲博，施亮，赵晋燕，
申请(专利权)人：上汽大众汽车有限公司，
类型：发明
国别省市：