[发明专利]基于深度学习的交通目标检测与测距方法

说明书

本发明公开了基于深度学习的交通目标检测与测距方法，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；算法模型预测步骤，基于训练得到的模型，选择车辆附近的图像区域样本，对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。本发明使用深度学习方法将目标的识别与测距统一在单一的网络模型下，完成对交通目标的检测与测距，使系统达到了性能和效率的平衡，速度方面极佳，完全满足实时性要求。

技术领域

本发明属于汽车辅助驾驶自动驾驶领域，特别涉及基于深度学习的交通目标检测与测距方法。

背景技术

随着汽车产业的迅速增长，交通剧烈拥堵和交通事故大幅增加，改善交通安全已成为一个亟待解决的社会问题。为了改善交通安全，辅助驾驶的概念应运而生。安全预警系统、正向碰撞警告系统、自适应巡航控制系统、车道偏离预警系统等辅助驾驶系统逐渐应用于汽车驾驶中。在这些辅助驾驶系统中，最核心的部分是对交通目标的实时检测与测距。目标检测与测距是图像处理和计算机视觉的一个重要分支，它融合了图像处理、模式识别、人工智能、自动控制等许多领域的前沿技术。

目前，针对辅助驾驶系统，已经有一些车辆测距方法运用目标检测与测距等相关前沿技术。CN104899554A的发明专利使用机器学习方法进行车辆的检测，在检测到车辆后利用车辆处于同一平面的假设进行距离估计。CN107390205A的发明专利使用空间几何与图片坐标的映射关系进行估计，利用汽车在同一平面内的假设进行距离估计。

然而，当前绝大多数的辅助驾驶系统中的识别算法与测距算法相互独立，识别种类仅限于车辆，只是将识别结果用于测距或将测距结果用于识别，中间过程中的特征不能相互融合。CN104899554A以及CN107390205A发明专利涉及的车辆测距方法，一方面仅能对车辆距离进行预测，使得目标种类单一，而针对于交通场景，对人、自行车、电动车和公交车的识别都是十分重要的。另一方面，它的方法是由两个系统串行组成的，测距的结果十分依赖于第一步的准确性，误差存在累积效应。

实际应用场景中，需要新的车辆测距方法来针对交通场景中的多种目标进行识别，如针对小型汽车、厢式货车、公交车、摩托车、(电动)自行车、行人等。同时，也需要新的车辆测距方法更准确的进行实时交通目标识别与测距。

发明内容

本发明的目的是通过以下技术方案实现的。

基于深度学习的交通目标检测与测距方法，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；

算法模型预测步骤，基于训练得到的模型，选择车辆附近的图像区域样本，对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。

可选地，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。

可选地，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；