CN115240165A - 一种目标检测方法、计算机可读存储介质及驾驶设备 - Google Patents

一种目标检测方法、计算机可读存储介质及驾驶设备 Download PDF

Info

Publication number
CN115240165A
CN115240165A CN202210827104.4A CN202210827104A CN115240165A CN 115240165 A CN115240165 A CN 115240165A CN 202210827104 A CN202210827104 A CN 202210827104A CN 115240165 A CN115240165 A CN 115240165A
Authority
CN
China
Prior art keywords
frame
anchor point
marking
point frame
preset
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
CN202210827104.4A
Other languages
English (en)
Inventor
商明阳
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.)
Anhui Weilai Zhijia Technology Co Ltd
Original Assignee
Anhui Weilai Zhijia Technology 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 Anhui Weilai Zhijia Technology Co Ltd filed Critical Anhui Weilai Zhijia Technology Co Ltd
Priority to CN202210827104.4A priority Critical patent/CN115240165A/zh
Publication of CN115240165A publication Critical patent/CN115240165A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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

Landscapes

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

Abstract

本发明涉及计算机技术领域，具体提供一种目标检测方法、计算机可读存储介质及驾驶设备，本发明在目标检测模型的训练过程中，根据训练图像样本的标注框和锚点框，得到锚点框的初步识别类别；针对初步识别类别为正样本的锚点框，进一步根据与锚点框的交并比大于预设交并比阈值的标注框数量，或者，基于与锚点框的交并比大于预设交并比阈值的标注框数量以及锚点框与标注框的位置关系确定初步识别类别为正样本的锚点框的最终识别类别，至少根据锚点框、锚点框的最终识别类别以及标注框对待训练目标检测模型进行训练，得到训练好的目标检测模型。本发明基于该训练好的目标检测模型进行目标检测，可以有效提高识检测效果并避免重框问题。

