CN113344042A - 基于辅助驾驶的路况图像模型训练方法、系统和智能终端 - Google Patents
基于辅助驾驶的路况图像模型训练方法、系统和智能终端 Download PDFInfo
- Publication number
- CN113344042A CN113344042A CN202110556240.XA CN202110556240A CN113344042A CN 113344042 A CN113344042 A CN 113344042A CN 202110556240 A CN202110556240 A CN 202110556240A CN 113344042 A CN113344042 A CN 113344042A
- Authority
- CN
- China
- Prior art keywords
- target image
- image
- model
- feature
- sample
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明公开了一种基于辅助驾驶的路况图像模型训练方法、系统和智能终端，方法包括：获取图像区域内的正样本目标图像和负样本目标图像；对各目标图像进行特征提取，并得到n种特征向量，其中，n为正整数；对得到的特征向量进行拼接，并进行特征归一化处理；在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；对所述特征组合模型进行模型训练和评估。其能够针对图像分类问题实现自动筛选特征，对提取的图像特征进行筛选组合，训练SVM分类器得到不同的模型，通过模型测试结果选择性能最好的模型，解决了现有技术中路面信息分类困难的技术问题。
Description
技术领域
本发明涉及辅助驾驶技术领域，具体涉及一种基于辅助驾驶的路况图像模型训练方法、系统和智能终端。
背景技术
在过去几年中，深度学习已成为大多数AI类型问题的首选技术，取代了经典的机器学习。但是在车辆辅助驾驶中，在对路面信息进行分类时，由于数据集较小，且硬件资源有限，在有限的硬件资源下，机器学习只需要CPU就可以训练得很好，在计算资源代价上不昂贵，可以更快的迭代；且机器学习涉及直接特征工程，算法有更好的解释性和可理解性。因此，在这种特定场景下，采用机器学习方法是解决问题的更好选择。
因此，提供一种基于机器学习的路况图像模型训练方法，以实现路面信息的准确分类，就成为本领域技术人员亟待解决的问题。
发明内容
为此，本发明实施例提供一种基于辅助驾驶的路况图像模型训练方法、系统和智能终端，以至少部分解决现有技术中路面信息分类困难的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
一种基于辅助驾驶的路况图像模型训练方法，所述方法包括：
获取图像区域内的正样本目标图像和负样本目标图像；
获取正样本图像区域和负样本图像区域的特征向量，并得到n种特征向量，其中，n为正整数；
对得到的特征向量进行拼接，并进行特征归一化处理；
在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；
对所述特征组合模型进行模型训练和评估。
进一步地，所述正样本目标图像中只能包含单一的完整的正样本目标；所述负样本目标图像中只能包含单一的完整的负样本目标。
进一步地，所述对各目标图像进行特征提取，具体包括：
根据目标图像的大小以及形状比例的如下公式，提取目标图像的形状特征：
其中，w为目标图像的宽度，h为目标图像的高度，r为目标图像的宽高比。
进一步地，所述对各目标图像进行特征提取，具体包括：
按以下公式提取所述目标图像的灰度特征，所述灰度特征包括灰度均值和灰度方差：
其中，m为灰度均值，Pi(x,y)表示坐标(x，y)处的灰度值，N表示图像内像素点个数；
其中，Pi(x,y)表示坐标(x，y)处的灰度值，m表示灰度均值，N表示图像内像素点个数，s表示方差。
进一步地，所述对各目标图像进行特征提取，具体包括按以下步骤提取所述目标图像的LBP特征向量：
将检测窗口划分为多个16×16的子区域；
对于每个子区域中的一个像素点作为中心像素，将相邻的各个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，从而获取窗口中心像素点的LBP值；
计算每个子区域的直方图，并对该直方图进行归一化处理；
将得到的每个子区域的直方图进行连接成为一个特征向量，以得到所述目标图像的LBP特征向量。
进一步地，所述对各目标图像进行特征提取，具体包括按以下步骤提取所述目标图像的HOG特征向量：
对输入的目标图像进行颜色空间的归一化处理；
根据以下公式计算目标图像中每个像素的梯度大小和方向：
目标图像中像素点(x,y)的梯度为：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
其中，H(x,y)表示像素点(x，y)处的像素值，Gx(x,y)表示像素点(x，y)处的水平方向梯度，Gy(x,y)表示像素点(x，y)处的垂直方向梯度；
像素点(x，y)处的梯度幅值和梯度方向分别为G(x,y)和α(x,y)：
将目标图像划分成多个子区域，并统计每个子区域的梯度直方图，以得到各子区域的特征值；
