CN115661499B - 智能驾驶预设锚框的确定装置、方法及存储介质 - Google Patents
智能驾驶预设锚框的确定装置、方法及存储介质 Download PDFInfo
- Publication number
- CN115661499B CN115661499B CN202211569394.3A CN202211569394A CN115661499B CN 115661499 B CN115661499 B CN 115661499B CN 202211569394 A CN202211569394 A CN 202211569394A CN 115661499 B CN115661499 B CN 115661499B
- Authority
- CN
- China
- Prior art keywords
- value
- sum
- clustering
- gaussian
- distance
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种智能驾驶预设锚框的确定装置、方法及存储介质,该方法包括:S1、获取锚框参数的样本数据集,设置k值的取值范围;S2、选取一个k值,通过k均值聚类算法获得k个聚类中心点;构建k个二维高斯函数;S3、选取一个二维高斯函数,将样本数据集中的每个样本点分别代入二维高斯函数中,得到每个样本点对应的Z值;将Z值作为权重,得到高斯加权距离之和;S4、重复步骤S3,得到所有聚类中心点的高斯加权距离之和D1~Dk;S5、获取评价指标;S6、选取评价指标数值最小的k值作为最优解并确定预设锚框的参数。本发明能够显著降低特殊点对于聚类结果的影响,提高聚类效果的鲁棒性,从而提高目标检测的准确率和时效性。
Description
技术领域
本发明涉及目标检测技术领域,尤其涉及一种智能驾驶预设锚框的确定装置、方法及存储介质。
背景技术
智能驾驶是指机器帮助人进行驾驶,以及在特殊情况下完全取代人驾驶的技术。智能驾驶系统主要包括硬件和软件两部分,软件部分主要用于感知、融合、决策、控制四个方面。目标检测是智能驾驶技术中重要的一环,用于检测出车辆前方、周围的目标物(包括车、人、障碍物等),目标检测结果越准确,智能驾驶的控制(包括车速、刹车、避让等操作)就越精准,有利于提高智能驾驶的安全性。
锚框是目标检测算法中,以锚点为中心,由算法预定义的多个不同长宽比的先验框。如何选取预设锚框的个数、高宽是实现准确率更高的目标检测的重要一环。即,锚框的选取对于目标检测的准确率来说是非常关键的。
目前,对于锚框的选取主要采用对模型进行训练、验证的方式,通过大量的数据使得模型能够选择出效果较好的锚框。这种方式虽然直接,但是运算占用的资源较多,花费的时间较长。对此,有人提出了采用k_means聚类算法对锚框的选取进行评估。k_means聚类算法的评价指标一般有四种:SSE、轮廓系数、Calinski-Harabaz系数以及Davies-Bouldin系数,其中,SSE、轮廓系数和DB系数都是基于距离的指标,CH系数是基于协方差的指标。现有方法通常采用手肘法来判断k值选取的合理性。
但是,这种聚类方法很容易受到个别特殊点的影响,从而干扰聚类个数的选取。而在智能驾驶领域中,这些特殊点不仅会妨碍锚框的选择,导致目标检测的准确率下降;而且还会增加计算量,影响目标检测的时效性。
发明内容
本发明要解决的技术问题是:为了解决现有技术中的锚框选取方法不适用于智能驾驶方案的技术问题。本发明提供一种智能驾驶预设锚框的确定装置、方法及存储介质,能够显著降低特殊点对于聚类结果的影响,提高聚类效果的鲁棒性,从而提高目标检测的准确率和时效性。
本发明解决其技术问题所采用的技术方案是:一种智能驾驶预设锚框的确定方法,包括以下步骤:
S1、获取锚框参数的样本数据集,设置k值的取值范围;
S2、选取一个k值,通过k均值聚类算法对所述样本数据集进行聚类,获得k个聚类中心点;根据所述k个聚类中心点,构建k个二维高斯函数;
S4、重复步骤S3,得到所有聚类中心点的高斯加权距离之和D1~Dk;
S5、根据所述高斯加权距离之和D1~Dk、Z值以及k值,得到评价指标;
S6、重复步骤S2至S5,得到所有k值对应的评价指标;选取评价指标数值最小的k值作为最优解,获取该k值对应的k个聚类中心点,将所述k个聚类中心点的坐标作为预设锚框的参数。
进一步的,所述锚框参数包括:锚框的宽值和高值;k值的取值范围设置为2~9。
进一步的,步骤S3的高斯加权距离之和的计算过程如下:
其中,n表示样本点的数量;
该聚类中心点下的高斯加权距离之和为:
