[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

说明书

本发明公开了一种基于神经网络的车辆尾框回归方法、装置及存储介质，其方法包括：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；本发明能够极大的提升车辆尾框的回归精度。

技术领域

本发明涉及一种基于神经网络的车辆尾框回归方法、装置及存储介质，属于辅助驾驶技术领域。

背景技术

在车载辅助驾驶系统中，我们需要对车辆前方道路上行驶的车辆属性进行分析，从而获取车辆在现实场景中位置信息。依据目标车辆尾框的位置、目标车辆现实场景中的车尾宽度、摄像头的成像参数，我们可以精确的计算目标车辆在现实场景中的位置，从而为后续的运动状态判断提供依据，从而有助于系统对场景中各个车辆的运动状态进行分析，并提供相对准确的辅助驾驶决策。那么其中核心的一环在于如何获取精准的车辆尾框。常见的车辆尾框回归的方式不外乎两种，方案一是直接利用检测网络对车辆尾框进行检测，方案二是先利用检测网络检测完整的车辆，然后再对目标车辆进行尾框回归。由于输入原图的尺寸较大，场景中冗余的信息太多，直接对车辆尾框进行检测，往往会出现车辆尾框的偏差较大。方案二首先通过对车辆整体的位置进行检测，获取目标车辆的位置信息，然后直接对目标车辆的尾框进行回归或者先回归车辆尾部的特征点，然后再根据车辆尾部特征点来计算出车辆尾部回归框。然而上述方式虽然可以进一步提高车辆尾框的精确度，但是仍然会有不小的误差。如何进一步的提升车辆尾框的回归精度是目标值的进一步探索的问题。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于神经网络的车辆尾框回归方法、装置及存储介质，能够提升车辆尾框的回归精度。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于神经网络的车辆尾框回归方法，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。

可选的，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：

可选的，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；