[发明专利]一种基于UCL的无人驾驶系统对象标识方法和装置

说明书

本发明提供了一种基于UCL的无人驾驶系统对象标识方法和装置，首先利用深度学习目标检测模型对车载视频进行自动实时目标检测提取对象信息；其次扩展统一内容标签UCL，新增无人驾驶对象属性集合UOPS；然后依据扩展后的统一内容标签对车载视频中的对象进行UCL语义标引；接着上传利用UCL标引后的对象标识到知识库并利用知识库中的先验信息校准UCL对象信息包；最后将UCL对象信息包通过传输模块可靠传输至智慧路网的接收模块。本发明实现对象数据与处理软件分离解耦，提高车载视频信息提取的效率与准确度，确保无人驾驶环境中对象标识的统一性、兼容性、安全性和高效性，形成确保对象可监测、可控制、可审计的关键使能技术。

技术领域

本发明涉及一种基于UCL的无人驾驶系统对象标识方法与装置，属于互联网技术领域。

背景技术

在无人驾驶环境下，道路情况复杂，行人、助力车、机动车、电动车、行车标志、路障、减速带等物体充斥在道路环境中。因此，如何对异构、多尺度、多源的对象进行统一标识非常富有挑战性。目前国内外均没有成型的解决方案。现有的解决方案一般是针对特定的对象进行专门识别，记录的属性通常是该对象自身的特征信息，对象数据与处理软件紧密耦合，具有局限性而缺乏普适性。另一方面，无人驾驶环境下对数据的安全性和可信性要求极高，确保对象信息从产生到传输到使用的全过程、全链条安全与可信，对确保无人驾驶系统的安全行驶至关重要。

统一内容标签(Uniform Content Label，UCL)是一种标引互联网资源语义信息的元数据，由国家标准《统一内容标签格式规范》(GB/T 35304-2017)所定义。它包含UCL代码部分和UCL属性部分，属性部分为被标引内容的语义信息和管理信息。UCL具有以下三个特点：第一，UCL具有规范性，被标引的各类、各级信息严格遵从UCL格式规范，存放在标引的指定位置中。第二，UCL具有结构灵活的特点，虽然代码部分为固定的32字节，但属性部分除了目前所定义的一些域之外，也可以根据具体的领域和应用场景自由地扩展。第三，UCL 能够标引丰富语义信息，包括被标引对象的关键词、属性等。UCL能够完善地标引互联网资源语义信息，但现有的UCL规范难以适应无人驾驶系统对象标引。本发明在统一内容标签基础上研究并扩展出一套普适的、统一的无人驾驶系统对象数据可信命名与标识方案，涵盖静态属性、动态属性和环境属性。

发明内容

针对现有技术中存在的问题与不足，本发明提出一种普适的、统一的基于UCL的无人驾驶系统对象数据可信命名与标识方法与装置，实现对象数据与处理软件分离解耦，提高车载视频信息提取的效率与准确度，确保无人驾驶环境中对象标识的统一性、兼容性、安全性和高效性，使得关键对象数据资源能够在完整生命周期中建立内容安全可信的环境并解决对象标识统一认证及授信使用，形成确保对象可监测、可控制、可审计的关键使能技术。

为了达到上述目的，本发明设计了一种基于UCL的无人驾驶系统对象标识方法和装置，首先利用深度学习目标检测模型对车载视频进行自动实时目标检测，提取对象信息，提高视频信息提取的效率与准确度；其次，为满足无人驾驶系统对象标识需要，扩展统一内容标签 UCL，新增无人驾驶对象属性集合UOPS；然后依据扩展后的统一内容标签对车载视频中的对象进行UCL语义标引；接着上传利用UCL标引后的对象标识到知识库并利用知识库中的先验信息校准UCL对象信息包；最后将UCL对象信息包通过传输模块可靠传输至智慧路网的接收模块，以实现无人驾驶环境的规范标准与对象标识的兼容。

具体的，本发明提供如下技术方案：

一种基于UCL的无人驾驶系统对象标识方法，包括如下步骤：

(1)利用深度学习目标检测模型对车载视频中的图像帧进行对象识别，从神经网络模型中提取对象特征送入卷积神经网络层进一步确定对象信息，并利用同一场景的连续帧之间的对象备选框位置接近的特性，对神经网络模型生成的备选框进行过滤，最后对输出数据进行格式化处理，以满足后续编码步骤的数据要求；