Description

一种目标检测方法、计算机可读存储介质及驾驶设备
技术领域
本发明涉及计算机技术领域，具体提供一种目标检测方法、计算机可读存储介质及驾驶设备。
背景技术
目标检测是智能汽车辅助驾驶基础且重要的模块，目标检测任务的目的是尽量将感兴趣的障碍物都检测到，保证不重不漏。然而，在很多场景尤其是障碍物较密集的场景下，现有的检测方法容易在两个障碍物之间出现误检框，也就是重框。造成这一现象的主要原因是目前检测模型在训练阶段分配正负样本的时候往往是基于锚点框和标注框的交并比(Intersection of Union,IoU)，或者当前点是否在标注框内来确定正负样本。而对于横跨两个物体或者将两个物体包起来的框其实也满足这些条件，并且在该框内确实也存在一些明显的障碍物特征，从而检测时容易出现重框。
发明内容
本发明旨在解决上述技术问题，即，解决现有目标检测在目标密集的场景下容易出现重框的问题。
在第一方面，本发明提供一种目标检测方法，其包括：
获取待检测图像；
将所述待检测图像输入训练好的目标检测模型，得到目标检测结果；
其中所述目标检测模型基于以下步骤进行训练：
获取训练图像样本的标注框和锚点框并根据所述标注框确定所述锚点框的初步识别类别；
对于所述初步识别类别为正样本的所述锚点框，基于与所述锚点框的交并比大于预设交并比阈值的标注框数量，或者，基于与所述锚点框的交并比大于预设交并比阈值的标注框数量以及所述锚点框与所述标注框的位置关系确定所述初步识别类别为正样本的所述锚点框的最终识别类别，其中所述最终识别类别包括目标正样本或目标负样本；
至少基于所述锚点框、所述锚点框的所述最终识别类别以及所述标注框对待训练目标检测模型进行训练，以得到训练好的目标检测模型。
在一些实施例中，所述基于与所述锚点框的交并比大于预设交并比阈值的标注框数量确定所述初步识别类别为正样本的所述锚点框的最终识别类别，包括：
当与所述锚点框的交并比大于预设交并比阈值的标注框数量大于1时，确定所述锚点框的最终识别类别为目标负样本。
在一些实施例中，所述基于与所述锚点框的交并比大于预设交并比阈值的标注框数量以及所述锚点框与所述标注框的位置关系确定所述初步识别类别为正样本的所述锚点框的最终识别类别，包括：
基于与所述锚点框的交并比大于预设交并比阈值的标注框数量，以及，所述锚点框的中心和所述标注框的预设中心区域的位置关系确定所述初步识别类别为正样本的所述锚点框的最终识别类别。
在一些实施例中，所述基于与所述锚点框的交并比大于预设交并比阈值的标注框数量，以及，所述锚点框的中心和所述标注框的预设中心区域的位置关系确定所述初步识别类别为正样本的所述锚点框的最终识别类别，包括：
当与所述锚点框的交并比大于预设交并比阈值的标注框数量为1时，判断所述锚点框的中心是否在所述标注框的所述预设中心区域；
当所述锚点框的中心在所述标注框的所述预设中心区域，确定所述锚点框的最终识别类别为目标正样本；当所述锚点框的中心不在所述标注框的所述预设中心区域，确定所述锚点框的最终识别类别为目标负样本。
在一些实施例中，所述至少基于所述锚点框、所述锚点框的所述最终识别类别以及所述标注框对所述待训练目标检测模型进行训练，包括：
根据所述最终识别类别为目标正样本和/或目标负样本的所述锚点框，计算所述锚点框与所述标注框的损失函数，以根据所述损失函数对所述待训练目标检测模型进行训练；
或者，
根据所述最终识别类别为目标正样本和/或目标负样本的所述锚点框，以及，所述初步识别类别为负样本的所述锚点框，计算所述锚点框与所述标注框的损失函数，以根据所述损失函数对所述待训练目标检测模型进行训练。
在一些实施例中，通过以下步骤构建所述预设中心区域：
获取所述标注框的边框长度和边框宽度；
以所述标注框的中心点为中心，以第一比例的所述边框长度为边长以及以第二比例的所述边框宽度为边宽，构建矩形的所述预设中心区域，所述第一比例和所述第二比例小于1。
在一些实施例中，通过以下步骤构建所述预设中心区域：
以所述标注框的中心点为中心，以所述标注框最小边长的第三比例为半径，构建圆形的预设中心区域，所述第三比例小于1。
在一些实施例中，通过以下步骤构建所述预设中心区域：
以所述标注框的中心点为中心，以所述标注框最长边长的第四比例为第一轴以及以所述标注框最短边长的第五比例为第二轴，构建椭圆形的所述预设中心区域，所述第四比例和所述第五比例小于1。
在第二方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的目标检测方法。
