[发明专利]分类器训练方法

说明书

本发明公开了一种分类器训练方法，包括以下步骤：通过计算机图形模型生成数据集，数据集包括多种场景类别的样本；按照预定比例将数据集中的样本随机分配到训练集、验证集和测试集中；使用深度神经网络训练所述训练集来得到多个初始模型；以及利用验证集对多个初始模型进行验证，得到具有最优参数的训练模型。通过本发明的分类器训练方法，可以提高分类器训练的准确性并且减少分类器训练的时间。

本申请是2017年8月8日提交的名称为“分类器训练方法”的申请号为201710670289.1的专利申请的分案申请。

技术领域

本发明涉及一种分类器训练方法，尤其涉及一种应用于ADAS(advanced driverassistance system，驾驶员辅助系统)的分类器训练方法。

背景技术

ADAS可定义为在驾驶过程中通过对车辆周边环境的感知以及对驾驶员行为的理解来判断出可能存在的危险，采用交互的方式给予驾驶员警告，从而可以减少交通事故的发生率，延长安全驾驶时间。基于图像的ADAS系统具有成本低、安装方便以及准确率高的优点。ADAS系统需要对行车过程中的交通参与物进行识别，从而判断其对当前驾驶环境的影响。通常来说，行车过程中的交通参与物可分为：静止交通参与物，如树木、栅栏、交通标识牌、红绿灯、车道线、固定障碍物等；移动交通参与物，如车辆、行人、自行车、助动车、动物、其他具有自身运动特性的物体。

ADAS系统需要对上述移动/静止交通参与物与自车的运动情况进行分析，从而达到辅助驾驶的效果，其首要目标是对上述目标的检测及识别。对于特定目标的检测及识别可采用有监督的机器学习算法解决，其主要分为训练和测试两个流程。在训练流程中需要将标注好的样本输入给机器，机器采用特定的算法并根据样本训练出最优的参数，给出分类模型；在测试过程中机器根据训练好的模型和输入的图像对目标的位置及大小进行检测。检测效果直接受训练样本的影响，特别是ADAS应用环境的复杂性以及参与物的多样性，大多时候训练样本对性能的影响甚至超过算法本身。

以车辆为例，需要识别的车辆类型众多，包括：轿车、SUV、MPV、跑车、微卡、皮卡、大巴、中巴、挂车、罐车、货车等。车辆行驶路面类型又可以分为：高速道路、城市道路、郊区道路以及自然环境等。车辆行驶环境又受各种光照及天气情况的影响。因此，收集在各种天气及自然环境下，各种路面信息的多种车辆样本具有非常大的难度，另外考虑到采集样本视角的需求，其需求的样本数量将非常庞大，通常会达到数百万甚至上亿级别数量的样本。如果采用人工标注的方式需要收集数量庞大的视频数据，并从中手工标定出目标的真实大小及位置，将会带来巨大的工作量和数据积累时间。

因此，需要能够简单快速地提供海量样本并利用这些样本训练分类器以有效可靠地应用于ADAS的方法。

发明内容

本发明的目的在于提供一种可应用于ADAS的分类器训练方法，其采用通过CG(computer graphics，计算机图形)技术生成的针对选定目标物的不同场景条件的海量样本。

根据本发明的实施例，提供了一种分类器训练方法，包括以下步骤：通过计算机图形模型生成数据集，数据集包括多种场景类别的样本；使用深度神经网络训练数据集来得到训练模型；测试训练模型来得到各个场景类别的测试结果；将测试结果中最低正确率对应的场景类别的信息反馈给计算机图形模型；计算机图形模型修改与该场景类别对应的参数，生成关于该场景类别的新样本；以及将新样本添加到数据集中。注意，在训练过程中，使用训练集中所有场景下的样本进行训练来得到训练模型，而非用各个场景下的样本进行训练来得到各个场景下的训练模型。

其中，使用深度神经网络训练数据集来得到训练模型包括：按照预定比例将数据集中的样本随机分配到训练集、验证集和测试集中；使用深度神经网络训练所述训练集来得到多个初始模型；以及利用验证集对多个初始模型进行验证，得到具有最优参数的训练模型。