[发明专利]一种基于目标检测的边缘检测模型、方法和存储介质

说明书

本发明提供一种基于目标检测的边缘检测模型、方法和存储介质，通过目标检测模块获得输入图像特定目标类别的实例分割结果，通过反复地在特征图上以多条分支进行卷积操作，再将多分支卷积操作结果合并，最终进行全连接展开输出底边高度图；以底边高度图中各个像素点的特征信息与原特征图中该列像素点特征信息比对，获得底边高度图单列像素点与原特征图该列像素点的对应关系，获得底边高度图中各个像素点在原特征图中的对应位置关系，以该对应位置关系获得目标检测框中实例的下边缘轮廓，并以目标检测下边缘轮廓与摄像头标定参数通过矩阵转换获得相对位置关系。

技术领域

本发明涉及汽车电子技术领域，特别是涉及一种基于目标检测的边缘检测模型、方法和存储介质。

背景技术

图像是人们从客观世界获取信息的重要来源，图像信息最主要来自其边缘和轮廓。所谓边缘是指其周围像素灰度急剧变化的那些象素的集合，它存在于目标、背景和区域之间。图像边缘检测是图像处理中的一个重要内容和步骤。

近年来，随着人们对自动驾驶的需求增加，自主泊车系统已成为一个深入研究的课题，但在泊车过程中，获取到当前行驶区域内的车辆、行人、障碍物等目标的下底边，然后计算无人驾驶车辆与其他目标的下底边距离，对于车辆的行驶轨迹预测与车身控制起到重要的作用。

传统的边缘检测算法如微分算子法、最优算子法等算法是利用梯度最大值或二阶导数过零点值来获取图像边缘的。这些算法尽管实时性较好，但抗干扰性差，不能有效克服噪声影响导致图像降噪后边缘变得模糊，无法在多尺度下对图像边缘进行提取导致定位方面欠佳。

发明内容

为了解决上述的以及其他潜在的技术问题，本发明提供了一种种基于目标检测的边缘检测模型、方法和存储介质，通过目标检测模块获得输入图像特定目标类别的实例分割结果，通过反复地在特征图上以多条分支进行卷积操作，再将多分支卷积操作结果合并，最终进行全连接展开输出底边高度图；以底边高度图中各个像素点的特征信息与原特征图中该列像素点特征信息比对，获得底边高度图单列像素点与原特征图该列像素点的对应关系，获得底边高度图中各个像素点在原特征图中的对应位置关系，以该对应位置关系获得目标检测框中实例的下边缘轮廓，并以目标检测下边缘轮廓与摄像头标定参数通过矩阵转换获得相对位置关系。

一种目标检测的下边缘检测模型的训练方法，包括以下步骤：

获取样本图像，所述样本图像标注有实例分割结果，所述实例分割结果中包括目标检测框；

将所述样本图像输入预先建立的初始神经网络模型；

利用所述样本图像训练所述初始神经网络模型，先得到目标检测特征的底边高度图，再由高度图转换得到目标下边缘检测模型；

将执行过程中目标下边缘检测模型输出的结果与各个所述目标下边缘检测标注线比较；获得比较结果；

根据所述比较结果调整所述目标下边缘检测模型中的参数，使得所述目标下边缘检测模型的损失函数最小。

进一步地，所述目标下边缘检测框包含以下要素：

A.分割捕获图像中不同语义的部分，获得目标检测框中所属语义分割的类别要素；

B.语义分割后特定类别的实例分割结果；

C.各个实例分割结果中目标下边缘轮廓线；

D.各个实例分割结果下边缘轮廓线中与地面接触的接触点。

一种目标检测的下边缘检测方法，包括如下步骤：

S01：输入图像，通过目标检测模块获得输入图像特定目标类别的实例分割结果，所述实例分割结果中包括目标检测框和目标检测框的特征图；