国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種識(shí)別前方車輛尾燈及判斷其狀態(tài)的方法與流程

      文檔序號(hào):12864168閱讀:4549來源:國知局
      一種識(shí)別前方車輛尾燈及判斷其狀態(tài)的方法與流程

      本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域,更具體地說,涉及一種識(shí)別前方車輛尾燈及判斷其狀態(tài)的方法。



      背景技術(shù):

      近年來隨著車輛的增多,交通道路的駕駛情況越來越復(fù)雜,人們對(duì)高級(jí)輔助駕駛系統(tǒng)的需要也隨之上升。其中,就包括汽車能夠自主識(shí)別出前車是否將進(jìn)行變道或剎車操作,從而為汽車自身減速或避讓做好準(zhǔn)備。由于車輛的尾燈有轉(zhuǎn)向信號(hào)燈和剎車信號(hào)燈,因此可以通過自主識(shí)別出轉(zhuǎn)向信號(hào)燈是否閃爍或剎車信號(hào)燈是否點(diǎn)亮來判斷前車是否將變道或剎車。因此,對(duì)車道尾燈的識(shí)別以及其狀態(tài)判斷極其重要。當(dāng)前主流的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別方法僅在靜態(tài)圖片中有較好性能表現(xiàn),而在動(dòng)態(tài)視頻中因?yàn)闄z查速度過慢而導(dǎo)致性能表現(xiàn)不能滿足技術(shù)需求。yolo神經(jīng)網(wǎng)絡(luò)將整張圖片分割成若干網(wǎng)格,然后每個(gè)單獨(dú)的網(wǎng)格直接預(yù)測車輛所在位置的邊界框和物體為車輛的概率。yolo神經(jīng)網(wǎng)絡(luò)法具有較快的識(shí)別速率和對(duì)大目標(biāo)具有較高的識(shí)別率,適用于視頻識(shí)別。



      技術(shù)實(shí)現(xiàn)要素:

      本發(fā)明要解決的技術(shù)問題在于,提供一種識(shí)別前方車輛尾燈及判斷其狀態(tài)的方法。

      本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:構(gòu)造一種識(shí)別前方車輛尾燈及判斷其狀態(tài)的方法,包括以下步驟:

      步驟s010,將車載攝像頭視頻輸入經(jīng)過訓(xùn)練的yolo神經(jīng)網(wǎng)絡(luò)1,識(shí)別出視頻中的車輛;

      步驟s020,將yolo神經(jīng)網(wǎng)絡(luò)1識(shí)別出的車輛輸入yolo神經(jīng)網(wǎng)絡(luò)2,識(shí)別出車輛的尾燈;

      步驟s030,每間隔多個(gè)幀圖片獲取一次尾燈的hsv值,計(jì)算相鄰兩次hsv值的差值是否大于閾值,若差值大于閾值,則車輛尾燈的轉(zhuǎn)向信號(hào)燈閃爍或剎車信號(hào)燈點(diǎn)亮,進(jìn)而判斷前車將進(jìn)行剎車或換道操作,若差值小于閾值,則車輛尾燈的轉(zhuǎn)向信號(hào)燈不閃爍且剎車信號(hào)燈不亮,進(jìn)而判斷前車沒有進(jìn)行剎車及換道操作。

      在上述步驟s010和步驟s020中,所述yolo神經(jīng)網(wǎng)絡(luò)1和yolo神經(jīng)網(wǎng)絡(luò)2的訓(xùn)練方法包括以下步驟:首先在完整的車載攝像頭圖片上標(biāo)注出其中的車輛,組成訓(xùn)練樣本集1;然后將訓(xùn)練樣本集1中標(biāo)注的汽車分別剪切出來,并在其中標(biāo)注出尾燈,組成訓(xùn)練樣本集2;采用隨機(jī)梯度下降法訓(xùn)練所述yolo神經(jīng)網(wǎng)絡(luò)1和yolo神經(jīng)網(wǎng)絡(luò)2,并將訓(xùn)練樣本集1用于所述yolo神經(jīng)網(wǎng)絡(luò)1的訓(xùn)練,將訓(xùn)練樣本集2用于所述yolo神經(jīng)網(wǎng)絡(luò)2的訓(xùn)練,訓(xùn)練完成后得到用于測試的圖片。

