[发明专利]卷积神经网络的训练及使用方法、设备及存储介质

说明书

一种卷积神经网络的训练方法及使用方法、设备及存储介质。该训练方法包括：利用卷积神经网络对训练图像进行处理，以确定所述训练图像是否包含道路目标以及所述训练图像中覆盖道路目标的至少一个感兴趣区域，并预测道路目标的分类及其位置；在卷积神经网络中设置滤波器层，以对所述至少一个感兴趣区域进行滤波处理，预测道路目标的多个关键点；在卷积神经网络中设置关键点关系编码层，以计算所述多个关键点之间的位置关系；以及利用所预测的道路目标的分类及其位置与真实值之间的损失以及所计算的多个关键点之间的位置关系与真实值之间的损失，调整所述卷积神经网络的各参数，以对所述卷积神经网络进行训练。

技术领域

本公开涉及图像处理，更具体地，涉及用于道路目标检测的卷积神经网络的训练及使用方法、设备以及存储介质。

背景技术

辅助及自动驾驶技术可以显著提高交通系统的效率和出行的安全性，因此已成为汽车领域发展的一种趋势。道路目标检测及其关键点定位能够为辅助及自动驾驶提供重要的控制信息，决定了辅助及自动驾驶的准确率和安全性，因此是辅助及自动驾驶中的一项关键技术。

现有的道路目标检测及其关键点定位方法通常包括目标区域检测和关键点定位两个阶段。例如，在传统检测方法中，首先对车载相机拍摄的图像进行图像处理以识别包含道路目标的区域，并进一步对得到的区域进行图像处理以提取道路目标的关键点的位置。然而，区域检测的阶段往往受到相机、路面状况、光照等条件的影响，进而严重影响后续关键点定位的准确度。

另一方面，基于深度学习的物体检测方法目前已有较为深入的研究。基于深度学习的方法可以用于道路目标检测领域中，其在一定程度上降低了相机、路面状况、光照等条件对检测结果的影响。然而，现有的基于深度学习的物体检测方法仅仅能够识别包含道路目标的区域，但仍然需要额外的步骤来对道路目标的关键点进行定位。

因此，需要一种端到端的道路目标检测方法，其可以同时检测道路目标并定位其关键点，并且具有良好的目标检测准确度。

发明内容

根据本公开的一个方面，提供了一种用于道路目标检测的卷积神经网络的训练方法，包括：利用卷积神经网络对训练图像进行处理，以确定所述训练图像是否包含道路目标以及所述训练图像中覆盖道路目标的至少一个感兴趣区域，并预测道路目标的分类及其位置；在卷积神经网络中设置滤波器层，以对所述至少一个感兴趣区域进行滤波处理，预测道路目标的多个关键点；在卷积神经网络中设置关键点关系编码层，以计算所述多个关键点之间的位置关系；以及利用所预测的道路目标的分类及其位置与真实值之间的损失以及所计算的多个关键点之间的位置关系与真实值之间的损失，调整所述卷积神经网络的各参数，以对所述卷积神经网络进行训练。

根据本公开的另一个方面，提供了一种道路目标检测方法，包括：获取待检测图像；利用经训练的卷积神经网络对待检测图像进行处理，以确定所述待检测图像是否包含道路目标、所述待检测图像中覆盖道路目标的至少一个感兴趣区域、以及道路目标的分类及其位置；以及利用经训练的卷积神经网络的滤波器层对所述至少一个感兴趣区域进行滤波处理，以确定道路目标的多个关键点。

根据本公开的另一个方面，提供了一种用于道路目标检测的卷积神经网络的训练设备，包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行以下步骤：利用卷积神经网络对训练图像进行处理，以确定所述训练图像是否包含道路目标以及所述训练图像中覆盖道路目标的至少一个感兴趣区域，并预测道路目标的分类及其位置；在卷积神经网络中设置滤波器层，以对所述至少一个感兴趣区域进行滤波处理，预测道路目标的多个关键点；在卷积神经网络中设置关键点关系编码层，以计算所述多个关键点之间的位置关系；以及利用所预测的道路目标的分类及其位置与真实值之间的损失以及所计算的多个关键点之间的位置关系与真实值之间的损失，调整所述卷积神经网络的各参数，以对所述卷积神经网络进行训练。