将每几个子区域组成一个向量区域，一个向量区域内所有子区域的特征值串联起来得到该向量区域的HOG特征值；
将所述目标图像的所有向量区域的HOG特征值串联，以得到目标图像的HOG特征向量。
进一步地，所述对所述特征组合模型进行模型训练和评估，具体包括：
对测试集进行特征提取，并生成多组对应的测试数据；
分别在相应的测试集上测试各个SVM分类模型，获得模型的准确率；
对比评估各个SVM分类模型的准确率，选择准确率最高的模型作为最优的分类模型进行输出；
模型准确率评估方法为：
其中，precision表示模型精确率，recall表示模型召回率，accuracy表示模型准确率；
TP表示true positive，即被判定为正样本，事实上也是正样本；
TN表示true negative，被判定为负样本，事实上也是负样本；
FP表示false positive，被判定为正样本，但事实上是负样本；
FN表示false negative，被判定为负样本，但事实上是正样本。
本发明还提供一种基于辅助驾驶的路况图像模型训练系统，用于实施如上所述的方法，所述系统包括：
样本图像获取单元，用于获取图像区域内的正样本目标图像和负样本目标图像；
特征提取单元，用于获取正样本图像区域和负样本图像区域的特征向量，并得到n种特征向量，其中，n为正整数；
特征处理单元，用于对得到的特征向量进行拼接，并进行特征归一化处理；
特征组合单元，用于在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；
模型训练单元，用于对所述特征组合模型进行模型训练和评估。
本发明还提供一种智能终端，所述智能终端包括：数据采集装置、处理器和存储器；
所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如上所述的方法。
本发明还提供一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如上所述的方法。
本发明所提供的基于辅助驾驶的路况图像模型训练方法，通过获取图像区域内的正样本目标图像和负样本目标图像；对各目标图像进行特征提取，并得到n种特征向量，其中，n为正整数；对得到的特征向量进行拼接，并进行特征归一化处理；在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；对所述特征组合模型进行模型训练和评估。其能够针对图像分类问题实现自动筛选特征，对提取的图像特征进行筛选组合，训练SVM分类器得到不同的模型，通过模型测试结果选择性能最好的模型，解决了现有技术中路面信息分类困难的技术问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明所提供的路况图像模型训练方法一种具体实施方式的流程图；
图2为本发明所提供的路况图像模型训练系统一种具体实施方式的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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做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。
在上述具体实施方式中，如图1所示，本发明所提供的基于辅助驾驶的路况图像模型训练方法包括以下步骤：
S1：获取图像区域内的正样本目标图像和负样本目标图像，其中，所述正样本目标图像中只能包含单一的完整的正样本目标；所述负样本目标图像中只能包含单一的完整的负样本目标。
也就是说，在样本数据集准备阶段，按照图像二分类的需求，准备样本数据，针对两种不同类别，将样本分为正样本和负样本，对于样本的要求为，正样本图像区域中只能包含单一的完整的正样本目标；负样本图像区域中只能包含单一的完整的负样本目标；且正、负样本的数量要均衡。例如：道路场景中行人和车辆的图像二分类问题，正样本为行人，负样本为车辆。
S2：获取正样本图像区域和负样本图像区域的特征向量，并得到n种特征向量，其中，n为正整数。在对目标图像进行特征提取时，针对需要分类的两个类别的图像，进行分析对比，提取可以有效区分两个类别的特征,包括形状、灰度、纹理、轮廓等。
S3：对得到的特征向量进行拼接，并进行特征归一化处理；具体地，特征拼接是指将提取的特征向量进行拼接，即用一个1*n维的特征向量描述一张图像，则n＝[w,h,r,m,s,LBP,HOG]；特征归一化即是将1*n维的特征归一化。
S4：在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；
S5：对所述特征组合模型进行模型训练和评估。
具体地，在步骤S2中，所述对各目标图像进行特征提取，具体包括：
S201：根据目标图像的大小以及形状比例的如下公式，提取目标图像的形状特征：
其中，w为目标图像的宽度，h为目标图像的高度，r为目标图像的宽高比。
S202：按以下公式提取所述目标图像的灰度特征，所述灰度特征包括灰度均值和灰度方差：
其中，m为灰度均值，Pi(x,y)表示坐标(x，y)处的灰度值，N表示图像内像素点个数；
其中，Pi(x,y)表示坐标(x，y)处的灰度值，m表示灰度均值，N表示图像内像素点个数，s表示方差。
S203：图像resize，将样本图像缩放到相同的尺寸。
