CN110210324A - 一种道路目标快速检测预警方法和*** - Google Patents
一种道路目标快速检测预警方法和*** Download PDFInfo
- Publication number
- CN110210324A CN110210324A CN201910383340.XA CN201910383340A CN110210324A CN 110210324 A CN110210324 A CN 110210324A CN 201910383340 A CN201910383340 A CN 201910383340A CN 110210324 A CN110210324 A CN 110210324A
- Authority
- CN
- China
- Prior art keywords
- target
- area
- grades
- interest
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种道路目标快速检测预警方法和***,属于计算机视觉领域,方法包括:利用图像采集设备采集道路场景图像,依据目标距离从近到远的顺序从道路场景图像中提取N级感兴趣区域;按照目标距离从近到远的顺序,依次对N级感兴趣区域进行目标检测,在目标距离较近的某级感兴趣区域检测到有目标后,进行预警,并不再对后续级别感兴趣区域进行检测;其中,N≥2,所述目标距离为目标与图像采集设备之间的距离。本发明相对现有的行人、车辆等目标的检测预警算法,能够更快速准确地对出现在行车路线上的目标进行检测预警,具有较好的实用价值。
Description
技术领域
本发明属于计算机视觉领域,更具体地,涉及一种道路目标快速检测预警方法和***。
背景技术
行人、车辆检测技术在辅助驾驶***中应用广泛。在城市交通场景中,如何避免交通事故的发生一直是热点问题。当前辅助驾驶主要利用行人、车辆检测技术,对行驶机动车前方的图像进行检测分析,针对行人、车辆进行主动报警,可以辅助驾驶员提前进行规避,防止交通事故的发生。当前的行人、车辆检测技术主要利用基于深度学习的相关算法,对输入图像中的行人、车辆等目标进行检测识别。辅助驾驶***的一个重要要求就是实时性。车辆相对于人来说行驶速度很快,如果不能很快的检测出行人并进行报警,那将无法及时的进行避险。另外***需要具有较高的准确性,尽量减少漏报警、报假警情况的发生。
目前有很多优秀的深度学***台,因为硬件平台计算性能的差异,运行速度将大打折扣。并不能满足快速性的要求。因此,在嵌入式设备和移动设备上运行的网络必须是轻量级的神经网络。但是简单得将行人、车辆检测网络精简化,并直接用于行人、车辆的检测和预警,虽然会得到明显的加速效果,但是也会不可避免的导致检测精度下降较多,无法满足车载便携行人检测预警***的实际使用需求。
由此可见,现有技术存在无法快速准确的对位于行车路线上的目标进行检测预警的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种道路目标快速检测预警方法和***,由此解决现有技术存在无法快速准确的对位于行车路线上的目标进行检测预警的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种道路目标快速检测预警方法,包括以下步骤:
(1)利用图像采集设备采集道路场景图像,依据目标距离从近到远的顺序从道路场景图像中提取N级感兴趣区域;
(2)按照目标距离从近到远的顺序,依次对N级感兴趣区域进行目标检测,在目标距离较近的某级感兴趣区域检测到有目标后,进行预警,并不再对后续级别感兴趣区域进行检测;
其中,N≥2,所述目标距离为目标与图像采集设备之间的距离。
进一步地,步骤(1)包括以下步骤:
采集道路场景图像,设置目标高度占比阈值为Thr、最近目标距离为L0;
根据目标的像素高度与目标距离的关系f以及最近目标距离为L0,得到目标的像素高度H1,将H1作为第一级感兴趣区域的长,利用第一级感兴趣区域的长与道路场景图像的长宽比计算第一级感兴趣区域的宽;
对于第N级感兴趣区域,将目标高度占比阈值Thr与第N-1级感兴趣区域的长HN-1的乘积HN作为第N级感兴趣区域的长,利用第N级感兴趣区域的长与道路场景图像的长宽比计算第N级感兴趣区域的宽;
根据第N级感兴趣区域的长和宽以及目标的像素高度与目标距离的关系f得到第N-1级感兴趣区域检测目标的最远距离LN-1,同时LN-1也是第N级感兴趣区域检测目标的最近距离;
利用目标高度占比阈值Thr与第N级感兴趣区域的长HN的乘积以及目标的像素高度与目标距离的关系f,得到第N级感兴趣区域检测目标的最远距离LN;第N级感兴趣区域的目标距离检测范围为(LN-1,LN)。
