[发明专利]基于辅助驾驶的路况图像模型训练方法、系统和智能终端

说明书

本发明公开了一种基于辅助驾驶的路况图像模型训练方法、系统和智能终端，方法包括：获取图像区域内的正样本目标图像和负样本目标图像；对各目标图像进行特征提取，并得到n种特征向量，其中，n为正整数；对得到的特征向量进行拼接，并进行特征归一化处理；在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；对所述特征组合模型进行模型训练和评估。其能够针对图像分类问题实现自动筛选特征，对提取的图像特征进行筛选组合，训练SVM分类器得到不同的模型，通过模型测试结果选择性能最好的模型，解决了现有技术中路面信息分类困难的技术问题。

技术领域

本发明涉及辅助驾驶技术领域，具体涉及一种基于辅助驾驶的路况图像模型训练方法、系统和智能终端。

背景技术

在过去几年中，深度学习已成为大多数AI类型问题的首选技术，取代了经典的机器学习。但是在车辆辅助驾驶中，在对路面信息进行分类时，由于数据集较小，且硬件资源有限，在有限的硬件资源下，机器学习只需要CPU就可以训练得很好，在计算资源代价上不昂贵，可以更快的迭代；且机器学习涉及直接特征工程，算法有更好的解释性和可理解性。因此，在这种特定场景下，采用机器学习方法是解决问题的更好选择。

因此，提供一种基于机器学习的路况图像模型训练方法，以实现路面信息的准确分类，就成为本领域技术人员亟待解决的问题。

发明内容

为此，本发明实施例提供一种基于辅助驾驶的路况图像模型训练方法、系统和智能终端，以至少部分解决现有技术中路面信息分类困难的技术问题。

为了实现上述目的，本发明实施例提供如下技术方案：

一种基于辅助驾驶的路况图像模型训练方法，所述方法包括：

获取图像区域内的正样本目标图像和负样本目标图像；

获取正样本图像区域和负样本图像区域的特征向量，并得到n种特征向量，其中，n为正整数；

对得到的特征向量进行拼接，并进行特征归一化处理；

在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；

对所述特征组合模型进行模型训练和评估。

进一步地，所述正样本目标图像中只能包含单一的完整的正样本目标；所述负样本目标图像中只能包含单一的完整的负样本目标。

进一步地，所述对各目标图像进行特征提取，具体包括：

根据目标图像的大小以及形状比例的如下公式，提取目标图像的形状特征：

其中，w为目标图像的宽度，h为目标图像的高度，r为目标图像的宽高比。

进一步地，所述对各目标图像进行特征提取，具体包括：

按以下公式提取所述目标图像的灰度特征，所述灰度特征包括灰度均值和灰度方差：

其中，m为灰度均值，P_i(x,y)表示坐标(x，y)处的灰度值，N表示图像内像素点个数；

其中，P_i(x,y)表示坐标(x，y)处的灰度值，m表示灰度均值，N表示图像内像素点个数，s表示方差。

进一步地，所述对各目标图像进行特征提取，具体包括按以下步骤提取所述目标图像的LBP特征向量：

将检测窗口划分为多个16×16的子区域；