在第三方面，本发明提供了一种驾驶设备，其包括驾驶设备本体、存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时实现上述任意一项所述的目标检测方法。
在采用上述技术方案的情况下，本发明在目标检测模型的训练过程中，根据训练图像样本的标注框和锚点框，得到锚点框的初步识别类别；针对初步识别类别为正样本的锚点框，进一步根据与锚点框的交并比大于预设交并比阈值的标注框数量，或者，基于与锚点框的交并比大于预设交并比阈值的标注框数量以及锚点框与标注框的位置关系确定初步识别类别为正样本的锚点框的最终识别类别，至少根据锚点框、锚点框的最终识别类别以及标注框对待训练目标检测模型进行训练，得到训练好的目标检测模型。本发明基于该训练好的目标检测模型进行目标检测，可以有效提高检测效果并避免重框问题。
附图说明
下面结合附图来描述本发明的优选实施方式，附图中：
图1是本发明实施例提供的一种目标检测方法的流程示意图；
图2是本发明实施例提供的目标检测模型训练方法的流程示意图；
图3至图5是本发明具体示例提供的标注框预设中心区域的示意图；
图6是基于相关目标检测方法进行行人检测得到的检测框示意图；
图7是基于本发明实施例提供的目标检测方法进行行人检测后得到的检测框示意图；
图8是本发明另一实施例提供的目标检测模型的训练方法流程示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
目标检测是智能汽车辅助驾驶基础且重要的模块，目标检测任务的目的是尽量将感兴趣的障碍物都检测到，保证不重不漏。然而，在很多场景尤其是障碍物较密集的场景下，现有的检测方法容易在两个障碍物之间出现误检框，也就是重框。造成这一现象的主要原因是目前检测模型在训练阶段分配正负样本的时候往往是基于锚点框和标注框的交并比(Intersection of Union,IoU)，或者当前点是否在标注框内来确定正负样本。而对于横跨两个物体或者将两个物体包起来的框其实也满足这些条件，并且在该框内确实也存在一些明显的障碍物特征，从而检测时容易出现重框。
有鉴于此，本发明提供了一种目标检测方法，在目标检测模型的训练过程中，根据训练图像样本的标注框和锚点框，得到锚点框的初步识别类别；针对初步识别类别为正样本的锚点框，进一步根据与锚点框的交并比大于预设交并比阈值的标注框数量，或者，基于与锚点框的交并比大于预设交并比阈值的标注框数量以及锚点框与标注框的位置关系确定初步识别类别为正样本的锚点框的最终识别类别，至少根据锚点框、锚点框的最终识别类别以及标注框对待训练目标检测模型进行训练，得到训练好的目标检测模型。本发明基于该训练好的目标检测模型进行目标检测，可以有效提高检测效果并避免重框问题。
参见图1所示，图1是本发明实施例提供的一种目标检测方法的流程示意图，其可以包括：
步骤S11：获取待检测图像；
步骤S12：将待检测图像输入训练好的目标检测模型，得到目标检测结果。
本发明实施例提供的目标检测方法可以应用于车辆、行人和动物等至少一种目标的检测。
在一些实施例中，步骤S12可以具体为将待检测图像输入训练好的目标检测模型，得到用于指示目标位置的检测框即得到了目标检测结果。
参见图2所示，其中目标检测模型基于以下步骤进行训练：
步骤S21：获取训练图像样本的标注框和锚点框并根据标注框确定锚点框的初步识别类别；
步骤S22：对于初步识别类别为正样本的锚点框，基于与锚点框的交并比大于预设交并比阈值的标注框数量，或者，基于与锚点框的交并比大于预设交并比阈值的标注框数量以及锚点框与标注框的位置关系确定初步识别类别为正样本的锚点框的最终识别类别，其中最终识别类别包括目标正样本或目标负样本；
步骤S23：至少基于锚点框、锚点框的最终识别类别以及标注框对待训练目标检测模型进行训练，以得到训练好的目标检测模型。
在一些实施例中，步骤S21可以具体为：
获取训练图像样本的标注框和锚点框；
计算标注框和锚点框的交并比，当标注框和锚点框的交并比大于预设交并比阈值时将该标注框的类别确定为锚点框的类别，并确定锚点框相对于该类别为正样本或负样本，即确定锚点框的初步识别类别。
在一些实施例中，步骤S22中基于与锚点框的交并比大于预设交并比阈值的标注框数量确定初步识别类别为正样本的锚点框的最终识别类别可以具体为：
当与锚点框的交并比大于预设交并比阈值的标注框数量大于1时，确定锚点框的最终识别类别为目标负样本。