进一步地,步骤(1)还包括:
采集不同目标距离下的道路场景图像集合,从道路场景图像集合中获取目标的像素高度以及与目标距离的离散数据,利用离散数据得到目标的像素高度与目标距离的关系f。
进一步地,目标高度占比阈值Thr的取值范围为(0,1)。
进一步地,道路场景图像与N级感兴趣区域的中心均为车道线交汇点。
进一步地,步骤(2)中目标检测的具体实现方式为:
利用目标检测模型对N级感兴趣区域进行目标检测,所述目标检测模型的训练包括:
对于样本道路场景图像提取N级感兴趣区域样本,并标记每个感兴趣区域样本中目标高度占比大于目标高度占比阈值的目标,得到训练样本集;
构建包含特征提取层的目标检测卷积神经网络,在特征提取层对训练样本集中N级感兴趣区域样本进行特征提取,得到特征图;
在特征图中设置多个预选框,计算训练样本集中感兴趣区域样本中被标记目标与每个预选框的重叠率,利用重叠率大于预设值的预选框和训练样本集训练目标检测卷积神经网络,得到训练结果,计算训练结果的损失值,利用损失值进行反向传播进而更新目标检测卷积神经网络的参数,得到目标检测模型。
进一步地,预选框的高度占比大于目标高度占比阈值。
按照本发明的另一方面,提供了一种道路目标快速检测预警***,包括:
提取感兴趣区域模块,用于利用图像采集设备采集道路场景图像,依据目标距离从近到远的顺序从道路场景图像中提取N级感兴趣区域;
目标检测模块,用于按照目标距离从近到远的顺序,利用目标检测模型对依次对N级感兴趣区域进行目标检测,在目标距离较近的某级感兴趣区域检测到有目标后,进行预警,并不再对后续级别感兴趣区域进行检测;
其中,N≥2,所述目标距离为目标与图像采集设备之间的距离。
进一步地,提取感兴趣区域模块包括以下子模块:
初始化子模块,用于采集道路场景图像,设置目标高度占比阈值为Thr、最近目标距离为L0;
第一级感兴趣区域长宽计算子模块,用于根据目标的像素高度与目标距离的关系f以及最近目标距离为L0,得到目标的像素高度H1,将H1作为第一级感兴趣区域的长,利用第一级感兴趣区域的长与道路场景图像的长宽比计算第一级感兴趣区域的宽;
第N级感兴趣区域长宽计算子模块,用于对于第N级感兴趣区域,将目标高度占比阈值Thr与第N-1级感兴趣区域的长HN-1的乘积HN作为第N级感兴趣区域的长,利用第N级感兴趣区域的长与道路场景图像的长宽比计算第N级感兴趣区域的宽;
第N级感兴趣区域的目标距离检测范围计算子模块,用于根据第N级感兴趣区域的长和宽以及目标的像素高度与目标距离的关系f得到第N-1级感兴趣区域检测目标的最远距离LN-1,同时LN-1也是第N级感兴趣区域检测目标的最近距离;利用目标高度占比阈值Thr与第N级感兴趣区域的长HN的乘积以及目标的像素高度与目标距离的关系f,得到第N级感兴趣区域检测目标的最远距离LN;第N级感兴趣区域的目标距离检测范围为(LN-1,LN)。
进一步地,目标检测模型的训练包括:
训练样本集获取子模块,用于对于样本道路场景图像提取N级感兴趣区域样本,并标记每个感兴趣区域样本中目标高度占比大于目标高度占比阈值的目标,得到训练样本集;
特征图获取子模块,用于构建包含特征提取层的目标检测卷积神经网络,在特征提取层对训练样本集中N级感兴趣区域样本进行特征提取,得到特征图;
训练子模块,用于在特征图中设置多个预选框,计算训练样本集中感兴趣区域样本中被标记目标与每个预选框的重叠率,利用重叠率大于预设值的预选框和训练样本集训练目标检测卷积神经网络,得到训练结果,计算训练结果的损失值,利用损失值进行反向传播进而更新目标检测卷积神经网络的参数,得到目标检测模型。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明采用了分级目标检测预警策略,使得对于近处的目标,可以用最快的速度检测到,为这种最危险的情况尽可能缩短预警时间,并且可以检测到远处很小的目标。因此,本发明相对现有的行人、车辆等目标的检测预警算法,能够最大限度的对近处目标的检测预警进行加速,同时也能够检测预警远处的目标,能够更快速准确地对出现在行车路线上的目标进行检测预警,具有较好的实用价值。
(2)现有的目标检测算法,对于小目标的检测准确率一般要比大目标差。本发明通过简化目标检测网络结构设计,提升网络运算速度。采用这种分级检测的策略,可以让每一级的检测只需要检测较大的目标即可。这样能提升网络的速度。
(3)本发明通过利用各级感兴趣区域,并标注目标高度占比大于目标高度占比阈值的感兴趣区域用来训练,提升了目标检测网络对实际画面中目标的检测精度,避免了检测出较小目标。
附图说明
图1是本发明实施例提供的一种道路目标快速检测预警方法的流程示意图;
