CN116664971A - 一种模型训练方法、障碍物检测方法及相关设备 - Google Patents

一种模型训练方法、障碍物检测方法及相关设备 Download PDF

Info

Publication number
CN116664971A
CN116664971A CN202310492486.4A CN202310492486A CN116664971A CN 116664971 A CN116664971 A CN 116664971A CN 202310492486 A CN202310492486 A CN 202310492486A CN 116664971 A CN116664971 A CN 116664971A
Authority
CN
China
Prior art keywords
target
frame
blocked
annotation
labeling
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.)
Pending
Application number
CN202310492486.4A
Other languages
English (en)
Inventor
贺克赛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inceptio Star Intelligent Technology Shanghai Co Ltd
Original Assignee
Inceptio Star Intelligent Technology Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inceptio Star Intelligent Technology Shanghai Co Ltd filed Critical Inceptio Star Intelligent Technology Shanghai Co Ltd
Priority to CN202310492486.4A priority Critical patent/CN116664971A/zh
Publication of CN116664971A publication Critical patent/CN116664971A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种模型训练方法、障碍物检测方法及相关设备，包括：根据未被遮挡目标所对应的预测框与未被遮挡目标所对应的标注框，以及未被遮挡目标对应的预测类别与标注数据中的标注类别计算获得第一损失值；根据被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与未被遮挡目标的标注框，以及被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值；根据第一损失值以及第二损失值对预先构建的目标检测模型训练更新。本发明训练得到的目标检测模型针对目标遮挡情况具有更高的检测准确性，且无需额外的标注成本，也未增加额外的计算量。

Description

一种模型训练方法、障碍物检测方法及相关设备
技术领域
本发明涉及图像处理技术领域，尤其涉及一种模型训练方法、障碍物检测方法及相关设备。
背景技术
车辆行驶道路上的障碍物检测是高级辅助驾驶***(Advanced DriverAssistance Systems，简称ADAS)中的重要组成部分，其对于整个ADAS***的安全性至关重要。在车辆行驶过程中，障碍物包括乘用车、面包车、巴士、行人、动物以及交通锥桶等。在实际障碍物检测场景中，常常出现障碍物与障碍物之间遮挡的情况，使得障碍物检测模型失效，进而导致ADAS***误报以及漏报，带来极大的安全问题。
综上，针对在遮挡情况下障碍物检测准确性较低的问题，亟需一种能够提升检测精度的障碍物检测方法。
发明内容
本发明提供一种模型训练方法、障碍物检测方法及相关设备，用以解决上述在遮挡情况下障碍物检测准确性较低的问题。
本发明提供一种模型训练方法，包括：
获取训练图像以及训练图像对应的标注数据；
根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框；
根据所述被遮挡目标的标注框与所述未被遮挡目标的标注框之间的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框；
将所述训练图像输入至预先构建的目标检测模型中，获得预测数据；其中，所述预测数据包括所述被遮挡目标与所述未被遮挡目标所对应的预测框以及预测类别；
根据所述未被遮挡目标所对应的预测框与所述未被遮挡目标所对应的标注框，以及所述未被遮挡目标对应的预测类别与标注数据中的标注类别计算获得第一损失值；
根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值；
根据所述第一损失值以及所述第二损失值对所述预先构建的目标检测模型进行参数更新，并在所述预先构建的目标检测模型收敛的情况下停止更新，以获得训练好的目标检测模型。
根据本发明提供的一种模型训练方法，所述根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值，包括：
根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框、所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算得到被遮挡目标的中心损失；
根据所述被遮挡目标的预测框所对应的中心点、所述被遮挡目标的更新后标注框所对应的中心点以及所述未被遮挡目标的标注框所对应的中心点计算得到被遮挡目标的遮挡损失；
根据所述被遮挡目标的中心损失与所述被遮挡目标的遮挡损失获得第二损失值。