该方法可以从初步识别类别为正样本的锚点框中筛选出和多个标注框均满足交并比大于预设交并比阈值的锚点框，并对该锚点框的初步识别类别进行修正，确定该锚点框的最终识别类别为目标负样本，从而能够从初步识别类别为正样本的锚点框中剔除容易造成重框的一些锚点框，有利于实现对目标检测模型的高效训练并提高训练好的目标检测模型的检测精确度，进而在后续基于训练好的目标检测模型进行目标检测时能够有效避免重框问题。
在另一些实施例中，在步骤S22中基于与锚点框的交并比大于预设交并比阈值的标注框数量以及锚点框与标注框的位置关系确定初步识别类别为正样本的锚点框的最终识别类别可以具体：
基于与锚点框的交并比大于预设交并比阈值的标注框数量，以及，锚点框的中心和标注框的预设中心区域的位置关系确定初步识别类别为正样本的锚点框的最终识别类别。
在其他实施例中还可以根据锚点框的中心和标注框的中心之间的距离是否满足预设距离阈值结合与锚点框的交并比大于预设交并比阈值的标注框数量来确定初步识别类别为正样本的锚点框的最终识别类别。
在另一些实施例中，还可以先确定与锚点框的交并比大于预设交并比阈值的标注框数量，当与锚点框的交并比大于预设交并比阈值的标注框数量为1时，再结合锚点框的中心和标注框的预设中心区域的位置关系确定初步识别类别为正样本的锚点框的最终识别类别，具体可参见本发明下文中对图8的描述。
在一些实施例中，可以通过以下步骤构建预设中心区域：
获取标注框的边框长度和边框宽度；
以标注框的中心点为中心，以第一比例的边框长度为边长以及以第二比例的边框宽度为边宽，构建矩形的预设中心区域，第一比例和第二比例小于1。
作为示例，当第一比例和第二比例取值均为0.5、标注框的边框长度为H且边框宽度为W时，基于上述构建方法得到长度为0.5H、宽度为0.5W的矩形预设中心区域，如图3所示。
在另一些实施例中，还可以通过以下步骤构建预设中心区域：
以标注框的中心点为中心，以标注框最小边长的第三比例为半径，构建圆形的预设中心区域，第三比例小于1。
作为示例，当第三比例取值为0.5、标注框的边框长度H大于边框宽度W时，基于上述构建方法得到以标注框的中心点为中心、以0.5W为半径构建的圆形预设中心区域，如图4所示。
在另一些实施例中，还可以通过以下步骤构建预设中心区域：
以标注框的中心点为中心，以标注框最长边长的第四比例为第一轴以及以标注框最短边长的第五比例为第二轴，构建椭圆形的预设中心区域，第四比例和第五比例小于1。
作为示例，当第四比例和第五比例均取值为0.5、标注框的边框长度H大于边框宽度W时，基于上述构建方法得到以标注框的中心点为中心、以0.5H为第一轴且以0.5W为第二轴构建的椭圆形预设中心区域，如图5所示。
在一些实施例中，步骤S23可以具体为根据最终识别类别为目标正样本和/或目标负样本的锚点框，计算锚点框与标注框的损失函数，以根据损失函数对待训练目标检测模型进行训练。
基于最终识别类别为目标正样本的锚点框对待训练目标检测模型进行，可以有效提高得到的训练好的目标检测模型的检测精确度。
另外，对于初步识别类别为正样本且最终识别类别为目标负样本的锚点框，基于该锚点框对待训练目标检测模型进行训练，可以进一步训练得到检测精确度高的目标检测模型，利用该目标检测模型进行目标检测可以有效避免重框问题。
需要说明的是，对于初步识别类别为正样本且最终识别类别为目标负样本的锚点框，该锚点框是容易引起重框问题的锚点框，当该锚点框与标注为目标正样本的锚点框重框严重时，为了避免训练过程中造成干扰，可将该最终识别类别为目标负样本的锚点框标注为忽略样本，将不基于标注为忽略样本的锚点框对待训练目标检测模型进行训练。
在另一些实施例中，步骤S23可以具体为根据最终识别类别为目标正样本和/或目标负样本的锚点框，以及，初步识别类别为负样本的锚点框，计算锚点框与标注框的损失函数，以根据损失函数对待训练目标检测模型进行训练。
作为示例，基于最终识别类别为目标正样本的锚点框和标注框对待训练目标检测模型进行训练可以为：
获取标注框相对于最终识别类别为目标正样本的锚点框的偏移量，并根据偏移量和最终识别类别对该锚点框进行标注；
将该锚点框输入待训练目标检测模型，得到锚点框的预测识别类别和预测偏移量；
根据锚点框的预测识别类别和标注的最终识别类别计算类别损失以及根据锚点框的预测偏移量和标注的偏移量计算位置偏移损失，基于类别损失和位置偏移损失对待训练目标检测模型进行训练，直至模型收敛，得到训练好的目标检测模型。
