[发明专利]用于ADAS场景的目标检测虚警抑制方法及装置

说明书

本申请公开了一种用于ADAS场景的目标检测虚警抑制方法及装置、电子设备及可读存储介质。该方法包括：采集ADAS场景下的正样本数据集和负样本数据集，以作为第一训练集；对所述负样本数据集进行采样并随机填充至所述正样本数据集中，以得到第二训练集；将所述第一训练集和所述第二训练集输入预设网络模型进行训练，以得到目标检测模型；基于预设损失函数对所述目标检测模型进行优化，以根据优化后的所述目标检测模型进行目标检测的虚警抑制。本申请解决了相关技术中用于ADAS场景的目标检测算法由于无法有效抑制虚警导致检测精度不高的技术问题。通过本申请，达到了有效抑制目标检测虚警的目的，从而实现了提高目标检测算法的检测精度的技术效果。

技术领域

本申请涉及辅助驾驶领域，具体而言，涉及一种用于ADAS场景的目标检测虚警抑制方法及装置、电子设备及可读存储介质。

背景技术

高级辅助驾驶系统(Advanced Driving Assistance System,简称ADAS)是利用安装在车上的各式各样传感器(毫米波雷达、激光雷达、单/双目摄像头以及卫星导航)，在汽车行驶过程中随时来感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航仪地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性。

在高级辅助驾驶系统(ADAS)场景下，车辆、行人、交通标示牌等目标的检测是核心任务之一。随着人工智能在汽车领域的应用发展，ADAS目标检测技术的先进性和可靠性取得了突破性的进展，通过构建深度卷积神经网络(DCNN)模型，调整目标检测算法参数可以极大提高ADAS系统的检测精确度。

在目前的实际应用场景下，基于DCNN的目标检测算法会根据ADAS场景需求给出边界框来描述目标位置，并对边界框内目标进行分类。按照检测流程可以分为二阶段算法和一阶段算法：在Faster-RCNN为代表的二阶段目标检测算法中，先通过区域提议网络(Region Proposal Network，RPN)等方法生成目标候选框，再进一步对筛选的候选框进行边界框回归和分类。在以Yolo和SSD为代表的一阶段目标检测算法中,目标的边界框信息和分类信息一起融合到了DCNN模型中,直接进行边框回归和分类。基于DCNN的目标检测算法中通常将依据锚点将检出的目标划分为正样本(Positive)和负样本(Negative)，经过一系列算法运算后，最终输出为正确检出的正样本(True Positive，TP)越多，则目标检测的检出能力越强，精确度越高。与此同时，被错误划分为正样本的目标(False Positive，FP)越多，则目标检测的误检率越高，在ADAS场景下产生的虚警(没有信号来临的时候传递出有信号来临的错误信息)越多。

然而发明人发现，相关技术中的ADAS系统对检测的实时性、鲁棒性和误检率有较高要求，在满足实时性的同时难以构建复杂网络结构的目标检测骨干网络结构，因此通过调整锚点参数、构建特征金字塔网络结构等手段，在ADAS场景下可以达到较高的识别率，满足鲁棒性需求，但同时也容易造成较高的误检率，产生较多虚警，干扰驾驶员的正常驾驶。常用的抑制虚警方法可以通过采集大量真实场景下包含检测目标及不包含检测目标的图片，建立正负样本库，但ADAS实际应用场景往往较为复杂，对负样本的构建容易产生偏差，该方法在算法层可能出现正负样本的划分极不均衡，导致DCNN的训练过程收敛困难，且容易导致检测精确度的损失，尤其会影响中小目标的检测。

针对相关技术中用于ADAS场景的目标检测算法由于无法有效抑制虚警导致检测精度不高的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种用于ADAS场景的目标检测虚警抑制方法及装置、电子设备及可读存储介质，以解决相关技术中用于ADAS场景的目标检测算法由于无法有效抑制虚警导致检测精度不高的问题。

为了实现上述目的，根据本申请的第一方面，提供了一种用于ADAS场景的目标检测虚警抑制方法。