根据本发明提供的一种模型训练方法，所述根据所述被遮挡目标的预测框所对应的中心点、所述被遮挡目标的更新后标注框所对应的中心点以及所述未被遮挡目标的标注框所对应的中心点计算得到被遮挡目标的遮挡损失，包括：
对所述被遮挡目标的预测框所对应的中心点与所述被遮挡目标的更新后标注框所对应的中心点进行范数计算，获得第一范数值；
对所述被遮挡目标的预测框所对应的中心点与未被遮挡目标的标注框所对应的中心点进行范数计算，获得第二范数值；
将所述第一范数值与所述第二范数值之间的差值作为被遮挡目标的遮挡损失。
根据本发明提供的一种模型训练方法，所述被遮挡目标的更新后标注框所对应的中心点通过如下方式获得：
在存在多个重合部分的情况下，根据所述多个重合部分中最大的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框；
在所述遮挡目标的更新后标注框为矩形的情况下，将所述遮挡目标的更新后标注框的中心作为被遮挡目标的更新后标注框所对应的中心点；
在所述遮挡目标的更新后标注框不为矩形的情况下，通过对角线在所述遮挡目标的更新后标注框中获取三角形，并在所述三角形中获取内切圆，将内切圆的圆心作为被遮挡目标的更新后标注框所对应的中心点。
根据本发明提供的一种模型训练方法，所述根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框，包括：
获取训练图像对应的多个标注框，其中，每一标注框对应一目标；
在标注框与标注框之间存在相交的情况下，确定训练图像中存在被遮挡目标与未被遮挡目标；
根据标注框与所述训练图像对应的原点之间的距离，从相交的标注框中确定被遮挡目标的标注框与未被遮挡目标的标注框。
根据本发明提供的一种模型训练方法，其中，所述预先构建的目标检测模型对所述训练图像进行特征提取，并基于提取得到的特征图预测得到热力图、目标高宽以及中心点偏移量，进而根据所述热力图、目标高宽以及中心点偏移量获得预测数据。
本发明还提供一种障碍物检测方法，包括：
获取车辆周围的待检测图像；
将所述待检测图像输入至预先训练好的目标检测模型，获得障碍物的检测结果；所述障碍物包括被遮挡障碍物与未被遮挡障碍物，所述预先训练好的目标检测模型通过如上述模型训练方法训练得到。
本发明还提供一种模型训练装置，包括：
训练数据获取模块，用于获取训练图像以及训练图像对应的标注数据；
目标确定模块，用于根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框；
标注框更新模块，用于根据所述被遮挡目标的标注框与所述未被遮挡目标的标注框之间的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框；
模型预测模块，用于将所述训练图像输入至预先构建的目标检测模型中，获得预测数据；其中，所述预测数据包括所述被遮挡目标与所述未被遮挡目标所对应的预测框以及预测类别；
未被遮挡目标的损失计算模块，用于根据所述未被遮挡目标所对应的预测框与所述未被遮挡目标所对应的标注框，以及所述未被遮挡目标对应的预测类别与标注数据中的标注类别计算获得第一损失值；
被遮挡目标的损失计算模块，用于根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值；
模型更新模块，用于根据所述第一损失值以及所述第二损失值对所述预先构建的目标检测模型进行参数更新，并在所述预先构建的目标检测模型收敛的情况下停止更新，以获得训练好的目标检测模型。
本发明还提供一种障碍物检测装置，包括：
待检测图像获取模块，用于获取车辆周围的待检测图像；
障碍物检测模块，用于将所述待检测图像输入至预先训练好的目标检测模型，获得障碍物的检测结果；所述障碍物包括被遮挡障碍物与未被遮挡障碍物，所述预先训练好的目标检测模型通过如上述模型训练方法训练得到。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的模型训练方法或如上述的障碍物检测方法。
本发明还提供一种车辆，包括上述的电子设备。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的模型训练方法或如上述的障碍物检测方法。
本发明提供一种模型训练方法、障碍物检测方法及相关设备，其中，模型训练方法针对被遮挡目标与未被遮挡目标各自进行损失值计算，并且在被遮挡目标的损失值计算过程中考虑到了未被遮挡目标对被遮挡目标的影响，从而约束被遮挡目标的预测框远离其他目标的标注框而更靠近被遮挡目标的原始标注框，使得最后训练得到的目标检测模型针对目标与目标之间存在遮挡或重合的情况，具有更高的检测准确性。另外，本发明在原有的标注数据上进行被遮挡目标与未被遮挡目标的区分，未增加任何的标注成本。且未在目标检测模型中进行网络层的调整，仅仅是增加了遮挡损失的计算，从而在通过训练好的目标检测模型进行目标检测的过程中未增加额外的计算量。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的模型训练方法的流程示意图；
图2是本发明实施例提供的相交标注框示意图；
图3是本发明实施例提供的被遮挡目标的更新后标注框示意图之一；
图4是本发明实施例提供的被遮挡目标的更新后标注框示意图之二；
图5是本发明实施例提供的障碍物检测方法的流程示意图；
图6是本发明实施例提供的模型训练装置的结构示意图；
图7是本发明实施例提供的障碍物检测装置的结构示意图；
图8示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的模型训练方法的流程示意图；如图1所示，模型训练方法，包括如下步骤：
S101，获取训练图像以及训练图像对应的标注数据。
在本实施例中，获取的训练图像为目标检测场景下的训练图像，对应的标注数据中包括训练图像中每一目标的标注框与类别信息。
S102，根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框。
