[发明专利]一种神经网络模型训练及通用接地线的检测方法

权利要求书

1.一种神经网络模型的训练方法，其特征在于：所述训练方法通过以下步骤进行训练：

步骤11：获取道路的样本，道路样本图像中标注可行驶区域以及边界处动态物体的一对接地点；

步骤12：将所述道路样本图像输入初始化的神经网络模型；

步骤13：利用经过标注的道路样本图像训练初始化的神经网络模型；

所述图像中与道路路面具有重叠部分的物体，这些物体与真实道路路面连接部分的边界线为接地线，所述接地线的两端点为接地点，对于静态物体其边界由可行驶区域边界表示，对于动态物体通过接地线表示，接地线根据所属物体类别或者同种物体不同方向而划分成不同类别。

2.如权利要求1所述的训练方法，其特征在于，所述步骤12包括步骤121和步骤122：

步骤121：将所述道路样本图像输入所述初始化的神经网络模型的编码器部分；

步骤122：将所述编码器获得的图像特征输入到所述初始化的神经网络模型的解码器，获得可行驶区域分割结果和接地线检测结果。

3.如权利要求2所述的训练方法，其特征在于，所述解码器包括可行驶区域分割分支和接地线检测分支。

4.如权利要求2所述的训练方法，其特征在于:所述神经网络的损失函数为：

其中，L表示损失函数，p_i,t_i,s_i分别表示同一位置的像素分别在接地点分类图、接地点距离图和可行驶区域分割图中的预测值，分别为相应的label值；L_cls是分类的损失函数，这里使用交叉熵损失；是对所有参与计算的像素点做归一化；L_reg是回归的损失函数，这里使用均方误差，L_seg是交叉熵损失函数，分别是对参与计算回归和分割的像素点做归一化，λ,γ表示不同的系数。

5.如权利要求1所述的训练方法，其特征在于，在步骤11中，将所述道路样本图像和标注的可行驶区域图缩放至预设尺寸。

6.一种神经网络模型，其采用权利要求1-5任一项所述的训练方法得到。

7.利用权利要求1-5中任一项所述的神经网络模型的训练方法检测通用接地线的方法，其特征在于，检测方法包括以下步骤：

步骤1：对摄像装置获取的图像进行单目标定，记录并存储所述摄像装置的内部参数和畸变参数；

步骤2：将步骤1中获得的所述图像输入到训练好的所述神经网络中，得到可行驶区域分割图以及接地点、接地线，其中，对于静态物体其边界由可行驶区域边界表示，对于动态物体通过接地线表示，接地线根据所属物体类别或者同种物体不同方向而划分成不同类别。

8.如权利要求7所述的检测通用接地线的方法，其特征在于，在所述步骤1中还包括使用双线性插值将所述图像缩放为预设尺寸。