CN114187573A - 一种车道箭头旋转目标检测模型构建方法及装置 - Google Patents
一种车道箭头旋转目标检测模型构建方法及装置 Download PDFInfo
- Publication number
- CN114187573A CN114187573A CN202111491801.9A CN202111491801A CN114187573A CN 114187573 A CN114187573 A CN 114187573A CN 202111491801 A CN202111491801 A CN 202111491801A CN 114187573 A CN114187573 A CN 114187573A
- Authority
- CN
- China
- Prior art keywords
- arrow
- lane
- target detection
- detection model
- straight
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种车道箭头旋转目标检测模型构建方法及装置,首先获取车道箭头原始图像数据集,标注图像数据集中的箭头类别及箭头转向信息;然后,设置网络中箭头类别权重参数,将标注好的箭头图像输入GWD网络模型进行训练,得到车道箭头旋转目标检测模型。本发明可以直接检测车道箭头的种类及角度,弥补了其他目标检测算法只检测箭头类别的不足。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种车道箭头旋转目标检测模型构建方法及装置。
背景技术
在自动驾驶领域,车道箭头的意义有着直接指导车辆行驶方向的作用,目前的车端目标检测对于箭头的识别是归为一类的,并且标注结果也是水平方向的矩形拉框,没有包含箭头的指导转向。因此在目标检测的基础上加入箭头的转向信息,在自动驾驶领域有重要的作用。
发明内容
本发明针对现有技术中存在的技术问题,提供一种车道箭头旋转目标检测模型构建方法及装置,用以解决现有目标检测无法检测车道箭头转向信息的缺失问题。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供一种车道箭头旋转目标检测模型构建方法,包括:
S1,获取车道箭头原始图像数据集,标注图像数据集中的箭头类别及箭头转向信息;
S2,设置网络中箭头类别权重参数,将标注好的箭头图像输入GWD网络模型进行训练,得到车道箭头旋转目标检测模型。
进一步的,所述车道箭头类别包括:直行、左转、右转、掉头、直行或左转、直行或右转、左转或左合流、右转或右合流以及上述8类外的其他类型。
进一步的,在进行箭头转向信息标注时,直行或左转、直行或右转的转向信息按直行箭头方式来标注。
进一步的,所述转向信息的标注方法包括:确定车道箭头的中轴线,沿箭头顶点垂直车道箭头中轴线做直线,并以该直线为矩形框的一条边,绘制车道箭头的最小外包矩形框,所述矩形框的倾斜角度与箭头指向一致。
进一步的,所述箭头类别权重参数根据车道箭头原始图像数据集中各类别车道箭头的样本数量在总样本中的占比进行设置,其中占比越大的某类别车道箭头,其权重越小。
进一步的,在模型训练过程中,利用Wasserstein距离作为损失函数对模型进行验证。
第二方面,本发明提供一种车道箭头旋转目标检测模型构建装置,包括:
标注模块,获取车道箭头原始图像数据集,标注图像数据集中的箭头类别及箭头转向信息;
训练模块,设置网络中箭头类别权重参数,将标注好的箭头图像输入GWD网络模型进行训练,得到车道箭头旋转目标检测模型。
第三方面,本发明提供一种电子设备,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述计算机软件程序,进而实现本发明第一方面所述的一种车道箭头旋转目标检测模型构建方法。
第四方面,本发明提供一种非暂态计算机可读存储介质,所述存储介质中存储有用于实现本发明第一方面所述的一种车道箭头旋转目标检测模型构建方法的计算机软件程序。
本发明的有益效果是:本发明首先采集并标注车道箭头图像数据,更改不同箭头种类的权重;接着将准备好的数据送入gwd网络模型中进行训练,训练完成后,可以对车道箭头图像直接检测并分类。通过以上步骤,使得可以直接检测车道箭头的种类及角度,弥补了其他目标检测算法只检测箭头类别的不足。
附图说明
图1为本发明实施例提供的一种车道箭头旋转目标检测模型构建方法流程示意图;
图2为本发明实施例提供的一种车道箭头旋转目标检测模型构建装置结构示意图;
图3为本发明提供的一种电子设备结构示意图;