在本步骤中，根据每一训练图像对应的标注框位置关系确定训练图像中的各个目标是否为被遮挡目标或为未被遮挡目标。
具体地，若训练图像中的多个标注框之间相交(也即标注框所围成的图像区域存在重合的部分)，那么该训练图像中的目标存在被遮挡情况，若各个标注框之间均未发生相交，那么该训练图像中所有目标均为未被遮挡目标。在标注框相交的情况下，进一步根据标注框对应的目标与相机的远近关系确定被遮挡目标的标注框与未被遮挡目标的标注框。
S103，根据所述被遮挡目标的标注框与所述未被遮挡目标的标注框之间的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框。
在本步骤中，先获取被遮挡目标的标注框与未被遮挡目标的标注框之间的重合区域，进而在被遮挡目标的原始标注框所围成的区域的基础上剔除重合区域，形成被遮挡目标的未被遮挡图像区域，也即，根据被遮挡目标的原始标注框与未被遮挡目标的标注框获得未被遮挡图像区域对应的标注框(即被遮挡目标的更新后标注框)。需要说明的是，当出现一个目标被多个目标遮挡的情况，也即重合区域具有多个的情况，只选择重合区域最大的两个标注框进行后续标注框更新处理。由于通常情况下，标注数据中的标注框为矩形，更新后标注框为矩形或为六边形，针对更新后的标注框重新确定中心点，中心点确定过程具体参见下文描述。而在仅有一个重合区域的情况下，能够明确得到一个被遮挡目标和一个未被遮挡目标。
以图2所示的两个相交标注框为例，标注框1与标注框2之间存在重合部分，利用该重合部分更新被遮挡目标的标注框，形成被遮挡目标的更新后标注框。需要说明的是，一般情况下，目标检测场景下的标注框为矩形，每一标注框均有一个初始的中心点，该中心点为矩形标注框的中心点，在利用重合部分对被遮挡目标的标注框更新后，被遮挡目标的更新后标注框可能为六边形，也可能仍为矩形，中心点发生变化。
S104，将所述训练图像输入至预先构建的目标检测模型中，获得预测数据。
其中，所述预测数据包括所述被遮挡目标与所述未被遮挡目标所对应的预测框以及预测类别。
所述预先构建的目标检测模型对所述训练图像进行特征提取，并基于提取得到的特征图预测得到热力图、目标高宽以及中心点偏移量，进而根据所述热力图、目标高宽以及中心点偏移量获得预测数据。更具体地，所述目标检测模型基于CenterNet构建。需要说明的是，本发明实施例中目标检测模型为基于CenterNet的模型，在本发明其他实施例中目标检测模型也可以为其他在CenterNet基础上所改进后的模型，只要该改进后的CenterNet在损失计算过程中保留有中心点相关的损失计算。
在本步骤中，被遮挡目标的更新后标注框与所述未被遮挡目标的标注框组成了新的标注框数据，该新的标注框数据与标注数据中原有的类别信息构成了新的标注数据。进而将训练图像输入预先构建的目标检测模型中，预先构建的目标检测模型输出对应的预测数据，该预测数据包括训练图像中各个目标的预测框与预测类别。
基于上述预测数据以及新的标注数据，利用不同的损失函数对被遮挡目标与未被遮挡目标同时进行损失计算。
S105，根据所述未被遮挡目标所对应的预测框与所述未被遮挡目标所对应的标注框，以及所述未被遮挡目标对应的预测类别与标注数据中的标注类别计算获得第一损失值。
在本步骤中，针对未被遮挡目标，基于未被遮挡目标所对应的预测框与所述未被遮挡目标所对应的标注框，以及所述未被遮挡目标对应的预测类别与标注数据中的标注类别，利用CenterNet中常规的关于角点与中心点的损失函数计算得到第一损失值。
S106，根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值。
在本步骤中，针对被遮挡目标，除了利用CenterNet中常规的关于角点与中心点的损失函数对所述被遮挡目标所对应的预测框与被遮挡目标的更新后标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别进行损失计算之外，还根据被遮挡目标所对应的预测框、被遮挡目标的更新后标注框以及所述未被遮挡目标的标注框进行遮挡损失的计算，结合两部分损失值获得第二损失值。
其中，遮挡损失的目的是约束被遮挡目标的预测框远离其他目标的标注框而更靠近被遮挡目标的原始标注框。
S107，根据所述第一损失值以及所述第二损失值对所述预先构建的目标检测模型进行参数更新，并在所述预先构建的目标检测模型收敛的情况下停止更新，以获得训练好的目标检测模型。
在本步骤中，根据未被遮挡目标的损失值(即第一损失值)以及被遮挡目标的损失值(即第二损失值)，通过反向传播算法对目标检测模型中的网络参数进行更新，并在目标检测模型收敛的情况下停止更新，以获得训练好的目标检测模型。
在获得训练好的目标检测模型之后，可以对目标检测场景下的图像进行检测，针对目标与目标之间存在遮挡或重合的情况，训练好的目标检测模型具有更好的检测效果，也即对被遮挡的目标具有定位更精确的预测框，并基于精确的预测框获得更准确的预测类别。
需要说明的是，被遮挡目标与未被遮挡目标的预测框均为矩形框，并不会因为对标注框的更新而改变预测框的形状。
另外，上述针对遮挡问题所提供的模型训练方法，除了应用在目标检测场景，也可以应用在同样会出现遮挡情况的行人检测等其他场景中。
根据本发明实施例提供的模型训练方法，针对被遮挡目标与未被遮挡目标各自进行损失值计算，并且在被遮挡目标的损失值计算过程中考虑到了未被遮挡目标对被遮挡目标的影响，从而约束被遮挡目标的预测框远离其他目标的标注框而更靠近被遮挡目标的原始标注框，使得最后训练得到的目标检测模型针对目标与目标之间存在遮挡或重合的情况，具有更高的检测准确性。另外，本发明在原有的标注数据上进行被遮挡目标与未被遮挡目标的区分，未增加任何的标注成本。且未在目标检测模型中进行网络层的调整，仅仅是增加了遮挡损失的计算，从而在通过训练好的目标检测模型进行目标检测的过程中未增加额外的计算量。
进一步地，在上述实施例的基础上，所述根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值，包括：
