[发明专利]前方车辆尾部近端跟踪识别的方法和装置

说明书

本发明涉图像处理领域，涉及一种前方车辆尾部近端跟踪识别的方法，包括：获取车尾图像作为样本并输入训练回归模型；获取车辆位置后计算车辆宽高比；截取车尾的左边边沿、右边边沿和上端边沿的样本截图；将截图缩放至预设尺寸；利用卷积神经网络计算得到车辆左边边沿、右边边沿和上端边沿的回归结果；根据计算出的回归结果，结合车辆宽高比来计算获得车辆底部的预测结果。本发明还提出前方车辆尾部近端跟踪识别的装置。本发明通过卷积特征提取得到车尾的特征，再利用回归算法判断车辆边沿位置，由于车辆是刚体只要计算出左右两边和上边的位置，按比例即可预测下边的位置，实现了嵌入式设备计算资源和存储资源有限情况下快速准确地跟踪前方车辆。

技术领域

本发明涉图像处理领域，特别涉及一种前方车辆尾部近端跟踪识别的方法和装置。

背景技术

在现实生活中，司机因为疲劳驾驶或注意力不集中，对于前方较近的车辆常常造成追尾、碰撞、刮蹭等事故，严重的话可能危害司机的生命和财产安全。

嵌入式设备存在计算资源和存储资源有限的情况，怎样利用嵌入式设备快速准确地跟踪前方车辆，是目前一个较难的课题。以现在常见的最流行的相关滤波KCF(kemelizedcorrelation filters，核相关滤波器)为例，在ARM上使用单线程实现实时仍有难度。同时现有技术中，对于远一些能够完全识别出车尾模型的情况，很多技术能对车尾做出判断，可是对于在近端，不能完全看到车尾整体轮廓时的情况，KCF跟踪方法的精确度明显下降，因此不能起到辅助司机避免近距离追尾的作用。

为了解决上述提到的缺陷，有必要对现有技术进行改进，减少追尾事故。

发明内容

本发明的实施方式旨在至少解决现有技术中存在的技术问题之一。为此，本发明的实施方式需要提供一种前方车辆尾部近端跟踪识别的方法和装置。

本发明实施方式提出了一种前方车辆尾部近端跟踪识别的方法，其特征在于，包括：

步骤1，获取预定数量帧的车尾图像作为预设的训练回归模型的样本并输入训练回归模型；

步骤2，获取图像样本中的车辆位置后计算车辆宽高比；

步骤3，截取图像样本中待回归车辆车尾的左边边沿样本截图、右边边沿样本截图和上端边沿样本截图；

步骤4，将步骤3截取到的图像缩放至预设的尺寸；

步骤5，利用卷积神经网络计算得到车辆左边边沿、车辆右边边沿和车辆上端边沿的回归结果；

步骤6，根据车辆左边边沿、车辆右边边沿和车辆上端边沿的回归结果，结合车辆宽高比来计算获得车辆底部的预测结果。

一种实施方式中，步骤2包括：通过目标检测获取图像样本中的车辆位置后按公式rate_hw＝h/w计算车辆宽高比rate_hw；其中，h表示车辆高度，w表示车辆宽度。

一种实施方式中，步骤3包括：

步骤31，按照以车尾中线为分割线且车辆外部的路面情况与车身比例在15％～45％之间的要求来截取车尾左半部的图像获得左边边沿样本截图；

步骤32，按照以车尾中线为分割线且车辆外部的路面情况与车身比例在15％～45％之间的要求来截取车尾右半部的图像获得右边边沿样本截图；

步骤33，按照以车尾中线为分割线且车辆外部的路面情况与车身比例在15％～45％之间的要求来截取车顶部分的图像获得上端边沿样本截图。

一种实施方式中，步骤5包括：利用卷积神经网络使用回归参数的计算公式计算得到车辆左边边沿、车辆右边边沿和车辆上端边沿的回归结果；

利用卷积神经网络进行回归时，使用的损失函数为：