图2是本发明实施例提供的优选实施方式流程图;
图3是本发明实施例提供的一种三级感兴趣区域提取方法;
图4是本发明实施例提供的目标检测模型训练数据集标注的流程示意图;
图5是本发明实施例提供的特征图及预选框设计示意图;
图6是本发明实施例提供的目标检测卷积神经网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种道路目标快速检测预警方法,包括以下步骤:
(1)利用图像采集设备采集道路场景图像,依据目标距离从近到远的顺序从道路场景图像中提取N级感兴趣区域;
(2)按照目标距离从近到远的顺序,依次对N级感兴趣区域进行目标检测,在目标距离较近的某级感兴趣区域检测到有目标后,进行预警,并不再对后续级别感兴趣区域进行检测;
其中,N≥2,所述目标距离为目标与图像采集设备之间的距离。
进一步地,步骤(1)包括以下步骤:
采集道路场景图像,设置目标高度占比阈值为Thr、最近目标距离为L0;采集不同目标距离下的道路场景图像集合,从道路场景图像集合中获取目标的像素高度以及与目标距离的离散数据,利用离散数据得到目标的像素高度与目标距离的关系f;
根据目标的像素高度与目标距离的关系f以及最近目标距离为L0,得到目标的像素高度H1,将H1作为第一级感兴趣区域的长,利用第一级感兴趣区域的长与道路场景图像的长宽比计算第一级感兴趣区域的宽;
对于第N级感兴趣区域,将目标高度占比阈值Thr与第N-1级感兴趣区域的长HN-1的乘积HN作为第N级感兴趣区域的长,利用第N级感兴趣区域的长与道路场景图像的长宽比计算第N级感兴趣区域的宽;
根据第N级感兴趣区域的长和宽以及目标的像素高度与目标距离的关系f得到第N-1级感兴趣区域检测目标的最远距离LN-1,同时LN-1也是第N级感兴趣区域检测目标的最近距离;
利用目标高度占比阈值Thr与第N级感兴趣区域的长HN的乘积以及目标的像素高度与目标距离的关系f,得到第N级感兴趣区域检测目标的最远距离LN;第N级感兴趣区域的目标距离检测范围为(LN-1,LN)。
进一步地,目标高度占比阈值Thr的取值范围为(O,1),优选地,目标高度占比阈值Thr的取值为0.5。
进一步地,道路场景图像与N级感兴趣区域的中心均为车道线交汇点。
进一步地,步骤(2)中目标检测的具体实现方式为:
利用目标检测模型对N级感兴趣区域进行目标检测,所述目标检测模型的训练包括:
对于样本道路场景图像提取N级感兴趣区域样本,并标记每个感兴趣区域样本中目标高度占比大于目标高度占比阈值的目标,得到训练样本集;
构建包含特征提取层的目标检测卷积神经网络,在特征提取层对训练样本集中N级感兴趣区域样本进行特征提取,得到特征图;
在特征图中设置多个预选框,计算训练样本集中感兴趣区域样本中被标记目标与每个预选框的重叠率,利用重叠率大于预设值的预选框和训练样本集训练目标检测卷积神经网络,得到训练结果,计算训练结果的损失值,利用损失值进行反向传播进而更新目标检测卷积神经网络的参数,得到目标检测模型。预选框的高度占比大于目标高度占比阈值,预设值为0.5。
如图2所示,对于N为3的情况,采集道路场景图像,依据目标距离从近到远的顺序从道路场景图像中提取三级感兴趣区域;按照目标距离从近到远的顺序,依次对三级感兴趣区域进行目标检测,首先对第一级感兴趣区域进行第一级检测,若检测到目标,则进行第一级报警,否则对第二级感兴趣区域进行第二级检测,若检测到目标,则进行第二级报警,否则对第三级感兴趣区域进行第三级检测,若检测到目标,则进行第三级报警,否则停止检测。
将行车轨迹上的区域分为三级感兴趣区域,分别用于检测近、中、远处的目标。能够最大限度的对近处目标的检测预警进行加速,同时也能够检测预警远处的目标。
如图3所示,对于N为3的情况,步骤(1)中所述设置三级感兴趣区域,具体包括以下步骤:
(21)对采集的道路场景图像进行分析,提取出车道线在图像中的轨迹及交汇点;设定目标高度占比阈值Thr;
(22)分析目标在采集图像中的像素高度与目标距离的关系f;
(23)设定最近检测目标距离a,根据关系f得到此时目标的像素高度H1,将H1作为第一级感兴趣区域的长,利用第一级感兴趣区域的长和道路场景图像的长宽比计算第一级感兴趣区域的宽。
(24)根据阈值Thr,得到第一级感兴趣区域检测的最小目标像素高度H2=H1*Thr。将H2作为第二级感兴趣区域的长,利用第二级感兴趣区域的长和道路场景图像的长宽比计算第二级感兴趣区域的宽。
(25)由H2,根据关系f得到第一级感兴趣区域检测目标的最远距离b,同时也是第二级感兴趣区域检测目标的最近距离。
(26)根据阈值Thr,得到第二级感兴趣区域检测的最小目标像素高度H3=H2*Thr。将H3作为第三级感兴趣区域的长,利用第三级感兴趣区域的长和道路场景图像的长宽比计算第三级感兴趣区域的宽。
