[发明专利]一种基于深度估计的单目视觉前向车辆距离检测方法

权利要求书

1.一种基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：包括以下步骤：

S1、搭建基于深度估计的前向车辆距离检测模型；

前向车辆距离检测模型的结构分为三部分：输入、中间处理和输出，输入部分包括RGB原图、车辆目标框坐标和深度图，其中RGB原图是整个网络用于分析检测的输入值，深度图是网络用于与预测值进行对比、训练学习的真实值，车辆目标框坐标是用于最后显示车辆目标的输出图所需要的坐标；中间处理部分包括特征提取、池化、回归以及关键点拟合，关键点拟合是从预测到的深度图中获取目标关键点的信息；输出部分是一张带有车辆目标框和距离值的RGB图；

S2、引入DORN算法，搭建基于DORN的前向车辆距离检测模型；

S2.1引入DORN网络中的密集特征提取器模块作为特征提取网络，通过去除特征提取器DCNNs中的最后几个下采样算子，并在随后的卷积层中插入空格进行过滤，从而在不降低空间分辨率或增加参数量的基础上扩大滤波器的视野，形成扩张卷积；

S2.2引入场景理解模块，所述场景理解模块由三个并行的组件构成，一个空洞空间卷积池化金字塔(ASPP)模块、一个跨通道leaner以及一个fullimage全图像编码器；

S2.3引入序数回归模块，将离散深度值化分为多类，将回归问题转为分类问题，并在网络的最后采用了Softmax函数，用于回归损失值，实现网络训练；

S2.4车辆目标关键点拟合方法，选取以目标框长宽一半的坐标为阈值，取阈值内部的像素值的平均作为模型拟定的关键点距离值，其公式如下：

式中，w和h分别代表像素的横坐标和纵坐标，W和H则为目标框缩小后的阈值，N代表在阈值范围内包含像素的数量，由此拟合出目标距离值；

S3、优化目标关键点拟合方法；

S3.1引入k-means聚类算法，实现车辆目标关键点的拟合；通过对预测目标框里面的像素进行聚类，求出数量排行靠前的第一类别和第二类别，然后分析：当第一类别的数量大于第二类别的1.5倍时，如果第一类别中心点的距离值小于阈值80m，选取第一类别为最终类别，如果第一类别中心值大于阈值80m，则选取第二类别为最终类别；而当第一类别的数量和第二类别的数量相差没有1.5倍时，取中心点距离值小的作为最终类别，之后将最终类别的中心点作为目标的关键点，并选取目标关键点的距离值作为前向车辆目标距离的预测值；

S3.2通过参数配置，提升车辆目标关键点拟合的精度；

S4、设计网络训练中的损失函数；

S5、利用模型压缩加速工具，实现对前向车辆距离检测模型的加速。

2.如权利要求1所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：所述步骤S1，在中间处理部分中特征提取网络为卷积神经网络，采用VGG16或Resnet50作为特征提取网络。

3.如权利要求1所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：所述S4中包括：1)利用L1范数损失函数，设计目标关键点的回归损失函数；2)结合序数回归函数，实现网络训练回归。

4.如权利要求1所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：所述S5包括：1)将网络中无法直接转换的数据的输出转换成可操作的tensor形式；2)将前向车辆距离检测模型转化为TensorRT模型。