[发明专利]一种交通场景嵌入式多类目标端对端统一检测方法

权利要求书

1.一种交通场景嵌入式多类目标端对端统一检测方法，其特征在于，收集交通场景数据集，对交通目标和车道线进行标注；设计交通场景多类目标端对端统一检测的卷积神经网络模型，训练所述卷积神经网络模型，进行交通场景实车嵌入式端对端检测，输出预测的交通目标和车道线；

所述交通场景多类目标端对端统一检测的卷积神经网络模型包括基础网络模块、交通目标检测网络模块、车道线分割网络模块以及车道线可微分的加权最小二乘拟合模块；

所述车道线可微分的加权最小二乘拟合模块将maskAnn的实际车道线曲线标注作为基准，预测曲线与实际车道线曲线之间的面积作为整体损失函数中的车道线拟合损失函数，训练ResNet神经网络，拟合出虚实线曲线和黄白线曲线；

所述整体损失函数为：L_loss＝L_coordinate+L_confidece+L_class+L_mask+L_fit，其中L_coordinate为交通目标的坐标损失函数，L_confidece为交通目标的置信度损失函数，L_class为交通目标的类别损失函数，L_mask为车道线掩膜损失函数，L_fit为车道线拟合损失函数；

所述交通目标的坐标损失函数L_coordinate为：

式中，s²为输出特征图的网格单元数量，B为边界框的数量，表示第m个网格中第n个边界框存在负责物体的预测，λ_corrd为坐标损失在总损失中的权重，x_m、y_m为真实位置中心坐标参数，为预测位置中心坐标参数，w_m、h_m为真实边界框的宽高，为预测边界框的宽高；

所述交通目标的置信度损失函数L_confidece为：

式中，C_m为真实框置信度得分，是预测边界框置信度得分，λ_noobj为最低的置信度预测惩罚，表示第m个网格中第n个边界框没有负责物体的预测；

所述交通目标的类别损失函数L_class为：

式中，p_m(c)为真实框类别概率，为预测边界框类别概率；

所述车道线掩膜损失函数L_mask为：

L_mask(p_t)＝-(1-p_t)^γlog(p_t)

式中，p表示车道线像素点预测的概率，y为真实标签，γ为调节参数；

所述车道线拟合损失函数为L_fit：

式中，y_β表示ground-truth曲线，表示预测曲线。

2.根据权利要求1所述的交通场景嵌入式多类目标端对端统一检测方法，其特征在于，所述基础网络模块用于提取图片特征。

3.根据权利要求2所述的交通场景嵌入式多类目标端对端统一检测方法，其特征在于，所述交通目标检测网络模块利用多尺度特征图对交通目标进行检测，交通目标检测网络模块的26×26特征图与基础网络模块的13×13特征图上采样进行特征融合，交通目标检测网络模块的52×52特征图与基础网络模块的26×26特征图上采样进行特征融合。

4.根据权利要求1所述的交通场景嵌入式多类目标端对端统一检测方法，其特征在于，所述车道线分割网络模块采用编码器-解码器结构。