根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框、所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算得到被遮挡目标的中心损失。
根据所述被遮挡目标的预测框所对应的中心点、所述被遮挡目标的更新后标注框所对应的中心点以及所述未被遮挡目标的标注框所对应的中心点计算得到被遮挡目标的遮挡损失。
根据所述被遮挡目标的中心损失与所述被遮挡目标的遮挡损失获得第二损失值。
在本实施例中，利用CenterNet中现有的损失函数进行中心损失L_center_2计算：
L_center_2＝a*L_center_cls_2+b*L_reg_2+c*L_offset_2
式中，a、b以及c均为权重，L_center_cls_2为Focal Loss，其为根据基于被遮挡目标的更新后标注框、标注类别以及训练图像所生成的热力图(即heatmap)，与被遮挡目标预测获得的热力图计算得到的损失。L_reg_2为L1 loss，其为根据被遮挡目标的更新后标注框所对应的中心点、宽高标注信息(根据被遮挡目标的更新后标注框获得)，以及预测得到的高宽值(根据被遮挡目标的预测框获取)计算得到的损失。L_offset_2为根据被遮挡目标的更新后标注框所对应的中心点坐标偏移量以及被遮挡目标的预测框对应的中心点坐标偏移量计算得到的损失。
相应地，在未被遮挡目标的第一损失值计算过程中，其利用的也是CenterNet中现有的损失函数进行中心损失计算，只不过所用到的数据不相同，具体第一损失值L_center_1计算为：
L_center_1＝a*L_center_cls_1+b*L_reg_1+c*L_offset_1
式中，L_center_cls_1为Focal Loss，其为根据基于未被遮挡目标的标注框、标注类别以及训练图像所生成的热力图(即heatmap)，与对未被遮挡目标预测获得的热力图计算得到的损失。L_reg_1为L1loss，其为根据未被遮挡目标的标注框所对应的中心点、宽高标注信息(根据未被遮挡目标的标注框获得)，以及预测得到的高宽值(根据未被遮挡目标的预测框获取)计算得到的损失。L_offset_1为根据未被遮挡目标的标注框所对应的中心点坐标偏移量以及未被遮挡目标的预测框对应的中心点坐标偏移量计算得到的损失。
另外，在被遮挡目标的损失计算中，还利用本发明设计的损失函数进行遮挡损失计算，具体可以是利用范数损失函数(例如常规的L1范数损失函数、L2范数损失函数等等)对被遮挡目标的预测框所对应的中心点与所述被遮挡目标的更新后标注框所对应的中心点、被遮挡目标的预测框所对应的中心点与未被遮挡目标的标注框所对应的中心点进行计算，从而获得遮挡损失L_occ。
更具体地，遮挡损失计算为：
对所述被遮挡目标的预测框所对应的中心点与所述被遮挡目标的更新后标注框所对应的中心点进行范数计算，获得第一范数值；
对所述被遮挡目标的预测框所对应的中心点与未被遮挡目标的标注框所对应的中心点进行范数计算，获得第二范数值；
将所述第一范数值与所述第二范数值之间的差值作为被遮挡目标的遮挡损失。
更进一步地，利用L2范数损失函数进行遮挡损失计算，即：
L_occ＝L2(center_pred-center_gt)-L2(center_pred-center_other)
式中，L_occ为遮挡损失，center_pred为被遮挡目标的预测框所对应的中心点，center_gt为被遮挡目标的更新后标注框所对应的中心点，center_other为未被遮挡目标的标注框所对应的中心点。
需要说明的是，当出现一个目标被多个目标遮挡的情况时(即一个被遮挡目标与多个未被遮挡目标)，仅选中遮挡部分最大的未被遮挡目标与被遮挡目标进行上述的遮挡损失L_occ计算。当出现多个目标被一个目标遮挡时(即一个未被遮挡目标以及多个被遮挡目标)，则对每一个被遮挡目标进行上述的遮挡损失L_occ计算。
在获得中心损失L_center与遮挡损失L_occ之后，进一步获得被遮挡目标的损失值，即第二损失值。
根据本发明实施例提供的模型训练方法，针对被遮挡目标设计了遮挡损失，该遮挡损失用于约束被遮挡目标的预测框远离其他目标的标注框而更靠近被遮挡目标的原始标注框，从而提升目标检测模型对被遮挡目标的检测准确性。
进一步地，在上述实施例的基础上，所述被遮挡目标的更新后标注框所对应的中心点通过如下方式获得：
在存在多个重合部分的情况下，根据所述多个重合部分中最大的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框。
在所述遮挡目标的更新后标注框为矩形的情况下，将所述遮挡目标的更新后标注框的中心作为被遮挡目标的更新后标注框所对应的中心点。
在所述遮挡目标的更新后标注框不为矩形的情况下，通过对角线在所述遮挡目标的更新后标注框中获取三角形，并在所述三角形中获取内切圆，将内切圆的圆心作为被遮挡目标的更新后标注框所对应的中心点。
在本实施例中，先通过重合部分准确获取被遮挡目标测更新后标注框。由于通常情况下，标注数据中的标注框为矩形，则更新后标注框可以如图3所示的矩形，或者如图4所示的六边形。
在更新后标注框为如图3所示的矩形(即被遮挡目标剩下的阴影区域)时，获取更新后标注框的中心作为被遮挡目标的更新后标注框所对应的中心点。
在更新后标注框为如图4所示的六边形时，在六边形中取对角线，在对角线与六边形中的两条边所构成的三角形中获取内切圆，将内切圆的圆心作为被遮挡目标的更新后标注框所对应的中心点。
在图4中可知，所围成的三角形三个点的坐标分别为(x2,y2)、(x3,y3)、(x4,y4)，此时，内切圆的圆心坐标通过如下方式获取：X＝(x2+x3+x4)/3，Y＝(y2+y3+y4)/3。
需要说明的是，在六边形中，正常情况下，均能在六边形中通过对角线获得三角形，由于在数据标注过程中，若遮挡的部分大于预设的阈值(比如说原目标的1/2)，则无法对目标实现准确标注。因此，获得标注框均为遮挡部分较小的情况，在此背景下，能在六边形中获得三角形。