进一步的,所述评价指标为平均高斯加权距离。
进一步的,所述平均高斯加权距离的计算过程包括:
将高斯加权距离之和D1~Dk相加,得到距离和Dsum;
计算所有样本点对应的权重之和Zsum;
进一步的,当k=4时,获得的评价指标为最小值;将通过k均值聚类算法得到的4个聚类中心点的坐标分别作为四个预设锚框的宽值和高值。
本发明还提供了一种智能驾驶预设锚框的确定装置,采用所述的确定方法,所述装置包括:
设置模块,其用于获取锚框参数的样本数据集,设置k值的取值范围;
计算模块,其用于选取一个二维高斯函数,将所述样本数据集中的每个样本点 分别代入所述二维高斯函数中,得到每个样本点对应的Z值;将Z值作为权重,得到该二维高斯函数对应的聚类中心点的高斯加权距离之和;重复上述过程得到所有聚类中心点的高斯加权距离之和D1~Dk;根据所述高斯加权距离之和D1~Dk、Z值以及k值,得到评价指标;
评价模块,其用于选取评价指标数值最小的k值作为最优解,获取该k值对应的k个聚类中心点,将所述k个聚类中心点的坐标作为预设锚框的参数。
本发明还提供了一种计算机存储介质,所述计算机存储介质中存储有用于执行所述的智能驾驶预设锚框的确定方法的各步骤的指令。
本发明的有益效果是,本发明的智能驾驶预设锚框的确定方法、装置,将聚类得到的聚类中心点作为数学期望构建二维高斯函数,可以得到每个样本点对应的权重,根据权重得到所有样本点与聚类中心点的高斯加权距离之和,可以显著降低特殊样本点在评价指标中所占的比重,从而提高评价指标的客观性,提高聚类算法的鲁棒性,确定的锚框参数更符合智能驾驶的实际需求。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的智能驾驶预设锚框的确定方法的流程图。
图2是本发明的样本数据集的示意图。
图3是本发明的k=3的聚类结果示意图。
图4是本发明的k=4的聚类结果示意图。
图5是本发明的二维高斯函数的分布示意图。
图6是本发明的不同k值的评价指标的结果图。
图7是本发明的智能驾驶预设锚框的确定装置的框图。
图中:1、设置模块;2、聚类模块;3、计算模块;4、评价模块。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明的智能驾驶预设锚框的确定方法,包括:
S1、获取锚框参数的样本数据集,设置k值的取值范围。
需要说明的是,锚框参数包括锚框的宽值和高值,不同的宽高比会生成不同尺寸的锚框,不同尺寸的锚框对于目标检测的效果不同。例如,在一幅图像中,近距离的目标较大,远距离的目标较小,那么近距离的目标就需要大一点的锚框才能把目标完全识别出来,远距离的目标可以选用小一点的锚框。如果远距离目标的锚框和近距离目标的锚框相同,那么会导致框出的对象中会包含很多背景像素点,白白增加计算量。因此,在进行目标检测时需要选择合适的锚框参数,不同的目标对象可以自动匹配不同尺寸的锚框。
如图2所示,锚框参数的样本数据集来源于对真实框的标注数据,样本数据集包含n个样本点 ,i=1,2,3,...,n,横坐标表示宽值,纵坐标表示高值,一个样本点表示一组锚框参数。本发明采用k均值聚类算法对样本数据集进行聚类,在开始聚类之前,设置k值的取值范围为2~9,即,当k=2时,聚类以后可以得到2个聚类中心点,当k=3时,聚类以后可以得到3个聚类中心点,等等。k的取值范围也可以是[2,9]的子集。
需要说明的是,从2~9中选取一个数值作为k值,通过k均值聚类算法对样本数据集进行聚类,可以得到k个聚类中心点。例如,图3为k=3时的聚类结果图,可以获得3个聚类中心点;图4为k=4时的聚类结果图,可以获得4个聚类中心点。根据k个聚类中心点可以构建k个二维高斯函数,设聚类中心点的坐标为,构建的二维高斯函数的公式如下: ,也就是说,构建二维高斯函数时,是将聚类中心点作为二维高斯分布的数学期望,样本点离聚类中心点越远,函数值Z就越小(如图5所示)。例如,当k=3时,可以得到3个聚类中心点 、、。也即,当k=3时,可以构建出三个二维高斯函数、和。
需要说明的是,将样本点代入二维高斯函数中,可以计算出一个Z值。因此,将样本数据集中的所有样本点代入公式中,可以得到n个Z值。再将Z值作为权重,可以计算出这个二维高斯函数对应的聚类中心点下的高斯加权距离之和,具体包括:计算每个样本点与聚类中心点间的距离,其中,n表示样本点的数量。将距离与该样本点对应的Z值相乘,得到高斯加权距离。该聚类中心点下的高斯加权距离之和为:。