基于该训练好的目标检测模型对待检测图像进行检测，可以有效提高检测效果，对于现有目标检测方法在目标比较密集的场景下容易出现重框的问题，利用本发明提供的目标检测方法可以有效避免重框问题。作为示例，参见图6和图7所示，图6为利用相关目标检测方法进行行人检测，对于图形中两个距离较近的行人输出了3个检测框，即出现了重框问题，图7为利用本发明实施例提供的目标检测方法进行行人检测，得到与两个行人分别对应的检测框，避免了重框问题。
参见图8所示，图8是本发明另一实施例提供的目标检测模型的训练方法流程示意图，其可以包括：
步骤S31：获取训练图像样本的标注框和锚点框并根据标注框确定锚点框的初步识别类别；
步骤S32：当与锚点框的交并比大于预设交并比阈值的标注框数量大于1时，确定锚点框的最终识别类别为目标负样本；
步骤S33：当与锚点框的交并比大于预设交并比阈值的标注框数量为1时，判断锚点框的中心是否在标注框的预设中心区域；
步骤S34：当锚点框的中心在标注框的预设中心区域，确定锚点框的最终识别类别为目标正样本；当锚点框的中心不在标注框的预设中心区域，确定锚点框的最终识别类别为目标负样本；
步骤S35：至少基于锚点框、锚点框的最终识别类别以及标注框对待训练目标检测模型进行训练，以得到训练好的目标检测模型。
其中，步骤S31、步骤S35可以相应采用和步骤S21、S23相同的方式实现，为了简要起见在此不再赘述。
该方法可以从初步识别类别为正样本的锚点框中筛选出和多个标注框均满足交并比大于预设交并比阈值的锚点框，并对该锚点框的初步识别类别进行修正；或者，当与锚点框的交并比大于预设交并比阈值的标注框数量为1且锚点框的中心不在标注框的预设中心区域，对该锚点框的初步识别类别进行修正，从而能够从初步识别类别为正样本的锚点框中剔除容易造成重框的一些锚点框，有利于实现对目标检测模型的高效训练并提高训练好的目标检测模型的检测精确度，进而在后续基于训练好的目标检测模型进行目标检测时能够有效避免重框问题。
在一些实施例中，在执行步骤S33之前，可以采用以下方式一至方式三中的至少一种方式构建预设中心区域：
方式一
获取标注框的边框长度和边框宽度；
以标注框的中心点为中心，以第一比例的边框长度为边长以及以第二比例的边框宽度为边宽，构建矩形的预设中心区域，第一比例和第二比例小于1。
方式二
以标注框的中心点为中心，以标注框最小边长的第三比例为半径，构建圆形的预设中心区域，第三比例小于1。
方式三
以标注框的中心点为中心，以标注框最长边长的第四比例为第一轴以及以标注框最短边长的第五比例为第二轴，构建椭圆形的预设中心区域，第四比例和第五比例小于1。
以上为本发明实施例提供的一种目标检测方法，在目标检测模型的训练过程中，根据训练图像样本的标注框和锚点框，得到锚点框的初步识别类别；针对初步识别类别为正样本的锚点框，进一步根据与锚点框的交并比大于预设交并比阈值的标注框数量，或者，基于与锚点框的交并比大于预设交并比阈值的标注框数量以及锚点框与标注框的位置关系确定初步识别类别为正样本的锚点框的最终识别类别，至少根据锚点框、锚点框的最终识别类别以及标注框对待训练目标检测模型进行训练，得到训练好的目标检测模型。本发明基于该训练好的目标检测模型进行目标检测，可以有效提高检测效果并避免重框问题。
本发明的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时能够实现上述任一实施例中的目标检测方法。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
本发明的另一方面，还提供了一种驾驶设备，其可以包括：驾驶设备本体、存储器和处理器，存储器中存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中的目标检测方法。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种目标检测方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入训练好的目标检测模型，得到目标检测结果；
其中所述目标检测模型基于以下步骤进行训练：
获取训练图像样本的标注框和锚点框并根据所述标注框确定所述锚点框的初步识别类别；