S204：按以下步骤提取所述目标图像的LBP特征向量：
将检测窗口划分为多个16×16的子区域；
对于每个子区域中的一个像素点作为中心像素，将相邻的各个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，从而获取窗口中心像素点的LBP值；
计算每个子区域的直方图，并对该直方图进行归一化处理；
将得到的每个子区域的直方图进行连接成为一个特征向量，以得到所述目标图像的LBP特征向量。
在实际使用场景中，提取LBP特征(局部二值模式)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。提取图像LBP特征向量的具体步骤为：
首先将检测窗口划分为16×16的小区域(cell)；
对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
然后计算每个cell的直方图，即每个数字(假定是十进制数LBP值)出现的频率；然后对该直方图进行归一化处理；
最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP特征向量。
S205：按以下步骤提取所述目标图像的HOG特征向量：
对输入的目标图像进行颜色空间的归一化处理；
根据以下公式计算目标图像中每个像素的梯度大小和方向：
目标图像中像素点(x,y)的梯度为：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
其中，H(x,y)表示像素点(x，y)处的像素值，Gx(x,y)表示像素点(x，y)处的水平方向梯度，Gy(x,y)表示像素点(x，y)处的垂直方向梯度；
像素点(x，y)处的梯度幅值和梯度方向分别为G(x,y)和α(x,y)：
将目标图像划分成多个子区域，并统计每个子区域的梯度直方图，以得到各子区域的特征值；
将每几个子区域组成一个向量区域，一个向量区域内所有子区域的特征值串联起来得到该向量区域的HOG特征值；
将所述目标图像的所有向量区域的HOG特征值串联，以得到目标图像的HOG特征向量。
也就是说，提取HOG特征(方向梯度直方图)是通过计算和统计图像局部区域的梯度方向直方图来构成特征，用于描述目标的形状和轮廓特点。提取图像HOG特征向量的具体步骤为：
采用Gamma校正法对输入图像进行颜色空间的标准化(归一化)；
计算图像每个像素的梯度大小和方向；
图像中像素点(x,y)的梯度为：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
其中，H(x,y)表示像素点(x，y)处的像素值，Gx(x,y)表示像素点(x，y)处的水平方向梯度，Gy(x,y)表示像素点(x，y)处的垂直方向梯度；
像素点(x，y)处的梯度幅值和梯度方向分别为G(x,y)和α(x,y)：
将图像划分成小cells(例如6*6像素区域)；
统计每个cell的梯度直方图(不同梯度的个数)为该cell的特征值；
将每几个cell组成一个block(例如3*3个cell/block)，一个block内所有cell的特征值串联起来得到该block的HOG特征值；
将图像的所有block的HOG特征值串联起来得到图像的HOG特征向量。
基于上述特征提取后，步骤S4中的特征组合即为对上一步提取的七种特征进行随机选择组合，最多选取7种，最少选取1种，则一共可以产生C(7,1)+C(7,2)+C(7,3)+C(7,4)+C(7,5)+C(7,6)+C(7,7)＝127种特征组合方式。
组合数计算公式：
其中，
表示从n项中选出m项。
进一步地，在步骤S5中，所述对所述特征组合模型进行模型训练和评估，具体包括：
模型训练，将样本数据总量按照4:1的比例随机分为训练集和测试集，其中训练集用于模型的训练，测试集用于模型的测试和评估；对训练集按照不同的特征组合进行特征提取和打标签(标签为1表示正样本，0表示负样本)，生成M*(n+1)维的训练特征集，其中M表示训练样本总数，(n+1)表示n维特征向量加1维标签信息；127种特征组合可以生成对应的127组不同的特征训练集；分别基于127组不同的特征训练集输入SVM分类器进行模型训练，得到127个不同的SVM分类模型；对测试集进行特征提取，并生成多组对应的测试数据；分别在相应的测试集上测试各个SVM分类模型，获得模型的准确率；对比评估各个SVM分类模型的准确率，选择准确率最高的模型作为最优的分类模型进行输出。
在上述实施例中，将测试集按照与训练集同样的方法进行特征提取，生成127组对应的测试数据；分别在相应的测试集上测试127个SVM分类模型，获得模型的准确率；对比评估127个SVM分类模型的准确率，选择准确率最高的模型作为最优的分类模型进行输出。
模型准确率评估方法为：
其中，precision表示模型精确率，recall表示模型召回率，accuracy表示模型准确率；
TP表示true positive，即被判定为正样本，事实上也是正样本；
TN表示true negative，被判定为负样本，事实上也是负样本；
FP表示false positive，被判定为正样本，但事实上是负样本；
FN表示false negative，被判定为负样本，但事实上是正样本。
在上述具体实施方式中，本发明所提供的基于辅助驾驶的路况图像模型训练方法，通过获取图像区域内的正样本目标图像和负样本目标图像；对各目标图像进行特征提取，并得到n种特征向量，其中，n为正整数；对得到的特征向量进行拼接，并进行特征归一化处理；在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；对所述特征组合模型进行模型训练和评估。其能够针对图像分类问题实现自动筛选特征，对提取的图像特征进行筛选组合，训练SVM分类器得到不同的模型，通过模型测试结果选择性能最好的模型，解决了现有技术中路面信息分类困难的技术问题。
除了上述方法，本发明还提供一种基于辅助驾驶的路况图像模型训练系统，用于实施如上所述的方法，在一种具体实施方式中，如图2所示，所述系统包括：
样本图像获取单元100，用于获取图像区域内的正样本目标图像和负样本目标图像；
特征提取单元200，用于获取正样本图像区域和负样本图像区域的特征向量，并得到n种特征向量，其中，n为正整数；
特征处理单元300，用于对得到的特征向量进行拼接，并进行特征归一化处理；
特征组合单元400，用于在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；
模型训练单元500，用于对所述特征组合模型进行模型训练和评估。
在上述具体实施方式中，本发明所提供的基于辅助驾驶的路况图像模型训练方法，通过获取图像区域内的正样本目标图像和负样本目标图像；对各目标图像进行特征提取，并得到n种特征向量，其中，n为正整数；对得到的特征向量进行拼接，并进行特征归一化处理；在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；对所述特征组合模型进行模型训练和评估。其能够针对图像分类问题实现自动筛选特征，对提取的图像特征进行筛选组合，训练SVM分类器得到不同的模型，通过模型测试结果选择性能最好的模型，解决了现有技术中路面信息分类困难的技术问题。
本发明还提供一种智能终端，所述智能终端包括：数据采集装置、处理器和存储器；
所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如上所述的方法。
与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，所述一个或多个程序指令用于被一种双目相机深度标定系统执行如上所述的方法。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific工ntegrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于辅助驾驶的路况图像模型训练方法，其特征在于，所述方法包括：
获取图像区域内的正样本目标图像和负样本目标图像；
获取正样本图像区域和负样本图像区域的特征向量，并得到n种特征向量，其中，n为正整数；
对得到的特征向量进行拼接，并进行特征归一化处理；
在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；
对所述特征组合模型进行模型训练和评估。
2.根据权利要求1所述的路况图像模型训练方法，其特征在于，所述正样本目标图像中只能包含单一的完整的正样本目标；所述负样本目标图像中只能包含单一的完整的负样本目标。
3.根据权利要求1所述的路况图像模型训练方法，其特征在于，所述对各目标图像进行特征提取，具体包括：
根据目标图像的大小以及形状比例的如下公式，提取目标图像的形状特征：
其中，w为目标图像的宽度，h为目标图像的高度，r为目标图像的宽高比。
4.根据权利要求1所述的路况图像模型训练方法，其特征在于，所述对各目标图像进行特征提取，具体包括：
按以下公式提取所述目标图像的灰度特征，所述灰度特征包括灰度均值和灰度方差：
其中，m为灰度均值，Pi(x,y)表示坐标(x，y)处的灰度值，N表示图像内像素点个数；
其中，Pi(x,y)表示坐标(x，y)处的灰度值，m表示灰度均值，N表示图像内像素点个数，s表示方差。
5.根据权利要求1所述的路况图像模型训练方法，其特征在于，所述对各目标图像进行特征提取，具体包括按以下步骤提取所述目标图像的LBP特征向量：
将检测窗口划分为多个16×16的子区域；
对于每个子区域中的一个像素点作为中心像素，将相邻的各个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，从而获取窗口中心像素点的LBP值；
计算每个子区域的直方图，并对该直方图进行归一化处理；
将得到的每个子区域的直方图进行连接成为一个特征向量，以得到所述目标图像的LBP特征向量。
6.根据权利要求1所述的路况图像模型训练方法，其特征在于，所述对各目标图像进行特征提取，具体包括按以下步骤提取所述目标图像的HOG特征向量：
对输入的目标图像进行颜色空间的归一化处理；
根据以下公式计算目标图像中每个像素的梯度大小和方向：
目标图像中像素点(x,y)的梯度为：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
其中，H(x,y)表示像素点(x，y)处的像素值，Gx(x,y)表示像素点(x，y)处的水平方向梯度，Gy(x,y)表示像素点(x，y)处的垂直方向梯度；
像素点(x，y)处的梯度幅值和梯度方向分别为G(x,y)和α(x,y)：
将目标图像划分成多个子区域，并统计每个子区域的梯度直方图，以得到各子区域的特征值；
将每几个子区域组成一个向量区域，一个向量区域内所有子区域的特征值串联起来得到该向量区域的HOG特征值；
将所述目标图像的所有向量区域的HOG特征值串联，以得到目标图像的HOG特征向量。
7.根据权利要求1所述的路况图像模型训练方法，其特征在于，所述对所述特征组合模型进行模型训练和评估，具体包括：
对测试集进行特征提取，并生成多组对应的测试数据；
分别在相应的测试集上测试各个SVM分类模型，获得模型的准确率；
对比评估各个SVM分类模型的准确率，选择准确率最高的模型作为最优的分类模型进行输出；
模型准确率评估方法为：
其中，precision表示模型精确率，recall表示模型召回率，accuracy表示模型准确率；
TP表示true positive，即被判定为正样本，事实上也是正样本；
TN表示true negative，被判定为负样本，事实上也是负样本；
FP表示false positive，被判定为正样本，但事实上是负样本；
FN表示false negative，被判定为负样本，但事实上是正样本。
8.一种基于辅助驾驶的路况图像模型训练系统，用于实施如权利要求1-7任一项所述的方法，其特征在于，所述系统包括：
样本图像获取单元，用于获取图像区域内的正样本目标图像和负样本目标图像；
特征提取单元，用于获取正样本图像区域和负样本图像区域的特征向量，并得到n种特征向量，其中，n为正整数；
特征处理单元，用于对得到的特征向量进行拼接，并进行特征归一化处理；
特征组合单元，用于在n中所述特征向量中随机提取m项，并形成样本特征组合模型，其中m为小于或等于n的正整数；
模型训练单元，用于对所述特征组合模型进行模型训练和评估。
9.一种智能终端，其特征在于，所述智能终端包括：数据采集装置、处理器和存储器；
所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556240.XA CN113344042A (zh) | 2021-05-21 | 2021-05-21 | 基于辅助驾驶的路况图像模型训练方法、系统和智能终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556240.XA CN113344042A (zh) | 2021-05-21 | 2021-05-21 | 基于辅助驾驶的路况图像模型训练方法、系统和智能终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344042A true CN113344042A (zh) | 2021-09-03 |
Family
ID=77470319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110556240.XA Pending CN113344042A (zh) | 2021-05-21 | 2021-05-21 | 基于辅助驾驶的路况图像模型训练方法、系统和智能终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344042A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063594A (zh) * | 2022-08-19 | 2022-09-16 | 清驰(济南)智能科技有限公司 | 一种基于自动驾驶的特征提取方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218831A (zh) * | 2013-04-21 | 2013-07-24 | 北京航空航天大学 | 一种基于轮廓约束的视频运动目标分类识别方法 |
| CN104050684A (zh) * | 2014-05-27 | 2014-09-17 | 华中科技大学 | 一种基于在线训练的视频运动目标分类方法与系统 |
| CN104616319A (zh) * | 2015-01-28 | 2015-05-13 | 南京信息工程大学 | 基于支持向量机的多特征选择目标跟踪方法 |
| CN106934816A (zh) * | 2017-03-23 | 2017-07-07 | 中南大学 | 一种基于elm的眼底图像视网膜血管分割方法 |
| CN107622277A (zh) * | 2017-08-28 | 2018-01-23 | 广东工业大学 | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 |
| CN109816003A (zh) * | 2019-01-17 | 2019-05-28 | 西安交通大学 | 一种基于改进hog-lbp特征的智能车辆前方多目标分类方法 |
| WO2019158015A1 (zh) * | 2018-02-13 | 2019-08-22 | 京东方科技集团股份有限公司 | 样本获取方法、目标检测模型生成方法、目标检测方法 |
-
2021