也就是说,第一个样本点对应距离和权重Z1,第二个样本点对应距离和权重Z2,以此类推,第n个样本点对应距离和权重Zn。将距离和权重Zn相乘可以得到高斯加权距离,将该聚类中心点下的所有高斯加权距离相加可以得到高斯加权距离之和Dk。当样本点与聚类中心距离较远时,权重Z值就越小,由此,在高斯加权距离之和Dk中,距离聚类中心越远的样本点占的比重就会越小,这样就能够减小远距离点对总距离的影响。
S4、重复步骤S3,得到所有聚类中心点的高斯加权距离之和D1~Dk。
例如,当k=3时,n个样本点代入第一个二维高斯函数中,可以获得n个Z值;代入第二个二维高斯函数中,可以获得n个Z值;代入第三个二维高斯函数中,可以获得n 个Z值。也即,一个k值,共可以获得3n个Z值。重复步骤S3,每一个二维高斯函数下均可以获得一个高斯加权距离之和。例如,k=3时,可以获得D1、D2、D3。
S5、根据高斯加权距离之和D1~Dk、Z值以及k值,得到评价指标。
需要说明的是,本实施例的评价指标为平均高斯加权距离。平均高斯加权距离的计算过程包括:将高斯加权距离之和D1~Dk相加,得到距离和Dsum;计算所有样本点对应的权重之和Zsum;平均高斯加权距离为。在步骤S4中,可以得到一个k值下的所有聚类中心点的高斯加权距离之和D1~Dk,由于不同的k值会得到不同个数的高斯加权距离之和,因此,为了评价结果更加客观、准确,将评价指标设为平均高斯加权距离。因此,本实施例将一个k值下的所有高斯加权距离之和相加后除以权重之和与k的乘积,得到平均高斯加权距离。即,一个k值最终可以得到一个对应的评价指标。
S6、重复步骤S2至S5,得到所有k值对应的评价指标;选取评价指标数值最小的k值作为最优解,获取该k值对应的k个聚类中心点,将k个聚类中心点的坐标作为预设锚框的参数。
换言之,经过步骤S2至S5之后,可以获得一个k值对应的一个评价指标,根据预设的k值范围,重复步骤S2至S5,可以得到每一个k值对应的评价指标。例如,当k的取值范围是2~9时,那么,当k=2时,可以获得一个评价指标;当k=3时,可以获得一个评价指标;当k=4时,可以获得一个评价指标,以此类推,一共可以获得8个评价指标。遍历所有的评价指标,从中选出最小值作为最优解,该最小值对应的k值即为最优k值。例如,图6展示了k取3~8范围的评价指标结果图,从图中可以看出,当k=4时,评价指标的数值最小,评价指标的数值越小,表明聚类的效果越好。确定最优的k值后,提取该k值对应的聚类中心点,将聚类中心点的横坐标和纵坐标分别作为锚框的宽值和高值。例如,当k=4时,可以获得4个聚类中心点,即,可以得到4种锚框参数。
在k均值聚类算法中,当k的取值越大时,各簇到聚类中心点的距离自然会越近,因此,现有的k均值聚类算法呈现为聚类个数越多越好。但是,现有的方法,并没有排除远距离点的影响。例如,在图中,点A可以认为是一个远距离点,其与最近的聚类中心点之间的距离设为DA,则按照现有方法计算所有样本点到聚类中心点的总距离为,那么,距离DA在总距离中的占比为。而,本发明得到的点A的高斯加权距离为,所有样本点到聚类中心点的总高斯加权距离为,那么,点A的高斯加权距离在总高斯加权距离中的占比为 。将本发明的占比与现有方法的占比相除为:,由于距离越远的点,权重 的数值就越小,远远小于其他样本点的权重,因此,远小于1。也就是说,在本发明中,远距离点在总距离中所占的比重是非常非常小的,由此,可以降低远距离点对于总距离的影响程度,可以提高聚类算法指标的鲁棒性。
换言之,本发明将聚类中心点作为二维高斯函数的数学期望,使得每个样本点与聚类中心点之间的距离所占的权重有所不同,距离聚类中心点越远的点,所占的权重越小,这样,不仅可以使得预设锚框能够兼顾占比较多的真实框,去除一些特殊的标注框;而且还可以提高训练的效率,提高智能驾驶中目标检测的时效性。
如图7所示,本发明还提供了一种智能驾驶预设锚框的确定装置,采用上述的确定方法。该装置包括:设置模块1,其用于获取锚框参数的样本数据集,设置k值的取值范围;聚类模块2,其用于选取一个k值,通过k均值聚类算法对样本数据集进行聚类,获得k个聚类中心点;根据k个聚类中心点,构建k个二维高斯函数;计算模块3,其用于选取一个二维高斯函数,将样本数据集中的每个样本点分别代入二维高斯函数中,得到每个样本点对应的Z值;将Z值作为权重,得到该二维高斯函数对应的聚类中心点的高斯加权距离之和;重复上述过程得到所有聚类中心点的高斯加权距离之和D1~Dk;根据高斯加权距离之和D1~Dk、Z值以及k值,得到评价指标;评价模块4,其用于选取评价指标数值最小的k值作为最优解,获取该k值对应的k个聚类中心点,将k个聚类中心点的坐标作为预设锚框的参数。
本发明还提供了一种计算机存储介质,该计算机存储介质中存储有用于执行如上所述的智能驾驶预设锚框的确定方法的各步骤的指令。