(27)由H3,根据关系f得到第二级感兴趣区域检测目标的最远距离c,同时也是第三级感兴趣区域检测目标的最近距离。
(28)根据阈值Thr,得到第三级感兴趣区域检测的最小目标像素高度H4=H3*Thr。
(29)由H4,根据关系f得到第三级感兴趣区域检测目标的最远距离d。
(210)以交汇点为各感兴趣区域的中心,依次截取长为H1,H2,H3的区域,作为第一、二、三级的感兴趣区域。
所述步骤(23)(25)(27)(29)中所述的距离a、b、c、d构成了第一、二、三级感兴趣区域的目标检测距离区间(a,b)、(b,c)、(c,d)。
如图4所示,对于N为3的情况,目标检测模型的训练方法为:
对样本道路场景图像提取出三级感兴趣区域,得到输入图像,并在每个输入图像中,标记出高度占比大于THR的完整目标,得到训练数据集T;标记方法为记录框住目标的矩形框的左上角和右下角坐标,记录在一个xml格式文件中。
构建目标检测卷积神经网络,在目标检测卷积神经网络的特征层上对训练数据集T进行特征提取;
如图5所示,在目标检测卷积神经网络的特征层上设计预选框,预选框的尺度设定为稍高于Thr,初步得到输入图像中高度占比大于Thr的目标对象所在位置;预选框纵横比ar为2、3、4;预选框高为宽为
采用训练数据集T和在特征层上设置的预选框分步训练所述目标检测卷积神经网络,得到目标检测模型。
如图6所示,在检测时,将输入图像输入目标特征提取网络得到特征图,进行检测得到检测结果,利用检测结果进行后续处理即是否进行预警。
实施例1
一种道路目标快速检测预警方法,当N为3,目标为行人时,包括以下步骤:
步骤1:采集道路场景图像,对采集的道路场景图像进行分析,提取出车道线在图像中的轨迹及交汇点;设置图像中心为车道线交汇点。分析行人在采集图像中的像素高度与行人距离的关系f;设定检测行人高度占比阈值Thr为0.5。
设定最近检测行人距离为5米。根据关系f,得到5米处行人的像素高度为480,设第一级感兴趣区域长宽为480。(此时道路场景图像的长宽比为1)
由第一级感兴趣区域子画面长宽为480,及设定的最小行人高度占比阈值为0.5,得到第一级要检测的最小行人像素高度240。此时,行人距离为10米,设其为第二级检测行人的最近距离。并设第二级感兴趣区域长宽为240。
由第二级感兴趣区域子画面长宽为240,及设定的最小检测行人高度占比阈值为0.5,得到第二级要检测的最小行人像素高度120。此时,行人距离为20米,设其为第三级检测行人的最近距离。并设第二级感兴趣区域长宽为120。
第三级感兴趣区域子画面长宽为120,及设定的最小检测行人高度占比阈值为0.5,得到第三级要检测的最小行人像素高度60。此时,行人距离为40米,为第三级检测目标的最远距离。
步骤2:截取含有行人的各级感兴趣区域。三级感兴趣区域为上述的三级感兴趣区域提取方法得到的区域。根据感兴趣区域中的行人的像素高度与子画面分辨率高度的比例是否大于Thr决定是否标注该行人。标注占比大于Thr的行人。标注方法为记录框住行人的矩形框的左上角和右下角坐标。
在所述单尺度行人检测卷积神经网络的特征层L上设计预选框,初步得到行人目标所在位置;
选取网络后部分特征层,特征层分辨率为3×3,检测行人尺度为0.7;将输入图像划分为3×3的网格。预选框的设计原则为与网格区域的中点同心;预选框纵横比ar为2、3、4;预选框高为宽为
采用训练数据集T和预选框训练所述单尺度行人检测卷积神经网络,得到行人检测模型。
步骤3:利用行人检测模型依次对三级感兴趣区域进行行人检测。
本发明为一种适用于辅助驾驶***的道路目标快速检测预警方法,首先采用了分级目标检测预警策略,将行车轨迹上的区域分为三级感兴趣区域。分别用于检测近、中、远处的目标。能够最大限度的对近处目标的检测预警进行加速,同时也能够检测预警远处的目标。并且根据这种分级检测的策略,设计了快速目标检测网络。使用符合目标特征的预选框,以及单尺度特征图进行目标检测工作,得到了快速的目标检测网络。该方法实现了对目标快速准确的检测预警。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种道路目标快速检测预警方法,其特征在于,包括以下步骤:
(1)利用图像采集设备采集道路场景图像,依据目标距离从近到远的顺序从道路场景图像中提取N级感兴趣区域;
(2)按照目标距离从近到远的顺序,依次对N级感兴趣区域进行目标检测,在目标距离较近的某级感兴趣区域检测到有目标后,进行预警,并不再对后续级别感兴趣区域进行检测;
其中,N≥2,所述目标距离为目标与图像采集设备之间的距离。
2.如权利要求1所述的一种道路目标快速检测预警方法,其特征在于,所述步骤(1)包括以下步骤:
采集道路场景图像,设置目标高度占比阈值为Thr、最近目标距离为L0;
根据目标的像素高度与目标距离的关系f以及最近目标距离为L0,得到目标的像素高度H1,将H1作为第一级感兴趣区域的长,利用第一级感兴趣区域的长与道路场景图像的长宽比计算第一级感兴趣区域的宽;
对于第N级感兴趣区域,将目标高度占比阈值Thr与第N-1级感兴趣区域的长HN-1的乘积HN作为第N级感兴趣区域的长,利用第N级感兴趣区域的长与道路场景图像的长宽比计算第N级感兴趣区域的宽;
根据第N级感兴趣区域的长和宽以及目标的像素高度与目标距离的关系f得到第N-1级感兴趣区域检测目标的最远距离LN-1,同时LN-1也是第N级感兴趣区域检测目标的最近距离;
利用目标高度占比阈值Thr与第N级感兴趣区域的长HN的乘积以及目标的像素高度与目标距离的关系f,得到第N级感兴趣区域检测目标的最远距离LN;第N级感兴趣区域的目标距离检测范围为(LN-1,LN)。
3.如权利要求2所述的一种道路目标快速检测预警方法,其特征在于,所述步骤(1)还包括:
采集不同目标距离下的道路场景图像集合,从道路场景图像集合中获取目标的像素高度以及与目标距离的离散数据,利用离散数据得到目标的像素高度与目标距离的关系f。
4.如权利要求2所述的一种道路目标快速检测预警方法,其特征在于,所述目标高度占比阈值Thr的取值范围为(0,1)。
5.如权利要求1-4任一所述的一种道路目标快速检测预警方法,其特征在于,所述道路场景图像与N级感兴趣区域的中心均为车道线交汇点。
6.如权利要求2或4所述的一种道路目标快速检测预警方法,其特征在于,所述步骤(2)中目标检测的具体实现方式为:
利用目标检测模型对N级感兴趣区域进行目标检测,所述目标检测模型的训练包括:
对于样本道路场景图像提取N级感兴趣区域样本,并标记每个感兴趣区域样本中目标高度占比大于目标高度占比阈值的目标,得到训练样本集;
构建包含特征提取层的目标检测卷积神经网络,在特征提取层对训练样本集中N级感兴趣区域样本进行特征提取,得到特征图;
在特征图中设置多个预选框,计算训练样本集中感兴趣区域样本中被标记目标与每个预选框的重叠率,利用重叠率大于预设值的预选框和训练样本集训练目标检测卷积神经网络,得到训练结果,计算训练结果的损失值,利用损失值进行反向传播进而更新目标检测卷积神经网络的参数,得到目标检测模型。
7.如权利要求6所述的一种道路目标快速检测预警方法,其特征在于,所述预选框的高度占比大于目标高度占比阈值。
8.一种道路目标快速检测预警***,其特征在于,包括:
提取感兴趣区域模块,用于利用图像采集设备采集道路场景图像,依据目标距离从近到远的顺序从道路场景图像中提取N级感兴趣区域;
目标检测模块,用于按照目标距离从近到远的顺序,利用目标检测模型对依次对N级感兴趣区域进行目标检测,在目标距离较近的某级感兴趣区域检测到有目标后,进行预警,并不再对后续级别感兴趣区域进行检测;
其中,N≥2,所述目标距离为目标与图像采集设备之间的距离。
9.如权利要求8所述的一种道路目标快速检测预警***,其特征在于,所述提取感兴趣区域模块包括以下子模块:
初始化子模块,用于采集道路场景图像,设置目标高度占比阈值为Thr、最近目标距离为L0;
第一级感兴趣区域长宽计算子模块,用于根据目标的像素高度与目标距离的关系f以及最近目标距离为L0,得到目标的像素高度H1,将H1作为第一级感兴趣区域的长,利用第一级感兴趣区域的长与道路场景图像的长宽比计算第一级感兴趣区域的宽;
第N级感兴趣区域长宽计算子模块,用于对于第N级感兴趣区域,将目标高度占比阈值Thr与第N-1级感兴趣区域的长HN-1的乘积HN作为第N级感兴趣区域的长,利用第N级感兴趣区域的长与道路场景图像的长宽比计算第N级感兴趣区域的宽;
第N级感兴趣区域的目标距离检测范围计算子模块,用于根据第N级感兴趣区域的长和宽以及目标的像素高度与目标距离的关系f得到第N-1级感兴趣区域检测目标的最远距离LN-1,同时LN-1也是第N级感兴趣区域检测目标的最近距离;利用目标高度占比阈值Thr与第N级感兴趣区域的长HN的乘积以及目标的像素高度与目标距离的关系f,得到第N级感兴趣区域检测目标的最远距离LN;第N级感兴趣区域的目标距离检测范围为(LN-1,LN)。
10.如权利要求8或9所述的一种道路目标快速检测预警***,其特征在于,所述目标检测模型的训练包括:
训练样本集获取子模块,用于对于样本道路场景图像提取N级感兴趣区域样本,并标记每个感兴趣区域样本中目标高度占比大于目标高度占比阈值的目标,得到训练样本集;
特征图获取子模块,用于构建包含特征提取层的目标检测卷积神经网络,在特征提取层对训练样本集中N级感兴趣区域样本进行特征提取,得到特征图;