- 2021-05-21 CN CN202110556240.XA patent/CN113344042A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218831A (zh) * | 2013-04-21 | 2013-07-24 | 北京航空航天大学 | 一种基于轮廓约束的视频运动目标分类识别方法 |
| CN104050684A (zh) * | 2014-05-27 | 2014-09-17 | 华中科技大学 | 一种基于在线训练的视频运动目标分类方法与系统 |
| CN104616319A (zh) * | 2015-01-28 | 2015-05-13 | 南京信息工程大学 | 基于支持向量机的多特征选择目标跟踪方法 |
| CN106934816A (zh) * | 2017-03-23 | 2017-07-07 | 中南大学 | 一种基于elm的眼底图像视网膜血管分割方法 |
| CN107622277A (zh) * | 2017-08-28 | 2018-01-23 | 广东工业大学 | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 |
| WO2019158015A1 (zh) * | 2018-02-13 | 2019-08-22 | 京东方科技集团股份有限公司 | 样本获取方法、目标检测模型生成方法、目标检测方法 |
| CN109816003A (zh) * | 2019-01-17 | 2019-05-28 | 西安交通大学 | 一种基于改进hog-lbp特征的智能车辆前方多目标分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李勇泽;陈磊;: "训练样本数量对HOG-SVM目标检测算法的影响", 现代计算机(专业版), no. 19 * |
| 韩田甜;李航;张涛;: "基于改进HOG-LBP特征的行人检测", 信息工程大学学报, no. 03 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063594A (zh) * | 2022-08-19 | 2022-09-16 | 清驰(济南)智能科技有限公司 | 一种基于自动驾驶的特征提取方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| CN107944450B (zh) | 一种车牌识别方法及装置 | |
| CN109815979B (zh) | 一种弱标签语义分割标定数据生成方法及系统 | |
| CN112418278A (zh) | 一种多类物体检测方法、终端设备及存储介质 | |
| CN112465909B (zh) | 基于卷积神经网络的类激活映射目标定位方法及系统 | |
| CN108108753A (zh) | 一种基于支持向量机的复选框选择状态的识别方法及装置 | |
| CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
| CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
| CN115578590A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
| CN113344042A (zh) | 基于辅助驾驶的路况图像模型训练方法、系统和智能终端 | |
| CN111860219A (zh) | 一种高速占道判断方法、装置及电子设备 | |
| CN113129298B (zh) | 文本图像的清晰度识别方法 | |
| EP0446632A2 (en) | Method and system for recognizing characters | |
| CN112287894A (zh) | 基于深度学习的水域特征提取方法及系统 | |
| CN109726722B (zh) | 一种字符分割方法及装置 | |
| CN114898306B (zh) | 一种检测目标朝向的方法、装置及电子设备 | |
| CN114005110B (zh) | 3d检测模型训练方法与装置、3d检测方法与装置 | |
| CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 | |
| Mutholib et al. | Optimization of ANPR algorithm on Android mobile phone | |
| JP7201211B2 (ja) | 物体検出方法及び物体検出装置 | |
| CN113392455A (zh) | 基于深度学习的户型图比例尺检测方法、装置及电子设备 | |
| CN109558878B (zh) | 图像识别方法和装置 | |
| CN112766272A (zh) | 目标检测方法、装置和电子系统 | |
| CN110942179A (zh) | 一种自动驾驶路线规划方法、装置及车辆 | |
| CN117351495B (zh) | 一种文本图像校正方法、装置、芯片及终端 |
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 |