[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

说明书

本发明公开了一种神经网络训练方法，以及采用该神经网络进行通用接地线检测的方法，属于智能驾驶领域。现有技术存在难以估计边界的速度，不利于规划算法使用的技术问题，本发明提供的神经网络以及利用该神经网络系统进行通用接地线的检测，包括步骤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中获得的图像输入到所述训练好的神经网络中，得到可行驶区域分割图以及接地点、接地线。该方法把当前道路图像分割成可行驶区域和障碍物区域的同时，检测出接地线及其对应的物体类别，相比传统方法检测更加准确快捷。

技术领域

本发明属于智能驾驶领域领域，更具体地，涉及一种通用接地线检测方法。

背景技术

随着科学技术的发展，自动驾驶的概念被人们提出。在自动驾驶领域，车辆可以预置智能化系统检测出当前的可行驶区域并依照该区域行驶。

利用现有的可行驶区域检测方法可对图片进行处理得到障碍物区域和可行驶区域。然而，现有技术无法识别出障碍物的类型以及障碍物的个数。这样就难以估计边界的速度，不利于规划算法使用。

发明内容

针对现有技术的以上缺陷或改进需求，本发明的一个方面是提供了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。

优选地，所述步骤12包括步骤121和步骤122：

步骤121：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。

优选地，所述解码器包括可行驶区域分割分支和接地线检测分支。

优选地，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，优选使用交叉熵损失；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，优选使用均方误差，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。优选地，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。

按照本发明的另一方面，本发明提供了一种神经网络模型，其采用上述任一项所述的训练方法得到。

按照本发明的另一方面，提供了一种利用权利要求1-5中任一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中获得的图像输入到所述训练好的神经网络中，得到可行驶区域分割图以及接地点、接地线。

优选地，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。