本发明实施例提供的智能驾驶预设锚框的确定装置、计算机存储介质相关部分的说明请参见本发明实施例提供的智能驾驶预设锚框的确定方法对应部分的详细说明,在此不再赘述。
综上所述,本发明的智能驾驶预设锚框的确定方法、装置,将聚类得到的聚类中心点作为数学期望构建二维高斯函数,可以得到每个样本点对应的权重,根据权重得到所有样本点与聚类中心点的高斯加权距离之和,可以显著降低特殊样本点(即特殊标注框)在评价指标中所占的比重,从而提高评价指标的客观性,提高聚类算法的鲁棒性,确定的锚框参数更符合智能驾驶的实际需求。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要如权利要求范围来确定其技术性范围。
Claims (6)
1.一种智能驾驶预设锚框的确定方法,其特征在于,包括以下步骤:
S1、获取锚框参数的样本数据集,设置k值的取值范围;
所述高斯加权距离之和的计算过程如下:
其中,n表示样本点的数量;
该聚类中心点下的高斯加权距离之和为:
S4、重复步骤S3,得到所有聚类中心点的高斯加权距离之和D1~Dk;
S5、根据所述高斯加权距离之和D1~Dk、Z值以及k值,得到评价指标;所述评价指标为平均高斯加权距离,所述平均高斯加权距离的计算过程包括:
将高斯加权距离之和D1~Dk相加,得到距离和Dsum;
计算所有样本点对应的权重之和Zsum;
S6、重复步骤S2至S5,得到所有k值对应的评价指标;选取评价指标数值最小的k值作为最优解,获取该k值对应的k个聚类中心点,将所述k个聚类中心点的坐标作为预设锚框的参数。
2.如权利要求1所述的智能驾驶预设锚框的确定方法,其特征在于,所述锚框参数包括:锚框的宽值和高值;k值的取值范围设置为2~9。
3.如权利要求2所述的智能驾驶预设锚框的确定方法,其特征在于,当k=4时,获得的评价指标为最小值;将通过k均值聚类算法得到的4个聚类中心点的坐标分别作为四个预设锚框的宽值和高值。
5.一种智能驾驶预设锚框的确定装置,其特征在于,采用如权利要求1~4任一项所述的确定方法,所述装置包括:
设置模块(1),其用于获取锚框参数的样本数据集,设置k值的取值范围;
聚类模块(2),其用于选取一个k值,通过k均值聚类算法对所述样本数据集进行聚类,获得k个聚类中心点;根据所述k个聚类中心点,构建k个二维高斯函数;所述聚类中心点的坐标为,构建的二维高斯函数的公式为:;
计算模块(3),其用于选取一个二维高斯函数,将所述样本数据集中的每个样本点分别代入所述二维高斯函数中,得到每个样本点对应的Z值;将Z值作为权重,得到该二维高斯函数对应的聚类中心点的高斯加权距离之和;所述高斯加权距离之和的计算过程如下:计算每个样本点与聚类中心点之间的距离,其中,n表示样本点的数量;将所述距离与该样本点对应的Z值相乘,得到高斯加权距离,该聚类中心点下的高斯加权距离之和为:;重复上述过程得到所有聚类中心点的高斯加权距离之和D1~Dk;根据所述高斯加权距离之和D1~Dk、Z值以及k值,得到评价指标;所述评价指标为平均高斯加权距离,所述平均高斯加权距离的计算过程包括:将高斯加权距离之和D1~Dk相加,得到距离和Dsum;计算所有样本点对应的权重之和Zsum;平均高斯加权距离为;
评价模块(4),其用于选取评价指标数值最小的k值作为最优解,获取该k值对应的k个聚类中心点,将所述k个聚类中心点的坐标作为预设锚框的参数。
6.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有用于执行如权利要求1~5中任一项所述的智能驾驶预设锚框的确定方法的各步骤的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211569394.3A CN115661499B (zh) | 2022-12-08 | 2022-12-08 | 智能驾驶预设锚框的确定装置、方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211569394.3A CN115661499B (zh) | 2022-12-08 | 2022-12-08 | 智能驾驶预设锚框的确定装置、方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661499A CN115661499A (zh) | 2023-01-31 |
CN115661499B true CN115661499B (zh) | 2023-03-17 |
Family