      從車載攝像頭圖片上標(biāo)注出車輛以及從訓(xùn)練樣本集1中標(biāo)注尾燈的過程如下:輸入圖像被yolo神經(jīng)網(wǎng)絡(luò)劃分為s×s的網(wǎng)格,每個(gè)網(wǎng)絡(luò)預(yù)測是否有物體的中心落入其內(nèi)部,若預(yù)測結(jié)果為是,則該網(wǎng)格預(yù)測出b個(gè)檢測邊界框以及每個(gè)檢測邊界框的置信度,置信度反映預(yù)測邊界框?qū)ζ淇蜻x出物體的自信程度,置信度的計(jì)算公式為:

      pr(object)*iou(1)

      (1)式和(2)式中,pr(object)為邊界框包含目標(biāo)物體的概率,bbgt為基于訓(xùn)練標(biāo)簽的參考標(biāo)準(zhǔn)框;bbdt為檢測邊界框;area表示邊界面積;

      每個(gè)檢測邊界框包含5個(gè)參數(shù):x,y,w,h以及confidence,(x,y)代表檢測邊界框的中心相對(duì)其母網(wǎng)格的位置,(w,h)為檢測邊界框中心相對(duì)于整張圖像的位置;

      每個(gè)網(wǎng)格還預(yù)測c個(gè)類別概率,即pr(classi|object),其表示第i類物體中心落入該網(wǎng)格的概率,c為類別數(shù)量且與b無關(guān),輸出層輸出s×s(b×5+c)維的張量;

      yolo神經(jīng)網(wǎng)絡(luò)采用誤差平方和作為損失函數(shù),在輸出層s×s個(gè)網(wǎng)格中,每個(gè)網(wǎng)格輸出(b×5+c)維數(shù)據(jù),其中包含檢測邊界框坐標(biāo)位置信息b×4維,檢測邊界框置信度b×1維,類別數(shù)量c維,yolo神經(jīng)網(wǎng)絡(luò)將b×4維的定位誤差和b×1維的置信度誤差設(shè)定更大的權(quán)重λcoord=5,將不包含物體中心的網(wǎng)格的置信度誤差設(shè)定更小的權(quán)重λnoobj=0.5,c維分類誤差和包含物體中心的網(wǎng)格的置信度誤差則保持不變;

      yolo神經(jīng)網(wǎng)絡(luò)規(guī)定每個(gè)檢測邊界框只負(fù)責(zé)框選一個(gè)物體,計(jì)算當(dāng)前檢測邊界框與所有參考標(biāo)準(zhǔn)框的iou值,其中最大iou值對(duì)應(yīng)的物體即當(dāng)前檢測邊界框負(fù)責(zé)框選的物體;

      yolo神經(jīng)網(wǎng)絡(luò)的損失函數(shù)形式為:

      (3)式中,ii表示是否有物體中心落入網(wǎng)格i中,若有則ii=1,反之為0,iij表示判斷網(wǎng)格i中第j個(gè)檢測邊界框是否負(fù)責(zé)該物體,若是則為1,反之為0。

      實(shí)施本發(fā)明一種識(shí)別前方車輛尾燈及判斷其狀態(tài)的方法,具有以下有益效果:

      本發(fā)明能夠?qū)崿F(xiàn)道路中的車輛識(shí)別并判斷其是否剎車或變道,識(shí)別速率和準(zhǔn)確率較高,既適用于圖片,也適用于視頻,因而具有廣闊的應(yīng)用前景。

      附圖說明

      下面將結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明,附圖中:

      圖1是一種識(shí)別前方車輛尾燈及判斷其狀態(tài)的方法的流程示意圖;

