[发明专利]一种基于视觉感知技术的车辆感知方法及装置

权利要求书

1.一种基于视觉感知技术的车辆感知方法，其特征在于，所述方法包括：

1)、获取当前车辆周围的视频图像；

2)、利用预先训练的卷积神经网络，识别出所述视频图像中所包含的目标车辆；

3)、根据所述当前车辆的所处车道的车道线以及所述当前车辆前方的设定距离，获取所述当前车辆前方的安全区域；

4)、根据所述目标车辆的在视频图像中的位置，获取所述目标车辆的轨迹，进而判断所述目标车辆是否进入所述安全区域，若是执行预设操作，其中，所述预设操作包括：发出提醒、主动制动中的一种或组合；

所述步骤2)，包括：

根据所获取的视频图像中的当前帧图像所包含的目标车辆的位置信息，将目标车辆的切片进行循环位移处理，得到第一样本矩阵集以及第二样本矩阵集，利用高斯算法获取第一样本矩阵集对应的第一标签矩阵，以及第二样本矩阵集对应的第二标签矩阵，其中，所述切片为当前帧图像中包含有目标车辆的图像区域；

根据所述第一样本矩阵、第二样本矩阵、第一标签矩阵以及第二标签矩阵利用脊回归算法进行训练得到第一位移权重矩阵和第一尺度变化矩阵，并使用所述第一位移权重矩阵和尺度变化矩阵检测当前帧的下一帧中对应于所述切片的区域内的目标位置和尺度信息；

根据预设的学习率，利用公式，对所述第一位移权重矩阵和第一尺度变化矩阵进行更新，得到第二位移权重矩阵以及第二尺度变化矩阵，其中，

w”₁为第二位移权重矩阵；w”₂为第二尺度变化矩阵；γ为学习率；w'₁为第一位移权重矩阵；w'₂为第一尺度变化矩阵；w₁为第一位移权重矩阵；w₂为第一尺度变化矩阵；

根据第二位移权重矩阵以及更新后的第二尺度变化矩阵，获取输出的特征矩阵中最大响应值，并判断所述最大响应值是否大于第三预设阈值；

若是，将所述当前帧的下一帧作为当前帧，并持续检测所述目标车辆；

若否，将所述当前帧的下一帧作为当前帧，并返回执行所述根据所获取的视频图像中的当前帧图像所包含的目标车辆的位置信息，将目标车辆的切片进行循环位移处理的步骤。

2.根据权利要求1所述的一种基于视觉感知技术的车辆感知方法，其特征在于，所述卷积神经网络的训练过程包括：

利用含有目标车辆的图像和对应的含有目标车辆的标签，以及未含有目标车辆的图像和对应的未含有目标车辆的标签的集合生成训练样本，其中，所述目标车辆包括：机动车、非机动车以及行人中的一种或者组合；

在卷积神经网络的第一设定输出层引出第一检测分支，在卷积神经网络的第二设定输出层引出第二检测分支，第一检测分支输出的目标的尺度大于第二检测分支输出的目标的尺度；

利用所述训练样本训练卷积神经网络，并利用公式，

计算当前次迭代时所述卷积神经网络的定位误差损失，其中，

loc_loss1为检测结果的定位误差损失；S²为第一检测分支对应的输出层待扫描的锚点数量；B为每一个锚点对应的检测框数量；为第i个锚点对应的第j个检测框内是否含有对应于第一检测分支的目标车辆；x_i为检测框的中心坐标的横坐标值；y_i为检测框的中心坐标的纵坐标值；为真值检测框的中心坐标的横坐标值；为真值检测框的中心坐标的纵坐标值；∑为求和函数；i为锚点序号；j为检测框序号；w_i为检测框的宽；为真值检测框的宽；h_i为检测框的高；为真值检测框的高；loc_loss2为标注的检测结果的定位误差损失；

利用公式，计算当前次迭代的卷积神经网络的分类误差损失，其中，

cls_loss1为目标类别误差；C_i为当前次迭代的卷积神经网络所对应的预测标签；为真值标签；cls_loss2为背景类别误差；为第i个锚点对应的第j个检测框是否有对应目标；

利用公式，计算当前次迭代的卷积神经网络的检测结果相对于样本标签的置信度损失，其中，

conf_loss为目标类别误差；c为所检测的目标车辆的类别序号；class为所检测的目标车辆的类别数量；P_i(c)为第i个锚点中第c类的预测置信度；为第i个锚点中第c类的真值置信度；

利用公式，Loss＝λ_coord*(Loc_loss1+Loc_loss2)+cls_loss1+λ_noobj*cls_loss2+conf_loss，计算当前次迭代的卷积神经网络的综合加权损失，其中，

Loss为当前次迭代的卷积神经网络的综合加权损失；λ_coord为定位误差损失的权重；λ_noobj为非目标分类误差损失的权重；

直至所述卷积神经网络收敛，其中，所述卷积神经网络收敛为所述卷积神经网络的综合加权损失小于第一预设阈值，或者所述卷积神经网络的迭代次数达到预设次数。