对于所述初步识别类别为正样本的所述锚点框，基于与所述锚点框的交并比大于预设交并比阈值的标注框数量，或者，基于与所述锚点框的交并比大于预设交并比阈值的标注框数量以及所述锚点框与所述标注框的位置关系确定所述初步识别类别为正样本的所述锚点框的最终识别类别，其中所述最终识别类别包括目标正样本或目标负样本；
至少基于所述锚点框、所述锚点框的所述最终识别类别以及所述标注框对待训练目标检测模型进行训练，以得到训练好的目标检测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于与所述锚点框的交并比大于预设交并比阈值的标注框数量确定所述初步识别类别为正样本的所述锚点框的最终识别类别，包括：
当与所述锚点框的交并比大于预设交并比阈值的标注框数量大于1时，确定所述锚点框的最终识别类别为目标负样本。
3.根据权利要求1所述的方法，其特征在于，所述基于与所述锚点框的交并比大于预设交并比阈值的标注框数量以及所述锚点框与所述标注框的位置关系确定所述初步识别类别为正样本的所述锚点框的最终识别类别，包括：
基于与所述锚点框的交并比大于预设交并比阈值的标注框数量，以及，所述锚点框的中心和所述标注框的预设中心区域的位置关系确定所述初步识别类别为正样本的所述锚点框的最终识别类别。
4.根据权利要求3所述的方法，其特征在于，所述基于与所述锚点框的交并比大于预设交并比阈值的标注框数量，以及，所述锚点框的中心和所述标注框的预设中心区域的位置关系确定所述初步识别类别为正样本的所述锚点框的最终识别类别，包括：
当与所述锚点框的交并比大于预设交并比阈值的标注框数量为1时，判断所述锚点框的中心是否在所述标注框的所述预设中心区域；
当所述锚点框的中心在所述标注框的所述预设中心区域，确定所述锚点框的最终识别类别为目标正样本；当所述锚点框的中心不在所述标注框的所述预设中心区域，确定所述锚点框的最终识别类别为目标负样本。
5.根据权利要求1所述的方法，其特征在于，所述至少基于所述锚点框、所述锚点框的所述最终识别类别以及所述标注框对所述待训练目标检测模型进行训练，包括：
根据所述最终识别类别为目标正样本和/或目标负样本的所述锚点框，计算所述锚点框与所述标注框的损失函数，以根据所述损失函数对所述待训练目标检测模型进行训练；
或者，
根据所述最终识别类别为目标正样本和/或目标负样本的所述锚点框，以及，所述初步识别类别为负样本的所述锚点框，计算所述锚点框与所述标注框的损失函数，以根据所述损失函数对所述待训练目标检测模型进行训练。
6.根据权利要求3或4所述的方法，其特征在于，通过以下步骤构建所述预设中心区域：
获取所述标注框的边框长度和边框宽度；
以所述标注框的中心点为中心，以第一比例的所述边框长度为边长以及以第二比例的所述边框宽度为边宽，构建矩形的所述预设中心区域，所述第一比例和所述第二比例小于1。
7.根据权利要求3或4所述的方法，其特征在于，通过以下步骤构建所述预设中心区域：
以所述标注框的中心点为中心，以所述标注框最小边长的第三比例为半径，构建圆形的预设中心区域，所述第三比例小于1。
8.根据权利要求3或4所述的方法，其特征在于，通过以下步骤构建所述预设中心区域：
以所述标注框的中心点为中心，以所述标注框最长边长的第四比例为第一轴以及以所述标注框最短边长的第五比例为第二轴，构建椭圆形的所述预设中心区域，所述第四比例和所述第五比例小于1。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8中任意一项所述的目标检测方法。
10.一种驾驶设备，其特征在于，包括驾驶设备本体、存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1至8中任意一项所述的目标检测方法。
CN202210827104.4A 2022-07-13 2022-07-13 一种目标检测方法、计算机可读存储介质及驾驶设备 Pending CN115240165A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210827104.4A CN115240165A (zh) 2022-07-13 2022-07-13 一种目标检测方法、计算机可读存储介质及驾驶设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210827104.4A CN115240165A (zh) 2022-07-13 2022-07-13 一种目标检测方法、计算机可读存储介质及驾驶设备

