[发明专利]一种基于深度学习的目标测距方法

权利要求书

1.一种基于深度学习的目标测距方法，其特征在于：包括如下：

第一步骤：基于不同距离下的目标数据库的建立；

第二步骤：目标测距模型的搭建；

第三步骤：设计目标测距模型的损失函数；

第四步骤：设计目标测距模型的训练方法；

第五步骤：测试训练好的目标测距模型。

2.根据权利要求1所述的基于深度学习的目标测距方法，其特征在于：所述第一步骤中，所述目标数据库的建立主要包括：(a)数据采集；(b)数据标定；其中数据采集的来源为指定摄像机拍摄的视频信息；数据采集对象包含8类，分别为：行人、自行车、摩托车、汽车、公交车、鸟、猫、狗；数据标定包括：被检测目标的边界框坐标信息、被检测目标的边界框类别信息、被检测目标的深度信息。

3.根据权利要求1所述的基于深度学习的目标测距方法，其特征在于：所述第一步骤中，所述目标数据库的建立步骤主要包括：(1)使用双目视觉摄像机进行视频数据采集；(2)对采集到的每段视频数据进行视频分帧处理，从而获得每帧图像及图像中物体的深度信息；(3)对获得的单帧图像利用标定工具进行人工标定，标定内容包括：被检测目标的边界框中心点坐标(x,y)、被检测目标的边界框宽度w和高度h、被检测目标的边界框类别信息c和被检测目标距离摄像机的距离信息L；(4)对标定好的数据按照一定比例将其划分为训练集、测试集。

4.根据权利要求1所述的基于深度学习的目标测距方法，其特征在于：所述第二步骤中，目标测距模型的搭建指的是基于深度学习的卷积神经网络模型的搭建,该模型总共有33层，其中前25层为特征提取层，后8层为特征信息的预测层。

5.根据权利要求1所述的基于深度学习的目标测距方法，其特征在于：所述第三步骤中，设计目标测距模型的损失函数具体如下：

其中，λ_coord表示基于坐标点的损失函数的系数；λ_confidance表示基于置信度的损失函数的系数；λ_distance表示基于距离信息的损失函数的系数；λ_probability表示基于类别信息的损失函数的系数。

6.根据权利要求1所述的基于深度学习的目标测距方法，其特征在于：所述第四步骤中，设计目标测距模型的训练方法，具体如下：(1)预训练分类网络：在ImageNet1000类数据集上预训练一个分类网络，这个分类网络是第二步骤中前14层网络；(2)训练目标测距模型：将(1)中训练好的模型进行保存，在其基础上再添加后19层网络，随机初始化权重，并在不同距离下的多目标数据库的训练集下进行模型训练；(3)在不同距离下的多目标数据库的训练集下的训练方法如下：每批训练256个样本；设定训练最大迭代次数为10万次；设定学习率为0.0001；对训练好的模型进行保存。

7.根据权利要求1所述的基于深度学习的目标测距方法，其特征在于：所述第五步骤中，测试目标测距模型的实际效果；通过训练模型使得损失函数取得最小值，从而对训练好的模型进行测试。