[发明专利]一种基于栅格卷积网络的车辆姿态检测方法

说明书

本发明公开了一种基于栅格卷积网络的车辆姿态检测方法，包括建立合作网络进行目标检测网络训练、目标检测网络参数初始化后，采集标准图像作为训练样本送入检测网络A和常规网络B得到结果A和结果B进行训练、利用栅格卷积层替换姿态估计网络后面的连接层得到栅格卷积网络和更新合作网络模型这几个步骤，本发明利用摄像头采集到的图像信息对其中拍摄到的车辆进行检测，应用栅格卷积网络的车辆姿态检测方法确定其位置和姿态信息，在保留单方向权重独立的前提下对其垂直方向的权重采取共享的方式，既能解决透视歧义的影响，又能成倍降低网络中的参数含量，使得网络更加鲁棒，真正实现自动化目标车辆姿态感知，为自动驾驶提高精确信息。

技术领域

本发明涉及计算机视觉领域，特别涉及一种基于栅格卷积网络的车辆姿态检测方法。

背景技术

车辆姿态信息在人类驾驶汽车时同样是重要的决策依据之一，人脑利用视觉信息判断前方车辆的姿态，如果其朝向不与车道线平行，可以预见其必然发生转向和侧移，更大的转角可能意味着车辆将要掉头等等，同时观察前方车辆朝向是否改变也是判断自身车辆能否安全超车的重要依据，车辆位姿信息可作为语义地图中的重要动态语义信息；在足够数量在线地图众包车辆的参与下，实时的城市车辆位姿语义信息就可以较完整地获得，这种语义信息可为交通管制部门提供宏观车辆流量预测的依据，同时也可帮助其对交通流量进行疏导，提高城市交通运行效率。目前实现自动化目标车辆姿态感知的解决方案之一是利用摄像头采集到的图像信息对其中拍摄到的车辆进行检测，确定其位置和姿态信息，不需要额外的传感器，部署成本较低，但是其中也面临挑战和不足：一方面是精确度上的不足，另一方面就是运算速度的不足。精度决定着信息的可靠程度，足够精确的位姿信息才能为驾驶决策提供可靠的依据，从而实现安全驾驶，大误差甚至错误的信息可能导致决策错误进而酿成事故；另一方面是运算速度，这是决定智能驾驶系统反应速度的因素，如果算法运行过慢，智能驾驶系统自然就无法及时察觉环境的变化，无法做出及时的反应，这对于汽车行驶这种高速应用场景是非常致命的，如果算法的时间复杂度越低，就能在不牺牲实时性的前提下将算法部署在性能更低，更便宜的硬件平台之上，如果能克服精度上和运算速度的不足，不仅可以节约硬件成本，种廉价平台的功耗往往更低，还可以更强地适应恶劣环境，比如工控机就是降低性能提高环境适应力的硬件平台案例，会使得整个智能驾驶系统更加廉价和可靠，增强其实用性和可靠性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于栅格卷积网络的车辆姿态检测方法，同时检测场景中车辆以及其行驶姿态，为自动安全驾驶提供精确的位姿信息，为驾驶决策提供可靠的依据。

本发明的目的是通过以下技术方案来实现的：

一种基于栅格卷积网络的车辆姿态检测方法，具体包括以下步骤：

S1、建立合作网络进行目标检测网络训练，所述合作网络包括检测网络A和常规网络B；

S2、目标检测网络参数初始化后，采集标准图像作为训练样本送入检测网络A和常规网络B得到结果A和结果B进行训练，检测网络A进行检测训练，常规网络B进行常规的检测和姿态估计训练，取检测网络A的检测结果作为最终结果的检测部分，取常规网络B中与A结果中位置对应的姿态估计结果作为最终结果的姿态估计部分建立姿态估计网络；

S3、利用栅格卷积层替换姿态估计网络后面的连接层得到栅格卷积网络，用于加强对于不同视角下姿态估计问题的处理能力；

S4、更新合作网络模型，使用损失函数将分类、检测、和姿态回归加权合成单个值的方式进行端到端训练。

进一步地，所述的姿态估计网络设有两层格栅卷积网络层，卷积方向为纵向，第一层卷积核为3x3，stride为3，激活函数选择ELU，第二层卷积核为1x1，stride为1，无激活函数。

进一步地，所述栅格卷积层的单张特征图由多个卷积核卷积得到，所述单张特征图上的卷积核个数计算公式为：