[发明专利]基于深度学习的交通目标检测与测距方法

权利要求书

1.基于深度学习的交通目标检测与测距方法，其特征在于，包括：

算法模型训练步骤，选择车辆附近的图像区域样本，对图像增加样本，对增加的样本改变像素使其成为具有相等强度的图像，最后进行深度学习训练得到模型；

所述算法模型训练步骤具体包括如下步骤：

根据当前车速进行兴趣区域设置，选择图像区域样本；

对所述图像区域样本增强，通过图像的几何变换，使用一种或多种组合进行样本增强变换来增加输入数据的量；

对比度归一化，通过从每个图像中减去整个图片的平均强度，然后重新缩放使得图像像素上的标准差等于预设常数；

进行深度卷积神经网络训练，确定网络模型与损失函数，采集交通场景下的图片，进行深度学习的网络训练，最终得到深度卷积神经网络模型；

所述损失函数包括定位损失、类别损失、置信度损失、距离误差四个要素，所述四个要素加权累加构成所述损失函数；

所述的定位损失为在预测目标的位置上带来的误差，表达式为：

其中，Loss_Loc为定位损失误差，I为第i个格子是否包含第j个物体的中心，若包含则为I＝0，若不包含则I＝1，x为横坐标，y为纵坐标，w为宽度，h为高度；

所述的类别损失为在预测目标的类别时带来的误差，表达式为：

其中，p(c)为类别向量；

所述的置信度损失为在预测是不是有物体时带来的误差，表达式为：

其中，p(obj)为存在目标的概率；

所述的距离误差为在预测目标的距离时带来的误差，表达式为：

其中，为真实距离，n_Dis为预测距离；

算法模型预测步骤，基于所述训练得到的模型，选择车辆附近的图像区域样本，对所述图像区域样本对比度归一化，再进行深度卷积神经网络预测，输出图像数据。

2.如权利要求1所述的交通目标检测与测距方法，其特征在于，所述算法模型预测步骤具体包括如下步骤：

根据当前车速进行兴趣区域设置，选择图像区域样本；

对比度归一化，通过从每个图像中减去其平均值，然后重新缩放使得图像像素上的标准差等于预设常数；

深度卷积神经网络预测，对比度归一化后的图像输入到训练好的深度卷积神经网络模型中，输出图像数据。

3.如权利要求1所述的交通目标检测与测距方法，其特征在于，所述的兴趣区域设置的方式如下：在车速小于20km/h时，所述兴趣区域设置为车前及距离车辆两侧二十米内；在车速大于60km/h时，所述兴趣区域设置为车辆前方两百米。

4.如权利要求1所述的交通目标检测与测距方法，其特征在于，所述的对比度归一化，为近似的全局对比度归一化，输出图像X′：

其中，X∈R^r*c*З表示图像的三维张量，表示整个图片的三维张量平均强度，i为第i行，j为第j列，k为颜色标号，i、j、k均为整数，λ为平衡标准差的正则化参数，ε为防止数值上溢的数值，r为行数，c为列数。

5.如权利要求1所述的交通目标检测与测距方法，其特征在于，所述方法进一步包括：对所述深度卷积神经网络进行不均匀的网格划分，每个网格预测落入当前网格的物体类别的可能性、坐标、距离。

6.如权利要求1所述的交通目标检测与测距方法，其特征在于，所述图像数据包括图片中的交通目标的类别、坐标、位置、置信度。