[发明专利]一种基于深度学习的车载视角遮挡目标检测方法及装置

说明书

本申请提供一种基于深度学习的车载视角遮挡目标检测方法及装置，该方法包括：获取待检测图像；将待检测图像输入遮挡检测模型，得到目标检测框、类别和遮挡置信度；其中，遮挡检测模型采用改进的SSD网络，改进的SSD网络包括残差块。该方案在遮挡工况下能够达到较好的检测效果。

技术领域

本发明属于智能交通技术领域，特别涉及一种基于深度学习的车载视角遮挡目标检测方法及装置。

背景技术

智能汽车由于能在驾驶过程中辅助或代替驾驶员驾驶，减少或避免驾驶员操作不当，从而降低事故的发生率，已成为当前汽车行业发展的重要方向。智能汽车研究主要分为环境感知、规划决策、控制执行三大模块，其中环境感知是智能驾驶安全行驶的前提，也是整个系统中至关重要的一环，可为智能汽车驾驶提供本车及其周围障碍物的位置信息、本车与周围其他车辆等障碍物的相对距离和相对速度等信息，进而为各种控制决策模块提供依据以实现车辆的自动驾驶。环境感知是智能驾驶实现避障、定位和路径规划等高级智能行为的前提条件和基础。环境感知包括目标检测、场景语义分割、实例分割、多传感器融合、多目标跟踪以及轨迹预测等研究方向，其中目标检测作为解决更复杂和更高级别的视觉任务(例如事件检测、活动识别、物体分割、场景理解、目标跟踪等)的基础，对于提高交通场景事件检测的正确率具有重要的研究意义。另一方面，由于车载摄像头的普及，越来越多的道路图像信息在不断地产生，图像处理算法特别是目标检测算法成为智能驾驶的重要组成部分。近年来，目标检测算法发展迅速，已从传统基于滑动窗口的区域选择策略、利用手工设计的特征的目标检测算法发展为基于深度学习的目标检测算法。随着不同算法的提出，使得分类和回归预测精度不断提升，实时性也在不断提高。但是，在复杂的交通环境(遮挡工况、多目标工况、小目标、目标多尺度、恶劣天气、暗光条件)特别是遮挡工况下，存在的大量未知遮挡及遮挡程度不同等问题，使检测的效果大幅下降，难以对目标进行有效的检测。

现有对遮挡工况下目标检测的算法的研究除了进行数据增强，还包括两种类别：一个是改进基于整体特征的检测算法，另一个是改进基于部分语义的检测算法。虽然现有的方法基于不同技术在遮挡目标检测方面取得了进步，但仍存在一些问题亟待解决和优化，例如，遮挡目标由于遮挡影响了目标的特征提取导致检测器无法正确判断；检测器难以学习到无穷尽的遮挡情况等。

发明内容

本说明书实施例的目的是提供一种基于深度学习的车载视角遮挡目标检测方法及装置。

为解决上述技术问题，本申请实施例通过以下方式实现的：

第一方面，本申请提供一种基于深度学习的车载视角遮挡目标检测方法，该方法包括：

获取待检测图像；

将待检测图像输入遮挡检测模型，得到目标检测框、类别和遮挡置信度；其中，遮挡检测模型采用改进的SSD网络，改进的SSD网络包括残差块。

在其中一个实施例中，改进的SSD网络包括骨干网络，骨干网络包括若干预测层，每个预测层连接有残差块。

在其中一个实施例中，改进的SSD网络还包括检测头和组合神经网络；

组合神经网络连接于骨干网络和检测头之间。

在其中一个实施例中，该方法还包括：

骨干网络输出的特征图输入至组合神经网络，得到特征图中目标的分类分数。在其中一个实施例中，改进的SSD网络的损失函数采用EIoU回归损失函数；

EIoU回归损失函数包括重叠损失、中心距离损失和宽高损失。

在其中一个实施例中，改进的SSD网络的非极大值抑制算法采用自适应非极大值抑制算法。

在其中一个实施例中，训练遮挡检测模型采用的目标遮挡数据集包括实时道路车辆及行人遮挡的数据集和/或历史车载视角遮挡目标检测数据集。