训练子模块,用于在特征图中设置多个预选框,计算训练样本集中感兴趣区域样本中被标记目标与每个预选框的重叠率,利用重叠率大于预设值的预选框和训练样本集训练目标检测卷积神经网络,得到训练结果,计算训练结果的损失值,利用损失值进行反向传播进而更新目标检测卷积神经网络的参数,得到目标检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383340.XA CN110210324B (zh) | 2019-05-08 | 2019-05-08 | 一种道路目标快速检测预警方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383340.XA CN110210324B (zh) | 2019-05-08 | 2019-05-08 | 一种道路目标快速检测预警方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210324A true CN110210324A (zh) | 2019-09-06 |
CN110210324B CN110210324B (zh) | 2021-01-19 |
Family
ID=67785676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910383340.XA Active CN110210324B (zh) | 2019-05-08 | 2019-05-08 | 一种道路目标快速检测预警方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210324B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179533A (zh) * | 2020-01-11 | 2020-05-19 | 刘惠敏 | 基于外形解析的目标辨识*** |
WO2022012425A1 (zh) * | 2020-07-16 | 2022-01-20 | 长沙智能驾驶研究院有限公司 | 目标检测方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066929A (zh) * | 2017-01-06 | 2017-08-18 | 重庆大学 | 一种融合多种特征的高速公路隧道停车事件分级识别方法 |
CN107911697A (zh) * | 2017-10-30 | 2018-04-13 | 北京航空航天大学 | 基于感兴趣区域分层的无人机图像运动目标检测方法 |
CN108399630A (zh) * | 2018-01-22 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种复杂场景下感兴趣区域内目标快速测距方法 |
-
2019
- 2019-05-08 CN CN201910383340.XA patent/CN110210324B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066929A (zh) * | 2017-01-06 | 2017-08-18 | 重庆大学 | 一种融合多种特征的高速公路隧道停车事件分级识别方法 |
CN107911697A (zh) * | 2017-10-30 | 2018-04-13 | 北京航空航天大学 | 基于感兴趣区域分层的无人机图像运动目标检测方法 |
CN108399630A (zh) * | 2018-01-22 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种复杂场景下感兴趣区域内目标快速测距方法 |
Non-Patent Citations (6)
Title |
---|
HUIBAO LIN等: "Hierarchical region-of-interest detection", 《OPTICAL ENGINEERING 》 * |
HUIBAO LIN等: "KNOWLEDGE-BASED HIERARICAL REGION-OF-INEREST DETECTION", 《2002 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS,SPEECH,AND SIGNAL PROCESSING》 * |
KAI CHEN等: "Once for All: a Two-flow Convolutional Neural Network for Visual Tra cking", 《ARXIV:1604.07507V1 [CS.CV]》 * |
