[发明专利]从输入数据中识别对象的方法和设备

说明书

本发明涉及一种用于从输入数据（D）中识别对象的方法，具有以下步骤：a)执行原始检测，其中为每个原始检测确定以检测质量的形式的至少一个属性；b)为每个原始检测确定至少一个其他属性；c)为原始检测的至少一个属性确定时间或空间分辨的距离度量，其中将具有定义的距离度量的原始检测组合为一组原始检测；以及d)从具有以下至少一个原始检测的组中确定待识别的对象，所述至少一个原始检测与另外的原始检测相比具有所述至少一个属性的最小距离度量，或从具有以下至少一个原始检测的组中确定待识别的对象，所述至少一个原始检测通过将具有至少一个属性的最小距离度量的至少两个原始检测组合成一个原始检测而组合得到。

技术领域

本发明涉及一种用于从输入数据中识别对象的方法。本发明还涉及一种用于从输入数据中识别对象的设备。本发明还涉及一种计算机程序和一种机器可读存储介质。

背景技术

对象检测是机器学习系统（例如经过训练的神经网络）的已知应用情况。用于对象检测的算法为输入数据（例如图像）提供检测集合，其中检测通常由围绕所述对象的定界元素（英语：bounding box，边界框）和标量的检测质量代表。通常情况下这些算法不仅提供针对对象的唯一检测，而且提供对象周围的多个稍微移动和/或缩放的定界元素。在下文中也将对象的这些检测称为对象的原始检测。因此，原始检测包括检测到的对象和至少部分标识该对象的属性。在现有技术中，这样的属性是至少部分地围绕检测到的对象的定界元素或边界框。为了从所述原始检测中选择最好的并且每个对象只获得一个检测，在下游连接了所谓的非极大值抑制（英语：non-maximum suppression，NMS）。在此，作为事实上的标准已实施所谓的贪婪NMS，例如由Burel、Gilles和Dominique Carel：“Detection andlocalization of faces on digital images（数字图像上人脸的检测和定位）”，PatternRecognition Letters 15.10(1994):963-967公知的。

在此，如果原始检测与具有更高质量的另一种检测以特定的百分比重叠，则丢弃所述原始检测。

非极大值抑制的自由参数是重叠阈值，在超过该重叠阈值的情况下，具有较高质量的检测可以抑制具有较低质量的检测。如果阈值过低，则会出现更多的“双重检测”，这意味着即使在非极大值抑制之后，对于单个对象也会获得多次检测。相反，如果在相邻的图像区域中出现多个对象，例如在一组人的情况下，过高的阈值可能导致实际正确的检测受到抑制。由于阈值的重要性，存在各种各样的NMS方法，但由于计算耗费非常高，迄今为止没有一种方法能够实施。

发明内容

本发明的任务是提供一种用于从输入数据中改进地识别对象的方法。

根据第一方面，该任务通过一种用于从输入数据中识别对象的方法来解决，所述方法具有以下步骤：

a)执行原始检测，其中为每个原始检测确定以检测质量的形式的至少一个属性；

b)为每个原始检测确定至少一个其他属性；

c)为所述原始检测的至少一个属性确定时间或空间分辨的距离度量，然后使用所述距离度量结果对所述原始检测进行分组；和

d)从具有以下至少一个原始检测的组中确定待识别的对象，所述至少一个原始检测与另外的原始检测相比具有所述至少一个属性的最小距离度量，或从具有以下至少一个原始检测的组中确定待识别的对象，所述至少一个原始检测通过将具有至少一个属性的最小距离度量的至少两个原始检测组合成一个原始检测而组合得到。

通过这种方式，有利地提供了对非极大值抑制的修改，利用该修改在对象检测时可以改善多义的对象状况的分辨率。为此，在非极大值抑制中处理预测对象的属性形式的其他信息。由此，其结果是将改善了属性的原始检测用于对象检测。例如，可以在利用经过训练的神经网络在车辆中进行推理的范围中使用所提出的方法。

根据第二方面，提供了一种用于考虑环境传感器数据来控制自动驾驶车辆的方法，其中所述方法包括以下步骤：