[发明专利]一种基于神经网络的车辆尾框回归方法、装置及存储介质

权利要求书

1.一种基于神经网络的车辆尾框回归方法，其特征在于，包括：

采集车辆前方车况的视频片段，并从视频片段中提取含有车辆尾框的目标图像；

基于预设的YOLOV5目标检测框架获取目标图像中的目标车辆的位置信息；

基于位置信息从目标图像中裁剪出目标车辆图像，并对目标车辆图像进行预处理；

将预处理后的目标车辆图像输入训练好的深度神经网络得到车辆尾框预测信息，并基于车辆尾框预测信息生成车辆尾框。

2.根据权利要求1所述的一种基于神经网络的车辆尾框回归方法，其特征在于，所述位置信息包括目标车辆图像在目标图像中的中心点坐标(cx,cy)以及目标车辆图像的宽w和高h；

所述裁剪出目标车辆图像在目标图像中左上角坐标为：

所述裁剪出目标车辆图像在目标图像中右下角坐标为：

3.根据权利要求1所述的一种基于神经网络的车辆尾框回归方法，其特征在于，所述深度神经网络的训练过程包括：

获取目标车辆图像的历史数据，并分别对目标车辆图像中的车辆尾框进行标注，所述标注包括对车辆尾框添加标注框，将标注框内的每个像素点的标签记为1，将标注框外的每个像素点的标签记为0，并获取标注框内的每个像素点距离标注框边界的距离；

对标注后的目标车辆图像进行预处理并汇总生成训练集；

将训练集中的训练样本输入深度神经网络；

深度神经网络的分类单元分别输出标注框内和标注框外的每个像素点的标签预测，基于标签预测和标签标注计算分类单元损失；

深度神经网络的回归单元输出标注框内的每个像素点距离标注框边界的距离预测，基于距离预测和距离标注计算回归单元损失；

将分类单元损失和回归单元损失反向传播迭代深度神经网络的网络参数，直至到达预设迭代次数或损失收敛，完成深度神经网络的训练。

4.根据权利要求1或3所述的一种基于神经网络的车辆尾框回归方法，其特征在于，所述对目标车辆图像进行预处理包括：将目标车辆图像变形至96*96，并在周围均匀填补黑边至128*128得到预处理后的目标车辆图像。

5.根据权利要求3所述的一种基于神经网络的车辆尾框回归方法，其特征在于，所述对车辆尾框添加标注框包括：

位于采集车辆正前方的车辆尾框的标注框：

车顶平面标注为标注框上边界；

车辆后车轮与地面交线标注为标注框下边界；

车辆尾框左侧最宽处标注为标注框左边界；

车辆尾框右侧最宽处标注为标注框右边界；

位于采集车辆左前方的车辆尾框的标注框：

车顶平面标注为标注框上边界；

车辆左侧后车轮与地面交线标注为标注框下边界；

车辆尾框左侧最宽处标注为标注框左边界；

车辆尾框右侧最宽处标注为标注框右边界；

位于采集车辆右前方的车辆尾框的标注框：

车顶平面标注为标注框上边界；

车辆右侧后车轮与地面交线标注为标注框下边界；

车辆尾框左侧最宽处标注为标注框左边界；

车辆尾框右侧最宽处标注为标注框右边界。

6.根据权利要求5所述的一种基于神经网络的车辆尾框回归方法，其特征在于，所述分类单元损失通过交叉熵损失函数计算获取，所述分类单元损失L_cls为：

其中，y′_i为标注框内第i个像素点的标签预测，I为标注框内像素点的数量；y′_o为标注框外第o个像素点的标签预测，O为标注框外像素点的数量，sigmoid(·)为sigmoid函数。