Publications (1)

Publication Number Publication Date
CN115240165A true CN115240165A (zh) 2022-10-25

Family

ID=83673202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210827104.4A Pending CN115240165A (zh) 2022-07-13 2022-07-13 一种目标检测方法、计算机可读存储介质及驾驶设备

Country Status (1)

Country Link
CN (1) CN115240165A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758429A (zh) * 2023-08-22 2023-09-15 浙江华是科技股份有限公司 一种基于正负样本候选框动态选择船舶检测方法及系统
CN118212232A (zh) * 2024-05-20 2024-06-18 安徽蔚来智驾科技有限公司 线性元素的检测方法、智能设备及计算机可读存储介质
CN118470291A (zh) * 2024-07-12 2024-08-09 中国人民解放军国防科技大学 小目标检测的动态自适应标签分配方法、装置及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758429A (zh) * 2023-08-22 2023-09-15 浙江华是科技股份有限公司 一种基于正负样本候选框动态选择船舶检测方法及系统
CN116758429B (zh) * 2023-08-22 2023-11-07 浙江华是科技股份有限公司 一种基于正负样本候选框动态选择船舶检测方法及系统
CN118212232A (zh) * 2024-05-20 2024-06-18 安徽蔚来智驾科技有限公司 线性元素的检测方法、智能设备及计算机可读存储介质
CN118470291A (zh) * 2024-07-12 2024-08-09 中国人民解放军国防科技大学 小目标检测的动态自适应标签分配方法、装置及设备

Similar Documents

Publication Publication Date Title
CN115240165A (zh) 一种目标检测方法、计算机可读存储介质及驾驶设备
EP3620981B1 (en) Object detection method, device, apparatus and computer-readable storage medium
US8199971B2 (en) Object detection system with improved object detection accuracy
CN112084810B (zh) 一种障碍物检测方法、装置、电子设备及存储介质
CN110749901B (zh) 自主移动机器人及其地图拼接方法、装置和可读存储介质
US10748013B2 (en) Method and apparatus for detecting road lane
US11532166B2 (en) Obstacle positioning method, device and terminal
CN109871732B (zh) 停车格辨识系统及其方法
US9483711B2 (en) Object detection system
JP2007220013A (ja) 車両用白線検出装置
US11080544B1 (en) Method and device for calibrating pitch of camera on vehicle and method and device for continual learning of vanishing point estimation model to be used for calibrating the pitch
KR101822909B1 (ko) 이미지 내 타원형 구조들을 감지하기 위한 방법 및 장치
JP3849505B2 (ja) 障害物監視装置及びプログラム
WO2023142814A1 (zh) 目标识别方法、装置、设备及存储介质
CN110751040A (zh) 一种三维物体的检测方法和装置、电子设备、存储介质
WO2021093335A1 (en) Method for automatically labeling lane changing intention based on high-noise trajectory data of vehicle
CN114419922B (zh) 车位识别方法及装置
WO2024098992A1 (zh) 倒车检测方法及装置
CN113536867B (zh) 物体识别的方法、装置及系统
CN111832418B (zh) 车辆控制方法、装置、车辆和存储介质
CN113380038A (zh) 一种车辆危险行为检测方法、装置及系统
JP6672750B2 (ja) 物体検出装置
CN114495509B (zh) 基于深度神经网络监控隧道运行状态的方法
CN114926817A (zh) 识别车位的方法、装置、电子设备和计算机可读存储介质
CN110309741B (zh) 障碍物检测方法及装置

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