进一步地，在上述实施例的基础上，所述根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框，包括：
获取训练图像对应的多个标注框，其中，每一标注框对应一目标。
在标注框与标注框之间存在相交的情况下，确定训练图像中存在被遮挡目标与未被遮挡目标。
根据标注框与所述训练图像对应的原点之间的距离，从相交的标注框中确定被遮挡目标的标注框与未被遮挡目标的标注框。
在本实施例中，若标注框与标注框之间相交(标注框一般正好包围目标)，那么相交的标注框所对应的目标存在被遮挡的情况。在此基础上，进一步根据标注框距离训练图像对应的原点的远近确定哪个标注框距离相机更近，将距离相机更近的目标确定为未被遮挡目标，将距离相机远的目标确定为被遮挡目标，也即，将相交的标注框中距离训练图像对应的原点最近的标注框作为未被遮挡目标的标注框，其他剩下的标注框作为被遮挡目标的标注框。若训练图像对应的标注框均不相交，则所有标注框均为未被遮挡目标的标注框。
需要说明的是，图2为两个标注框相交的情况，在本发明的其他实施例中也可以出现三个、四个等不同数量的标注框相交的情况，在此情况下，仍可以根据标注框距离原点的远近确定一个未被遮挡目标与多个被遮挡目标对应的标注框。
另外，上述提到的训练图像对应的原点是指目标检测场景下图像处理坐标原点，一般将训练图像的左上角作为原点，也可以选择其他位置。
图5是本发明实施例提供的障碍物检测方法的流程示意图；如图5所示，该障碍物检测方法，包括如下步骤：
S501，获取车辆周围的待检测图像。
S502，将所述待检测图像输入至预先训练好的目标检测模型，获得障碍物的检测结果；所述障碍物包括被遮挡障碍物与未被遮挡障碍物，所述预先训练好的目标检测模型通过如上述的模型训练方法训练得到。
在本实施例中，将训练好的目标检测模型应用在自动驾驶的障碍物检测这一场景中，具体先通过车载相机获取车辆周围的图像，进而将获取得到的图像输入至预先训练好的目标检测模型进行前向推理，从而获得检测结果。
更具体地，训练图像为车辆周围图像，对应的标注数据为图像中障碍物的标注框与障碍物类别(如乘用车、面包车、巴士、行人、动物以及交通锥桶等)，基于上述训练图像与标注数据，利用前述提到的模型训练方法训练得到目标检测模型。
目标检测模型对待检测图像进行特征提取，获得特征图，将特征图分别输入目标检测模型中热力图预测分支、目标高宽预测分支以及中心点偏移量预测分支中，从而获得热力图、目标高宽以及中心点偏移量。根据热力图、目标高宽以及中心点偏移量获得各个障碍物的预测框与预测类别。其中，障碍物包括被遮挡的障碍物与未被遮挡的障碍物。
根据本发明实施例提供的障碍物检测方法，利用目标检测模型对被遮挡障碍物与未被遮挡障碍物进行检测，获得更为准确的检测结果，进而提升车辆控制的安全性。
下面对本发明提供的模型训练装置进行描述，下文描述的模型训练装置与上文描述的模型训练方法可相互对应参照。
图6是本发明实施例提供的模型训练装置的结构示意图；如图6所示，模型训练装置包括训练数据获取模块601、目标确定模块602、标注框更新模块603、模型预测模块604、未被遮挡目标的损失计算模块605、被遮挡目标的损失计算模块606以及模型更新模块607。
训练数据获取模块601，用于获取训练图像以及训练图像对应的标注数据。
在本实施例中，获取的训练图像为目标检测场景下的训练图像，对应的标注数据中包括训练图像中每一目标的标注框与类别信息。
目标确定模块602，用于根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框。
在本模块中，根据每一训练图像对应的标注框位置关系确定训练图像中的各个目标是否为被遮挡目标或为未被遮挡目标。
具体地，若训练图像中的多个标注框之间相交(也即标注框所围成的图像区域存在重合的部分)，那么该训练图像中的目标存在被遮挡情况，若各个标注框之间均未发生相交，那么该训练图像中所有目标均为未被遮挡目标。在标注框相交的情况下，进一步根据标注框对应的目标与相机的远近关系确定被遮挡目标的标注框与未被遮挡目标的标注框。
标注框更新模块603，用于根据所述被遮挡目标的标注框与所述未被遮挡目标的标注框之间的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框。
在本模块中，先获取被遮挡目标的标注框与未被遮挡目标的标注框之间的重合区域，进而在被遮挡目标的原始标注框所围成的区域的基础上剔除重合区域，形成被遮挡目标的未被遮挡图像区域，也即，根据被遮挡目标的原始标注框与未被遮挡目标的标注框获得未被遮挡图像区域对应的标注框(即被遮挡目标的更新后标注框)。
以图2所示的两个相交标注框为例，标注框1与标注框2之间存在重合部分，利用该重合部分更新被遮挡目标的标注框，形成被遮挡目标的更新后标注框。需要说明的是，一般情况下，目标检测场景下的标注框为矩形，在利用重合部分对被遮挡目标的标注框更新后，被遮挡目标的更新后标注框可能为六边形，也可能仍为矩形。
模型预测模块604，用于将所述训练图像输入至预先构建的目标检测模型中，获得预测数据。
其中，所述预测数据包括所述被遮挡目标与所述未被遮挡目标所对应的预测框以及预测类别。
所述预先构建的目标检测模型对所述训练图像进行特征提取，并基于提取得到的特征图预测得到热力图、目标高宽以及中心点偏移量，进而根据所述热力图、目标高宽以及中心点偏移量获得预测数据。更具体地，所述目标检测模型基于CenterNet构建。需要说明的是，本发明实施例中目标检测模型为基于CenterNet的模型，在本发明其他实施例中目标检测模型也可以其他在CenterNet基础上所改进后的模型，只要该改进后的CenterNet在损失计算过程中保留有中心点相关的损失计算。
在本模块中，被遮挡目标的更新后标注框与所述未被遮挡目标的标注框组成了新的标注框数据，该新的标注框数据与标注数据中原有的类别信息构成了新的标注数据。进而将训练图像输入预先构建的目标检测模型中，预先构建的目标检测模型输出对应的预测数据，该预测数据包括训练图像中各个目标的预测框与预测类别。
