[发明专利]限高装置下边缘位置检测模型训练方法和系统

说明书

本发明公开了一种限高装置下边缘位置检测模型训练方法和系统，所述方法包括：采集目标区域内的海量图像，并基于海量图像构建限高装置的图像数据集，并按预设比例将所述图像数据集划分为训练集和测试集；提取所述海量图像中的所有限高装置，并对各所述限高装置的下边缘位置进行特征标注；利用深度学习网络对所述训练集中的限高装置进行模型训练，以得到限高装置下边缘位置检测模型。该方法和系统提高了训练得出的模型效果，使得后续限高装置的检测准确性较高，以保证行车安全。

技术领域

本发明涉及辅助驾驶技术领域，具体涉及一种基于深度学习的限高装置下边缘位置检测模型训练方法和系统。

背景技术

随着汽车技术的不断发展，大型客车、大型货车以及房车等车身高度比较高的车型数量持续增长。然而，由于大型车辆驾驶员的疏忽或无法准确估计限高装置位置等原因，车辆与限高装置发生碰撞而造成人员伤亡以及财产损失的事故频繁发生。

为了在行车过程中及时检测到限高装置，通常需要训练检测模型。而基于常规的限高装置检测模型做检测时，由于检测的是限高装置的整体，而且检测的部分通常会包含许多背景，因而无法准确计算出限高装置的高度。并且，限高装置的种类繁多，数据采集无法涵盖到全部种类，因此常规的检测方案会产生大量的漏检情况，或需要使用大规模数据集进行训练，模型训练过程复杂。

因此，提供一种基于深度学习的限高装置下边缘位置检测模型训练方法和系统，以提高训练得出的模型效果，使得后续限高装置的检测准确性较高，以保证行车安全，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深度学习的限高装置下边缘位置检测模型训练方法和系统，以提高训练得出的模型效果，使得后续限高装置的检测准确性较高，以保证行车安全。

为了实现上述目的，本发明实施例提供如下技术方案：

一种基于深度学习的限高装置下边缘位置检测模型训练方法，所述方法包括：

采集目标区域内的海量图像，并基于海量图像构建限高装置的图像数据集，并按预设比例将所述图像数据集划分为训练集和测试集；

提取所述海量图像中的所有限高装置，并对各所述限高装置的下边缘位置进行特征标注；

利用深度学习网络对所述训练集中的限高装置进行模型训练，以得到限高装置下边缘位置检测模型。

进一步地，所述基于海量图像构建限高装置的图像数据集，具体包括：

使用完成标定的双目相机，在汽车的真实驾驶环境中，采集所有目标区域内所遇到的所有限高装置，所述目标区域为存在限高装置的区域；

在采集过程中应保证汽车以预设车速向前行驶，采集从限高装置在双目相机成像开始直到车辆通过限高装置无法采集到限高数据为止的所有图像帧；

将所有图像帧形成所述图像数据集。

进一步地，训练集与测试集的预设比例为4:1。

进一步地，所述对各所述限高装置的下边缘位置进行特征标注，具体包括：

以直线或折线的方式标注下边缘；

各图像中包含的所有限高装置均分别进行标注，且不同种类的限高装置利用不同的直线进行标注；

对每个标注的限高装置进行限高类别标注。

进一步地，所述深度学习网络为U-Net网络。

进一步地，所述方法还包括：

对所述限高装置下边缘位置检测模型进行测试和误差分析，以得到最优的限高装置下边缘位置检测模型。

进一步地，所述对所述限高装置下边缘位置检测模型进行测试，具体包括：

将采集到的限高数据的测试集输入到所述限高装置下边缘位置检测模型中进行测试；

获取限高装置下边缘位置检测模型输出的限高装置下边缘的关键点位置信息置；