[发明专利]复杂城市场景的目标检测方法、系统、设备及存储介质

说明书

本发明公开了复杂城市场景的目标检测方法，包括如下步骤，构建目标检测模型、自监督分类器，其中，目标检测模型、自监督分类器共享特征提取器；判断数据集中目标图像是否需要预处理，若否，则输入特征提取器进行特征提取，获得特征向量，并将特征向量输入目标检测模型，预测目标图像标签；若是则对图片进行预处理，并将输入特征提取器获得的特征向量输入自监督分类器，预测处理结果。另外，还公开了装置、设备及存储介质，本发明通过共享特征提取器在目标检测任务和自监督任务上的共同训练，实现更优的特征提取功能，可在一定程度上提高目标检测算法的准确率，并广泛适用于复杂城市场景图像的目标检测当中。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种复杂城市场景的目标检测 方法、检测系统、设备及存储介质。

背景技术

目标的可靠检测是实现自动驾驶的关键要求。由于车辆与许多其他交通 参与者共用道路，特别是在城市地区，因此车辆的智能算法中心需要具备识 别其他交通参与者或障碍物的能力，以避免可能危及生命的事故。在城市中， 由于目标的外观和遮挡的多样性，使得目标的检测比较困难。此外，物体之 间的相似性或与背景的相似性以及投射阴影或反射等物理效果会使物体的检 测变得困难。

目标检测算法的关键在于学出有效的表征，然而，城市场景中的目标检 测，存在着目标类别多，目标样本数量少等问题，阻碍了目标检测算法的准 确性。因此，如何利用尽可能少的目标样本，训练模型，以识别尽可能多的 类别，成为城市场景中的目标检测的挑战。

自监督学习可以训练模型学出有效的表征。自监督学习是一种无监督算 法，只使用图像中的视觉信息，而无需标签即可训练模型学出有效的表征。 通过大量无需标注的样本，即可学出多样化的图像表征，从而实现高效的目 标检测。然而，如何将自监督学习结合到目标检测方法中，仍然是一个挑战。

总而言之，目前的目标检测系统和算法无法很好地结合自监督学习缓解 样本数量不足带来的性能问题，也就限制了其在城市场景中的应用。

发明内容

本发明要解决的技术问题在于，提供一种可有效提高目标检测准确率的 复杂城市场景的目标检测方法；另外，还提供一种复杂城市场景的目标检测 系统。

本发明解决其技术问题所采用的技术方案是：第一方面，该复杂城市场 景的目标检测方法，包括如下步骤，

S10、构建目标检测模型、自监督分类器，其中，目标检测模型、自监督 分类器共享特征提取器；

S20、判断数据集中目标图像是否需要预处理，若否则执行步骤S30，若 是则执行步骤S40；

S30、输入特征提取器进行特征提取，获得特征向量，并将特征向量输入 目标检测模型，预测目标图像标签；

S40、则对图片进行预处理，并将输入特征提取器获得的特征向量输入自 监督分类器，预测处理结果。

进一步地，所述自监督分类器包括自监督旋转分类器；

所述S40中对图片进行预处理，并将输入特征提取器获得的特征向量输 入自监督分类器，预测处理结果，包括

对目标图像进行0°、90°、180°或270°的随机旋转，获取旋转后的 旋转图像及旋转角度标签；

将旋转图像输入特征提取器，获得特征向量；

将特征向量输入自监督旋转分类器，获得预测角度旋转结果。

进一步地，所述自监督分类器包括自监督位置区域分类器；

所述步骤S40中对图片进行预处理，并将输入特征提取器获得的特征向 量输入自监督分类器，预测处理结果，包括

对目标图像进行裁切，裁切成四区域图像及区域标签；