基于上述预测数据以及新的标注数据，利用不同的损失函数对被遮挡目标与未被遮挡目标同时进行损失计算。
未被遮挡目标的损失计算模块605，用于根据所述未被遮挡目标所对应的预测框与所述未被遮挡目标所对应的标注框，以及所述未被遮挡目标对应的预测类别与标注数据中的标注类别计算获得第一损失值。
在本模块中，针对未被遮挡目标，基于未被遮挡目标所对应的预测框与所述未被遮挡目标所对应的标注框，以及所述未被遮挡目标对应的预测类别与标注数据中的标注类别，利用CenterNet中常规的关于角点与中心点的损失函数计算得到第一损失值。
被遮挡目标的损失计算模块606，用于根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值。
在本模块中，针对被遮挡目标，除了利用CenterNet中常规的关于角点与中心点的损失函数对所述被遮挡目标所对应的预测框与被遮挡目标的更新后标注框以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别进行损失计算之外，还根据被遮挡目标所对应的预测框、被遮挡目标的更新后标注框以及所述未被遮挡目标的标注框进行遮挡损失的计算，结合两部分损失值获得第二损失值。
其中，遮挡损失的目的是约束被遮挡目标的预测框远离其他目标的标注框而更靠近被遮挡目标的原始标注框。
模型更新模块607，用于根据所述第一损失值以及所述第二损失值对所述预先构建的目标检测模型进行参数更新，并在所述预先构建的目标检测模型收敛的情况下停止更新，以获得训练好的目标检测模型；
在本模块中，根据未被遮挡目标的损失值(即第一损失值)以及被遮挡目标的损失值(即第二损失值)，通过反向传播算法对目标检测模型中的网络参数进行更新，并在目标检测模型收敛的情况下停止更新，以获得训练好的目标检测模型。
在获得训练好的目标检测模型之后，可以对目标检测场景下的图像进行检测，针对目标与目标之间存在遮挡或重合的情况，训练好的目标检测模型具有更好的检测效果，也即对被遮挡的目标具有定位更精确的预测框，并基于精确的预测框获得更准确的预测类别。
需要说明的是，被遮挡目标与未被遮挡目标的预测框均为矩形框，并不会因为对标注框的更新而改变预测框的形状。
另外，上述针对遮挡问题所提供的模型训练方法，除了应用在目标检测场景，也可以应用在同样会出现遮挡情况的行人检测等其他场景中。
根据本发明实施例提供的模型训练装置，针对被遮挡目标与未被遮挡目标各自进行损失值计算，并且在被遮挡目标的损失值计算过程中考虑到了未被遮挡目标对被遮挡目标的影响，从而约束被遮挡目标的预测框远离其他目标的标注框而更靠近被遮挡目标的原始标注框，使得最后训练得到的目标检测模型针对目标与目标之间存在遮挡或重合的情况，具有更高的检测准确性。另外，本发明在原有的标注数据上进行被遮挡目标与未被遮挡目标的区分，未增加任何的标注成本。且未在目标检测模型中进行网络层的调整，仅仅是增加了遮挡损失的计算，从而在通过训练好的目标检测模型进行目标检测的过程中未增加额外的计算量。
图7是本发明实施例提供的障碍物检测装置的结构示意图；如图7所示，障碍物检测装置包括待检测图像获取模块701与障碍物检测模块702。
待检测图像获取模块701，用于获取车辆周围的待检测图像。
障碍物检测模块702，用于将所述待检测图像输入至预先训练好的目标检测模型，获得障碍物的检测结果；所述障碍物包括被遮挡障碍物与未被遮挡障碍物，所述预先训练好的目标检测模型通过如上述模型训练方法训练得到。
在本实施例中，将训练好的目标检测模型应用在自动驾驶的障碍物检测这一场景中，具体先通过车载相机获取车辆周围的图像，进而将获取得到的图像输入至预先训练好的目标检测模型进行前向推理，从而获得检测结果。
更具体地，训练图像为车辆周围图像，对应的标注数据为图像中障碍物的标注框与障碍物类别(如乘用车、面包车、巴士、行人、动物以及交通锥桶等)，基于上述训练图像与标注数据，利用前述提到的模型训练方法训练得到目标检测模型。
目标检测模型对待检测图像进行特征提取，获得特征图，将特征图分别输入目标检测模型中热力图预测分支、目标高宽预测分支以及中心点偏移量预测分支中，从而获得热力图、目标高宽以及中心点偏移量。根据热力图、目标高宽以及中心点偏移量获得各个障碍物的预测框与预测类别。其中，障碍物包括被遮挡的障碍物与未被遮挡的障碍物。
根据本发明实施例提供的障碍物检测装置，利用目标检测模型对被遮挡障碍物与未被遮挡障碍物进行检测，获得更为准确的检测结果，进而提升车辆控制的安全性。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器810(processor)、通信接口820(Communications Interface)、存储器830(memory)和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行上述提供的模型训练方法，该方法包括：获取训练图像以及训练图像对应的标注数据；根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框；根据所述被遮挡目标的标注框与所述未被遮挡目标的标注框之间的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框；将所述训练图像输入至预先构建的目标检测模型中，获得预测数据；其中，所述预测数据包括所述被遮挡目标与所述未被遮挡目标所对应的预测框以及预测类别；根据所述未被遮挡目标所对应的预测框与所述未被遮挡目标所对应的标注框，以及所述未被遮挡目标对应的预测类别与标注数据中的标注类别计算获得第一损失值；根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值；根据所述第一损失值以及所述第二损失值对所述预先构建的目标检测模型进行参数更新，并在所述预先构建的目标检测模型收敛的情况下停止更新，以获得训练好的目标检测模型。