图4为本发明提供的一种计算机可读存储介质结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明实施例提供一种车道箭头旋转目标检测模型构建方法,包括:
S1,获取车道箭头原始图像数据集,标注图像数据集中的箭头类别及箭头转向信息。
所述车道箭头类别包括:直行、左转、右转、掉头、直行或左转、直行或右转、左转或左合流、右转或右合流以及上述8类外的其他类型。在进行箭头转向信息标注时,直行或左转、直行或右转的转向信息按直行箭头方式来标注。
所述转向信息的标注方法包括:确定车道箭头的中轴线,沿箭头顶点垂直车道箭头中轴线做直线,并以该直线为矩形框的一条边,绘制车道箭头的最小外包矩形框,所述矩形框的倾斜角度与箭头指向一致。同时原始图像为2048*2048px的大小,需要对图像进行裁剪。
S2,设置网络中箭头类别权重参数,将标注好的箭头图像输入GWD网络模型进行训练,得到车道箭头旋转目标检测模型。
在车道箭头数据中,各类样本分布不均匀,其中直行箭头数量远大于其他类别箭头。因此需要对不同类别箭头设置相应权重。所述箭头类别权重参数根据车道箭头原始图像数据集中各类别车道箭头的样本数量在总样本中的占比进行设置,其中占比越大的某类别车道箭头,其权重越小。例如直行箭头样本最多,所以权重w数值最小,样本越少,相应权重也会增加。
基于gwd的卷积神经网络,基本结构为卷积层、BN层、池化层的顺序连接结构,将两个旋转框转化为二维高斯分布,并计算之间的Wasserstein距离作为损失。
如图2所示,本发明实施例提供一种车道箭头旋转目标检测模型构建装置,包括:
标注模块,获取车道箭头原始图像数据集,标注图像数据集中的箭头类别及箭头转向信息;
训练模块,设置网络中箭头类别权重参数,将标注好的箭头图像输入GWD网络模型进行训练,得到车道箭头旋转目标检测模型。
本发明首先采集并标注车道箭头图像数据,更改不同箭头种类的权重;接着将准备好的数据送入gwd网络模型中进行训练,训练完成后,可以对车道箭头图像直接检测并分类。通过以上步骤,使得可以直接检测车道箭头的种类及角度,弥补了其他目标检测算法只检测箭头类别的不足。
请参阅图3,图3为本发明实施例提供的电子设备的实施例示意图。如图3所示,本发明实施例提了一种电子设备500,包括存储器510、处理器520及存储在存储器520上并可在处理器520上运行的计算机程序511,处理器520执行计算机程序511时实现以下步骤:
S1,获取车道箭头原始图像数据集,标注图像数据集中的箭头类别及箭头转向信息;
S2,设置网络中箭头类别权重参数,将标注好的箭头图像输入GWD网络模型进行训练,得到车道箭头旋转目标检测模型。
请参阅图4,图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。如图4所示,本实施例提供了一种计算机可读存储介质600,其上存储有计算机程序611,该计算机程序611被处理器执行时实现如下步骤:
S1,获取车道箭头原始图像数据集,标注图像数据集中的箭头类别及箭头转向信息;
S2,设置网络中箭头类别权重参数,将标注好的箭头图像输入GWD网络模型进行训练,得到车道箭头旋转目标检测模型。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种车道箭头旋转目标检测模型构建方法,其特征在于,包括:
S1,获取车道箭头原始图像数据集,标注图像数据集中的箭头类别及箭头转向信息;
S2,设置网络中箭头类别权重参数,将标注好的箭头图像输入GWD网络模型进行训练,得到车道箭头旋转目标检测模型。
2.根据权利要求1所述的方法,其特征在于,所述车道箭头类别包括:直行、左转、右转、掉头、直行或左转、直行或右转、左转或左合流、右转或右合流以及上述8类外的其他类型。
3.根据权利要求2所述的方法,其特征在于,在进行箭头转向信息标注时,直行或左转、直行或右转的转向信息按直行箭头方式来标注。
4.根据权利要求1所述的方法,其特征在于,所述转向信息的标注方法包括:确定车道箭头的中轴线,沿箭头顶点垂直车道箭头中轴线做直线,并以该直线为矩形框的一条边,绘制车道箭头的最小外包矩形框,所述矩形框的倾斜角度与箭头指向一致。
5.根据权利要求1所述的方法,其特征在于,所述箭头类别权重参数根据车道箭头原始图像数据集中各类别车道箭头的样本数量在总样本中的占比进行设置,其中占比越大的某类别车道箭头,其权重越小。
6.根据权利要求1所述的方法,其特征在于,在模型训练过程中,利用Wasserstein距离作为损失函数对模型进行验证。
7.一种车道箭头旋转目标检测模型构建装置,其特征在于,包括:
标注模块,获取车道箭头原始图像数据集,标注图像数据集中的箭头类别及箭头转向信息;
训练模块,设置网络中箭头类别权重参数,将标注好的箭头图像输入GWD网络模型进行训练,得到车道箭头旋转目标检测模型。
8.一种电子设备,其特征在于,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述计算机软件程序,进而实现权利要求1-6任一项所述的一种车道箭头旋转目标检测模型构建方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述存储介质中存储有用于实现权利要求1-6任一项所述的一种车道箭头旋转目标检测模型构建方法的计算机软件程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491801.9A CN114187573A (zh) | 2021-12-08 | 2021-12-08 | 一种车道箭头旋转目标检测模型构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491801.9A CN114187573A (zh) | 2021-12-08 | 2021-12-08 | 一种车道箭头旋转目标检测模型构建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187573A true CN114187573A (zh) | 2022-03-15 |
Family
ID=80603820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111491801.9A Pending CN114187573A (zh) | 2021-12-08 | 2021-12-08 | 一种车道箭头旋转目标检测模型构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187573A (zh) |
-
2021
- 2021-12-08 CN CN202111491801.9A patent/CN114187573A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN112396042A (zh) | 实时更新的目标检测方法及系统、计算机可读存储介质 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN113313716B (zh) | 一种自动驾驶语义分割模型的训练方法及装置 | |
CN108399609B (zh) | 一种三维点云数据的修补方法、装置和机器人 | |
CN115049821A (zh) | 一种基于多传感器融合的三维环境目标检测方法 | |
CN116503760A (zh) | 基于自适应边缘特征语义分割的无人机巡航检测方法 | |
CN117173568A (zh) | 目标检测模型训练方法和目标检测方法 | |
CN111914845A (zh) | 一种车牌中字符分层方法、装置及电子设备 | |
CN113780287A (zh) | 一种多深度学习模型的最优选取方法及系统 | |
CN112434585A (zh) | 一种车道线的虚实识别方法、系统、电子设备及存储介质 | |
CN114187573A (zh) | 一种车道箭头旋转目标检测模型构建方法及装置 | |
CN112634141B (zh) | 一种车牌矫正方法、装置、设备及介质 | |
CN114359859A (zh) | 一种含遮挡的目标物处理方法、装置及存储介质 | |
CN113469955A (zh) | 一种光伏组件故障区图像检测方法及系统 | |
CN114495025A (zh) | 一种车辆识别方法、装置、电子设备及存储介质 | |
CN112287938A (zh) | 一种文本分割方法、系统、设备以及介质 | |
CN112733864A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN114563014B (zh) | 一种基于仿真图像的OpenDrive地图自动化检测方法 | |
CN110705479A (zh) | 模型训练方法和目标识别方法、装置、设备及介质 | |
CN112215042A (zh) | 一种车位限位器识别方法及其系统、计算机设备 | |
CN114022501A (zh) | 箭头角点自动化检测方法、系统、电子设备及存储介质 |
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 |