      圖2為本發(fā)明實(shí)施例中用于訓(xùn)練yolo神經(jīng)網(wǎng)絡(luò)1的訓(xùn)練樣本集1的例圖;

      圖3為本發(fā)明實(shí)施例中用于訓(xùn)練yolo神經(jīng)網(wǎng)絡(luò)2的訓(xùn)練樣本集2的例圖;

      圖4為yolo神經(jīng)網(wǎng)絡(luò)的示意圖。

      具體實(shí)施方式

      為了對(duì)本發(fā)明的技術(shù)特征、目的和效果有更加清楚的理解,現(xiàn)對(duì)照附圖詳細(xì)說明本發(fā)明的具體實(shí)施方式。

      如圖1所示,本發(fā)明提供一種識(shí)別前方車輛尾燈及判斷其狀態(tài)的方法,包括以下步驟:

      步驟s010,將車載攝像頭視頻輸入經(jīng)過訓(xùn)練的yolo神經(jīng)網(wǎng)絡(luò)1,識(shí)別出視頻中的車輛。

      步驟s020,將yolo神經(jīng)網(wǎng)絡(luò)1識(shí)別出的車輛輸入yolo神經(jīng)網(wǎng)絡(luò)2,識(shí)別出車輛的尾燈。在步驟s010和步驟s020中,yolo神經(jīng)網(wǎng)絡(luò)1和yolo神經(jīng)網(wǎng)絡(luò)2的訓(xùn)練方法包括以下步驟:首先在完整的車載攝像頭圖片上標(biāo)注出其中的車輛,組成訓(xùn)練樣本集1;然后將訓(xùn)練樣本集1中標(biāo)注的汽車分別剪切出來,并在其中標(biāo)注出尾燈,組成訓(xùn)練樣本集2;采用隨機(jī)梯度下降法訓(xùn)練yolo神經(jīng)網(wǎng)絡(luò)1和yolo神經(jīng)網(wǎng)絡(luò)2,并將訓(xùn)練樣本集1用于yolo神經(jīng)網(wǎng)絡(luò)1的訓(xùn)練,將訓(xùn)練樣本集2用于yolo神經(jīng)網(wǎng)絡(luò)2的訓(xùn)練,訓(xùn)練完成后得到用于測試的圖片。

      步驟s030,每間隔多個(gè)幀圖片獲取一次尾燈的hsv值,計(jì)算相鄰兩次hsv值的差值是否大于閾值,若差值大于閾值,則車輛尾燈的轉(zhuǎn)向信號(hào)燈閃爍或剎車信號(hào)燈點(diǎn)亮,進(jìn)而判斷前車將進(jìn)行剎車或換道操作,若差值小于閾值,則車輛尾燈的轉(zhuǎn)向信號(hào)燈不閃爍且剎車信號(hào)燈不亮,進(jìn)而判斷前車沒有進(jìn)行剎車及換道操作。

      yolo神經(jīng)網(wǎng)絡(luò)屬于卷積神經(jīng)網(wǎng)絡(luò)cnn,由卷積層、池化層和全連接層組成。與cnn不同的是,本發(fā)明實(shí)施例中,我們用車載攝像頭圖像作為yolo神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。值得注意的是,yolo神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和樣本標(biāo)簽與cnn存在不同之處,即yolo神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本無需單獨(dú)將每類樣本從圖像中裁剪出,而可以直接將整張圖像用于訓(xùn)練。同時(shí),yolo神經(jīng)網(wǎng)絡(luò)的樣本標(biāo)簽不僅注釋樣本類別信息還注釋樣本在圖像中的位置信息。從車載攝像頭圖片上標(biāo)注出車輛以及從訓(xùn)練樣本集1中標(biāo)注尾燈的過程如下:輸入圖像被yolo神經(jīng)網(wǎng)絡(luò)劃分為s×s的網(wǎng)格,每個(gè)網(wǎng)絡(luò)預(yù)測是否有物體的中心落入其內(nèi)部。若某網(wǎng)格預(yù)測為是,則該網(wǎng)格再預(yù)測出b個(gè)檢測邊界框以及每個(gè)框的置信度。其中,置信度反映了預(yù)測邊界框?qū)ζ淇蜻x出物體的自信程度。計(jì)算公式為:

      pr(object)*iou(1)

