[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

说明书

本发明提供了一种交通场景嵌入式多类目标端对端统一检测方法，构建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和车道线可微分的加权最小二乘拟合模块，基础网络模块使用深度可分离卷积提高模型实时性；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；车道线分割网络模块根据不同像素点段标注文件以及上采样过滤器对通道叠加色彩阈值，实现对不同线型、颜色车道线的检测；车道线可微分的加权最小二乘拟合模块取消常规车道线检测两步操作，预测车道线曲线直接输出。本发明训练卷积神经网络模型时使用半监督学习，增强对交通场景的适应性，提高检测实时性和便捷性。

技术领域

本发明涉及无人驾驶的技术领域，更具体地，涉及一种交通场景嵌入式多类目标端对端统一检测方法。

背景技术

近些年，随着无人驾驶技术的兴起，交通场景检测技术越来越流行。交通场景检测需要达到快速、稳定、准确的要求，一般包括交通目标检测以及路面标识检测，路面标识检测常见为车道线检测。

传统的交通目标检测是在图像预处理后，使用滑动窗口对整幅图像进行遍历，判断目标可能出现的位置，接着人工选取某个特征，如方向梯度直方图特征(Histogram ofOriented Gradient，HOG)、加速稳健特征(Speeded UP Robust Features，SURF)等，通过这些特征对目标进行识别。由于目标的形态、光照、背景等多样性，基于传统图像特征的交通目标检测鲁棒性较差。

随着深度学习的爆发式发展，特别是卷积神经网络(CNN)在计算机视觉领域取得了巨大的成功，交通场景检测技术也得到了大幅度的提升。相比于传统图像特征提取，神经网络引入了更多的非线性激活函数，可以学习到更多具有表达性的特征，泛化性更好、鲁棒性更高。

目前，交通场景检测大部分都是将交通目标和路面标识检测(车道线检测)分开进行研究。交通目标检测是对交通场景多类目标框的检测，关键在于预测框与真实框的匹配；车道线检测是对像素点的检测，关键在于车道线像素点提取和拟合。由于两种检测方法差异较大，很少实现交通目标和车道线的同时检测，这不仅会增加硬件需求，也会增加检测时长，且两种检测方法的检测结果后期处理难度大。

发明内容

本发明为解决上述现有技术中交通目标和车道线同时检测存在的问题，提出了一种交通场景嵌入式多类目标端对端统一检测方法，能有效处理检测结果，提高整体检测的实时性和便捷性，减少资源消耗。

本发明是采用技术方案实现上述技术目的的：

一种交通场景嵌入式多类目标端对端统一检测方法，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。

进一步，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。

更进一步，所述基础网络模块用于提取图片特征。

更进一步，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。

进一步，所述车道线分割网络模块采用编码器-解码器结构。

更进一步，所述车道线分割网络模块对不同线型、不同颜色的车道线进行检测，不同线型车道线的检测过程为：由maskAnn不同像素点标注文件预测可能出现的虚实线像素点段，并用不同颜色框对预测虚实线像素点段进行标记；不同颜色车道线的检测过程为：根据上采样过滤器对不同通道叠加色彩阈值，预测可能出现的黄白线像素点，并用不同形状框对预测黄白线像素点进行标记。