或用以执行障碍物检测方法，该障碍物检测方法包括：获取车辆周围的待检测图像；将所述待检测图像输入至预先训练好的目标检测模型，获得障碍物的检测结果；所述障碍物包括被遮挡障碍物与未被遮挡障碍物，所述预先训练好的目标检测模型通过如上述的模型训练方法训练得到。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述提供的模型训练方法，该方法包括：获取训练图像以及训练图像对应的标注数据；根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框；根据所述被遮挡目标的标注框与所述未被遮挡目标的标注框之间的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框；将所述训练图像输入至预先构建的目标检测模型中，获得预测数据；其中，所述预测数据包括所述被遮挡目标与所述未被遮挡目标所对应的预测框以及预测类别；根据所述未被遮挡目标所对应的预测框与所述未被遮挡目标所对应的标注框，以及所述未被遮挡目标对应的预测类别与标注数据中的标注类别计算获得第一损失值；根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值；根据所述第一损失值以及所述第二损失值对所述预先构建的目标检测模型进行参数更新，并在所述预先构建的目标检测模型收敛的情况下停止更新，以获得训练好的目标检测模型。
或用以执行障碍物检测方法，该障碍物检测方法包括：获取车辆周围的待检测图像；将所述待检测图像输入至预先训练好的目标检测模型，获得障碍物的检测结果；所述障碍物包括被遮挡障碍物与未被遮挡障碍物，所述预先训练好的目标检测模型通过如上述的模型训练方法训练得到。
另一方面，本发明实施例还提供了一种车辆，车辆包括：前述实施例提供的电子设备。本发明实施例提供的车辆，其实现原理及产生的技术效果和前述方法实施例相同，在此不再赘述。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述所提供的模型训练方法或用以执行障碍物检测方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种模型训练方法，其特征在于，包括：
获取训练图像以及训练图像对应的标注数据；
根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框；
根据所述被遮挡目标的标注框与所述未被遮挡目标的标注框之间的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框；
将所述训练图像输入至预先构建的目标检测模型中，获得预测数据；其中，所述预测数据包括所述被遮挡目标与所述未被遮挡目标所对应的预测框以及预测类别；
根据所述未被遮挡目标所对应的预测框与所述未被遮挡目标所对应的标注框，以及所述未被遮挡目标对应的预测类别与标注数据中的标注类别计算获得第一损失值；
根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值；
根据所述第一损失值以及所述第二损失值对所述预先构建的目标检测模型进行参数更新，并在所述预先构建的目标检测模型收敛的情况下停止更新，以获得训练好的目标检测模型。
2.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框与所述未被遮挡目标的标注框，以及所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算获得第二损失值，包括：
根据所述被遮挡目标所对应的预测框、被遮挡目标的更新后标注框、所述被遮挡目标所对应的预测类别与标注数据中的标注类别计算得到被遮挡目标的中心损失；
根据所述被遮挡目标的预测框所对应的中心点、所述被遮挡目标的更新后标注框所对应的中心点以及所述未被遮挡目标的标注框所对应的中心点计算得到被遮挡目标的遮挡损失；
根据所述被遮挡目标的中心损失与所述被遮挡目标的遮挡损失获得第二损失值。
3.根据权利要求2所述的模型训练方法，其特征在于，所述根据所述被遮挡目标的预测框所对应的中心点、所述被遮挡目标的更新后标注框所对应的中心点以及所述未被遮挡目标的标注框所对应的中心点计算得到被遮挡目标的遮挡损失，包括：
对所述被遮挡目标的预测框所对应的中心点与所述被遮挡目标的更新后标注框所对应的中心点进行范数计算，获得第一范数值；
对所述被遮挡目标的预测框所对应的中心点与未被遮挡目标的标注框所对应的中心点进行范数计算，获得第二范数值；
将所述第一范数值与所述第二范数值之间的差值作为被遮挡目标的遮挡损失。
4.根据权利要求2所述的模型训练方法，其特征在于，所述被遮挡目标的更新后标注框所对应的中心点通过如下方式获得：
在存在多个重合部分的情况下，根据所述多个重合部分中最大的重合部分更新所述被遮挡目标的标注框，以获得被遮挡目标的更新后标注框；
在所述遮挡目标的更新后标注框为矩形的情况下，将所述遮挡目标的更新后标注框的中心作为被遮挡目标的更新后标注框所对应的中心点；
在所述遮挡目标的更新后标注框不为矩形的情况下，通过对角线在所述遮挡目标的更新后标注框中获取三角形，并在所述三角形中获取内切圆，将内切圆的圆心作为被遮挡目标的更新后标注框所对应的中心点。
5.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述标注数据中的标注框之间的位置关系确定被遮挡目标的标注框与未被遮挡目标的标注框，包括：
获取训练图像对应的多个标注框，其中，每一标注框对应一目标；
在标注框与标注框之间存在相交的情况下，确定训练图像中存在被遮挡目标与未被遮挡目标；
根据标注框与所述训练图像对应的原点之间的距离，从相交的标注框中确定被遮挡目标的标注框与未被遮挡目标的标注框。
6.根据权利要求1-5任一所述的模型训练方法，其特征在于，其中，所述预先构建的目标检测模型对所述训练图像进行特征提取，并基于提取得到的特征图预测得到热力图、目标高宽以及中心点偏移量，进而根据所述热力图、目标高宽以及中心点偏移量获得预测数据。
7.一种障碍物检测方法，其特征在于，包括：
