[发明专利]基于特征时序相关性的自动驾驶视觉感知优化方法

说明书

本发明涉及一种基于特征时序相关性的自动驾驶视觉感知优化方法，包括深度卷积神经网络检测架构改进：添加输出目标自相关层，输出目标时序一致性评价指标，作为可选网络分支输出；目标检测训练数据库改进方法；离线训练过程改进方法包括深度卷积神经网络训练损失函数改进：添加自相关损失函数，并辅以一定权重系数加入网络总损失函数，参与主干特征部分训练。本发明在训练和推理阶段对检测算法输出结果的稳定性进行优化，有效提升视觉目标检测结果分类以及位置回归的稳定性，从而改进相关目标距离以及相对运动估算的准确性与稳定性，为自动驾驶应用提供更加准确与有效的目标感知结果，提升整体视觉感知算法性能，满足汽车自动驾驶的需求。

技术领域

本发明涉及汽车自动驾驶视觉感知技术领域，尤其涉及一种基于特征时序相关性的自动驾驶视觉感知优化方法。

背景技术

智能化是如今汽车行业发展的重要趋势之一，视觉系统在汽车主动安全领域应用越来越广。单双目前视、后视以及360度环视系统已经成为了现有高级辅助驾驶系统的主流感知器件。现有此类视觉感知系统可以提供结构化道路信息(各类型车道线等)以及特定种类的目标信息(各类交通标识、车辆、行人等)。基于上述感知输出结果衍生出相应的预警系统以及主动安全系统。现有商用车载视觉系统感知功能主要包括行人、车辆、交通标识等目标检测与识别。传统检测方法大多基于人工设计的图像特征描述，通过adaboost或SVM等分类器以滑窗搜索的方式实现。此类方法的效果取决于图像特征描述算子的设计，并且应用的鲁棒性以及可移植性较差。其局限性以及应用难点在于：比如行人、车辆、交通标识等不同类别的目标检测需要设计不同的图像特征描述算子，白天夜间的算法目标检测架构与方法需要区分调整等。

现有深度卷积神经网络技术也在经历飞速的变革。网络任务从最初的简单分类识别应用，发展到现在的检测、分割、光流以及立体视觉等各领域的应用；网络模型从复杂冗余的大型网络发展到现在的精简高效的小型网络；网络应用场景从高功耗服务器端应用发展到低功耗前端嵌入式应用。基于深度卷积神经网络的目标检测算法框架已开始应用于部分前端平台，如安防监控、智能交通、智能手机等。对于智能驾驶领域内的目标检测应用，其实时性与鲁棒性要求更高。就深度学习检测架构而言，现有方法的侧重点在于提升目标的检出率(包括提升检测架构的覆盖目标尺度范围与类别范围)而忽略检出目标时序上的一致性。现有基于视觉的深度学习目标检测算法，其检测结果时序稳定性与一致性仍存在如下缺陷：相邻帧目标框的检测结果存在不一致(即使图片光照无肉眼可见偏差)；同一目标的位置回归结果时序不稳定(由于角度、光照、位置等多种因素影响)。上述问题会导致基于视觉的目标距离以及相对运动测量波动较大，从而影响后续的相关应用算法，无法满足自动驾驶应用需求(尤其是高速工况)。而目前主流基于机器学习的检测算法训练均基于时序离散样本，未考虑时序相关性对目标分类以及回归输出一致性的影响。

发明内容

本发明为了解决上述技术问题，提供一种基于特征时序相关性的自动驾驶视觉感知优化方法，在训练和推理阶段对检测算法输出结果的稳定性进行优化，有效提升视觉目标检测结果分类以及位置回归的稳定性，从而改进相关目标距离以及相对运动估算的准确性与稳定性，为自动驾驶应用提供更加准确与有效的目标感知结果，从而提升整体视觉感知算法性能，满足汽车自动驾驶的需求。