TONG LI等: "SDBD: A Hierarchical Region-of-Interest Detection Approach in Large-Scale Remote Sensing Image", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
向根: "基于DM8127的多目标远距离检测定位***", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张治国: "前方道路行人检测和距离估计研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179533A (zh) * | 2020-01-11 | 2020-05-19 | 刘惠敏 | 基于外形解析的目标辨识*** |
CN111179533B (zh) * | 2020-01-11 | 2021-10-29 | 合肥源康信息科技有限公司 | 基于外形解析的目标辨识*** |
WO2022012425A1 (zh) * | 2020-07-16 | 2022-01-20 | 长沙智能驾驶研究院有限公司 | 目标检测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110210324B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175576B (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
CN103824452B (zh) | 一种轻量级的基于全景视觉的违章停车检测装置 | |
CN102724482B (zh) | 基于gps和gis的智能视觉传感网络运动目标接力跟踪*** | |
CN105702048B (zh) | 基于行车记录仪的高速公路前车违法占道识别***及方法 | |
CN104616502B (zh) | 基于组合式车路视频网络的车牌识别与定位*** | |
CN103366154B (zh) | 可重配置的畅通路径检测*** | |
CN106845364B (zh) | 一种快速自动目标检测方法 | |
CN109064495A (zh) | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 | |
CN108389421B (zh) | 基于图像再识别的停车场精确诱导***及方法 | |
CN110532889A (zh) | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 | |
Feng et al. | Mixed road user trajectory extraction from moving aerial videos based on convolution neural network detection | |
CN104063882B (zh) | 一种基于双目的车辆视频测速方法 | |
CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN112668375B (zh) | 景区内游客分布分析***及方法 | |
CN106951829A (zh) | 一种基于最小生成树的视频显著对象检测方法 | |
CN114067384A (zh) | 高速公路疫情防控人员发热检测及车辆轨迹追踪路侧设备 | |
CN106845325A (zh) | 一种信息检测方法及装置 | |
CN106845359A (zh) | 基于红外发射的隧道入口行车提示装置及方法 | |
CN110210324A (zh) | 一种道路目标快速检测预警方法和*** | |
CN114926984B (zh) | 一种实时交通冲突收集与道路安全评价方法 | |
CN112749584B (zh) | 一种基于图像检测的车辆定位方法及车载终端 | |
Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
KR102562757B1 (ko) | 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법 | |
CN106446864A (zh) | 一种可行道路的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |