[发明专利]一种面向车辆自动驾驶的多任务网络道路目标检测方法

说明书

本发明公开了一种面向车辆自动驾驶的多任务网络道路目标检测方法，所述方法包括如下步骤：收集车辆行驶道路的检测数据集，将其划分为训练集、验证集和测试集，并对输入图像进行数据增强；将数据集中的数据根据检测场景中的不同类型进行注释；搭建多任务网络模型，构建损失函数；根据不同需求选择不同训练方法训练多任务网络模型，迭代多轮后得到收敛的最佳模型；加载最佳模型参数，输入待检测目标数据，获取模型检测结果和评估结果；模型优化后导出。本发明模型能够通过同一个模型获得道路车辆目标检测、车道线检测、可行驶区域检测三个视觉感知任务的检测结果，实现更高的检测效率和准确率。

技术领域

本发明属于车辆自动驾驶技术领域，具体涉及一种面向车辆自动驾驶的多任务网络道路目标检测方法。

背景技术

随着人工智能和自动驾驶技术的不断发展，车辆自动驾驶成为一种热门的研究和应用领域。目标检测是车辆自动驾驶中的一个重要任务，它能够帮助车辆系统感知道路上的其他车辆、车道、交通标识等目标，为决策和规划提供关键信息。

传统的目标检测方法通常是针对特定的目标类别进行设计和优化，而车辆自动驾驶需要同时处理多个目标类别。这使得单一任务目标检测方法在处理多类别目标时存在一定的局限性，而且需要将不同任务的检测模型依次部署到车载设备中，对设备的存储量，运行能力要求很高，并且实际应用过程中会产生很高的人工维护成本。

多任务学习是一种能够同时处理多个相关任务的机器学习方法。在车辆自动驾驶中，多任务学习可以利用目标之间的相关性和共享特征，提高检测的准确性和效率。通过共享网络的底层特征提取层，多任务网络可以从不同的任务中学习更加泛化的特征表示，较于单任务模型更加方便且具有更有效的检测结果。近期一些用于多任务检测的方法希望做到同时解决多个任务的检测，然而由于检测任务训练效果差，模型接收到的视野受限，对车辆可行驶区域和车道的检测易受车辆遮挡的影响，最终致使模型检测结果出现边缘捕获不完整，边界不清晰，检测效率低精度低的问题。

发明内容

针对上述问题，本发明的目的在于提供一种面向车辆自动驾驶的多任务网络道路目标检测方法，该方法考虑到了检测模型的高效性实用性和应用场景的复杂性，解决了现有检测方法检测精度低、边缘检测效果不清晰的问题，在同一台设备通过一个模型可以获得道路车辆目标检测、车道线检测、可行驶区域检测三个视觉感知任务的检测结果，实现更高的检测效率和准确率。

为达到上述目的，本发明采用的技术方案如下：

本发明提出一种面向车辆自动驾驶的多任务网络道路目标检测方法，步骤如下：

步骤S1：收集车辆行驶道路的检测数据集，将其划分为训练集、验证集和测试集，并对输入图像进行数据增强；

步骤S2：将数据集中的数据根据检测场景中的不同类型进行注释；

步骤S3：步骤S3：搭建多任务网络模型，构建损失函数，所述多任务网络模型包括：

特征提取编码器网络，所述特征提取编码器网络支持特征传播和特征重用，采用CSP-Darknet结构提取输入图像的特征，生成包含多个尺度和多个语义级别信息的特征，设计构建多局部金字塔结构模块重构特征提取网络，通过局部小范围的拼接特征增强模型特征提取能力，帮助模型准确检测出图像中尺度不一致的目标；

特征融合网络，所述特征融合网络融合不同语义层次的特征，根据不同任务的特征需求，为检测分支分配特征图；用幻影卷积模块取代了普通卷积模块，设计构建联合动态卷积模块使动态卷积和幻影卷积并联执行，通过联合动态卷积模块重构特征融合网络；

目标检测解码分支，所述目标检测解码分支采用基于锚框的多尺度检测方案，根据数据集的边界框大小和图片目标大小的匹配度自适应设置锚框，目标检测解码分支会预测位置的偏移量、缩放后的宽高、每个类别的概率值和对应的置信度，根据加权二进制交叉熵处理样本不平衡问题；