      (1)式和(2)式中,pr(object)為邊界框包含目標(biāo)物體的概率;bbgt為基于訓(xùn)練標(biāo)簽的參考標(biāo)準(zhǔn)框;bbdt為檢測邊界框;area表示邊界面積。

      每個(gè)檢測邊界框包含5個(gè)參數(shù):x,y,w,h以及confidence。(x,y)代表檢測邊界框的中心相對(duì)其母網(wǎng)格的位置。(w,h)為檢測邊界框中心相對(duì)于整張圖像的位置。同時(shí),每個(gè)網(wǎng)格還預(yù)測c個(gè)類別概率,即pr(classi|object)。該概率表示第i類物體中心落入該網(wǎng)格的概率。c為類別數(shù)量,與b無關(guān)。最終,輸出層輸出s×s(b×5+c)維的張量。

      yolo神經(jīng)網(wǎng)絡(luò)采用誤差平方和作為損失函數(shù)。在輸出層s×s個(gè)網(wǎng)格中,每個(gè)網(wǎng)格輸出(b×5+c)維數(shù)據(jù),其中包含檢測邊界框坐標(biāo)位置信息b×4維,檢測邊界框置信度b×1維,類別數(shù)量c維。顯然,將b×4維的定位誤差、b×1維的置信度誤差和c維的分類誤差同等對(duì)待是不合理的。另外,圖像中存在很多沒有物體中心落入的網(wǎng)格,該類網(wǎng)格預(yù)測b個(gè)置信度為0檢測邊界框。通常,這類網(wǎng)格在訓(xùn)練過程中的梯度會(huì)遠(yuǎn)大于包含物體中心的網(wǎng)格的梯度,導(dǎo)致訓(xùn)練不穩(wěn)定甚至發(fā)散。針對(duì)這兩個(gè)問題,yolo神經(jīng)網(wǎng)絡(luò)將b×4維的定位誤差和b×1維的置信度誤差設(shè)定更大的權(quán)重λcoord=5,將不包含物體中心的網(wǎng)格的置信度誤差設(shè)定更小的權(quán)重λnoobj=0.5,c維分類誤差和包含物體中心的網(wǎng)格的置信度誤差則保持不變。

      關(guān)于定位誤差,檢測邊界框?qū)D像的定位誤差比對(duì)母網(wǎng)格的定位誤差更敏感。因此,yolo神經(jīng)網(wǎng)絡(luò)用代替w和h。最后,yolo神經(jīng)網(wǎng)絡(luò)規(guī)定每個(gè)檢測邊界框只負(fù)責(zé)框選一個(gè)物體。具體做法是計(jì)算當(dāng)前檢測邊界框與所有參考標(biāo)準(zhǔn)框的iou值,其中最大iou值對(duì)應(yīng)的物體即當(dāng)前檢測邊界框負(fù)責(zé)框選的物體。yolo的損失函數(shù)形式具體如下:

      (3)式中,ii表示是否有物體中心落入網(wǎng)格i中,若有則ii=1,反之為0。iij表示判斷網(wǎng)格i中第j個(gè)檢測邊界框是否負(fù)責(zé)該物體,若是則為1,反之為0。

      上面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例進(jìn)行了描述,但是本發(fā)明并不局限于上述的具體實(shí)施方式,上述的具體實(shí)施方式僅僅是示意性的,而不是限制性的,本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下,在不脫離本發(fā)明宗旨和權(quán)利要求所保護(hù)的范圍情況下,還可做出很多形式,這些均屬于本發(fā)明的保護(hù)之內(nèi)。

      當(dāng)前第1頁1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1