获取车辆周围的待检测图像；
将所述待检测图像输入至预先训练好的目标检测模型，获得障碍物的检测结果；所述障碍物包括被遮挡障碍物与未被遮挡障碍物，所述预先训练好的目标检测模型通过如权利要求1-6任一所述的模型训练方法训练得到。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一所述的模型训练方法或如权利要求7所述的障碍物检测方法。
9.一种车辆，其特征在于，包括权利要求8所述的电子设备。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一所述的模型训练方法或如权利要求7所述的障碍物检测方法。
CN202310492486.4A 2023-04-28 2023-04-28 一种模型训练方法、障碍物检测方法及相关设备 Pending CN116664971A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310492486.4A CN116664971A (zh) 2023-04-28 2023-04-28 一种模型训练方法、障碍物检测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310492486.4A CN116664971A (zh) 2023-04-28 2023-04-28 一种模型训练方法、障碍物检测方法及相关设备

Publications (1)

Publication Number Publication Date
CN116664971A true CN116664971A (zh) 2023-08-29

Family

ID=87723246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310492486.4A Pending CN116664971A (zh) 2023-04-28 2023-04-28 一种模型训练方法、障碍物检测方法及相关设备

Country Status (1)

Country Link
CN (1) CN116664971A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876977A (zh) * 2024-01-11 2024-04-12 江苏昌兴阳智能家居有限公司 一种基于监控视频的目标识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876977A (zh) * 2024-01-11 2024-04-12 江苏昌兴阳智能家居有限公司 一种基于监控视频的目标识别方法

Similar Documents

Publication Publication Date Title
US11273848B2 (en) Method, device and apparatus for generating a defensive driving strategy, and storage medium
EP3696790A1 (en) Cellular network-based auxiliary driving method and traffic control unit
US8175797B2 (en) Vehicle drive assist system
US8626398B2 (en) Collision avoidance system and method for a road vehicle and respective computer program product
CN109448439B (zh) 车辆安全行驶方法及装置
CN112595337B (zh) 避障路径规划方法、装置、电子装置、车辆及存储介质
JP6850324B2 (ja) マルチモデルに基づく障害物分布シミュレーション方法、装置、端末及びプログラム
EP4089659A1 (en) Map updating method, apparatus and device
JP6988698B2 (ja) 物体認識装置
CN109766867B (zh) 车辆运行状态确定方法、装置、计算机设备和存储介质
CN106183979A (zh) 一种根据车距对车辆进行提醒的方法和装置
CN111213153A (zh) 目标物体运动状态检测方法、设备及存储介质
CN110341621B (zh) 一种障碍物检测方法及装置
CN110789520B (zh) 行驶控制方法、装置及电子设备
CN116664971A (zh) 一种模型训练方法、障碍物检测方法及相关设备
US20210046940A1 (en) Identifying the Contour of a Vehicle on the Basis of Measurement Data from an Environment Sensor System
CN111723608A (zh) 一种驾驶辅助***的报警方法、装置及电子设备
CN112249007A (zh) 一种车辆危险报警方法及相关设备
CN111507126B (zh) 一种驾驶辅助***的报警方法、装置及电子设备
CN109887321B (zh) 无人车变道安全判别方法、装置及存储介质
CN115848412A (zh) 感知融合方法、装置、设备及存储介质
JP4155252B2 (ja) 車両検出装置
CN117719500B (zh) 车辆碰撞检测方法、装置、电子设备及存储介质
US20220262122A1 (en) Image collection apparatus and image collection method
CN111539326B (zh) 运动信息的确定方法、确定装置、存储介质和处理器

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