ID=85017124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211569394.3A Active CN115661499B (zh) | 2022-12-08 | 2022-12-08 | 智能驾驶预设锚框的确定装置、方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661499B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102237084A (zh) * | 2010-04-22 | 2011-11-09 | 松下电器产业株式会社 | 声音空间基准模型的在线自适应调节方法及装置和设备 |
CN105069488B (zh) * | 2015-09-25 | 2018-06-29 | 南京信息工程大学 | 基于模板在线聚类的跟踪方法 |
CN113344113B (zh) * | 2021-06-27 | 2024-03-19 | 东南大学 | 一种基于改进k-means聚类的Yolov3锚框确定方法 |
CN114913438A (zh) * | 2022-03-28 | 2022-08-16 | 南京邮电大学 | 一种基于锚框最优聚类的YOLOv5园林异常目标识别方法 |
-
2022
- 2022-12-08 CN CN202211569394.3A patent/CN115661499B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115661499A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079602B (zh) | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
JP2022514974A (ja) | 物体検出方法、装置、電子機器、及びコンピュータプログラム | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及系统 | |
CN111797829A (zh) | 一种车牌检测方法、装置、电子设备和存储介质 | |
CN110490936A (zh) | 车辆摄像头的标定方法、装置、设备及可读存储介质 | |
CN110889399B (zh) | 基于深度学习的高分辨率遥感影像弱小目标检测方法 | |
CN109858547A (zh) | 一种基于bssd的目标检测方法与装置 | |
CN105957107A (zh) | 行人检测与跟踪方法及装置 | |
CN112949519A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN115457395A (zh) | 基于通道注意力与多尺度特征融合的轻量级遥感目标检测方法 | |
CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
CN110276801B (zh) | 一种物体定位方法、装置及存储介质 | |
CN115100741A (zh) | 一种点云行人距离风险检测方法、系统、设备和介质 | |
CN113281718B (zh) | 一种基于激光雷达场景流估计的3d多目标跟踪系统及方法 | |
CN114998610A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 | |
CN115661499B (zh) | 智能驾驶预设锚框的确定装置、方法及存储介质 | |
CN114359742B (zh) | 一种优化小目标检测的加权损失函数计算方法 | |
CN113658274B (zh) | 用于灵长类动物种群行为分析的个体间距自动计算方法 | |
CN112001388B (zh) | 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 | |
CN113343918A (zh) | 一种电力设备识别方法、系统、介质及电子设备 | |
CN112419310B (zh) | 一种基于交并融合边框优选的目标检测方法 | |
CN114820580A (zh) | 基于并行注意力补偿机制的fpn晶圆表面缺陷检测方法 |
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 |