[发明专利]一种基于目标检测的下边缘检测模型的训练方法、模型和存储介质

说明书

本发明提供一种基于目标检测的下边缘检测模型的训练方法、模型和存储介质，获取样本图像，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，先将样本图像输入基础神经网络模型得到目标检测的实例分割结果，再将目标检测的实例分割结果输入高度图神经网络模型，再由高度图转换得到目标下边缘检测结果；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损失函数，使得所述目标下边缘检测模型的损失函数最小。

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下边缘检测模型的训练方法、模型和存储介质。

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下边缘检测模型的训练方法、模型和存储介质，通过基础神经网络、高度图神经网络和下边缘神经网络分别对每一部分进行同步分段训练，节省计算耗时，提高了神经网络的训练速度，不同神经网络使用适合该分段训练的损失函数，提高了每一段神经网络的精度，高度图神经网络部分以均方误差损失函数为损失函数的修正。

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，所述初始神经网络模型中包括基础神经网络模型、高度图神经网络模型和下边缘网络模型，先将样本图像输入基础神经网络模型得到目标检测的实例分割结果，再将目标检测的实例分割结果输入高度图神经网络模型，再由高度图转换得到目标下边缘检测结果；

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损失函数，使得所述目标下边缘检测模型的损失函数最小。

进一步地，所述损失函数使用基于距离度量的回归问题损失函数。

进一步地，所述基于距离度量的回归问题损失函数使用均方误差损失函数、平均绝对值误差损失函数、平滑的平均绝对误差损失函数、Log-Cosh损失函数、分位数损失函数中的一种或几种。

进一步地，所述基于距离度量的回归问题损失函数使用均方误差损失函数：

其中为目标物体下边缘的预测值，其中yi为目标物体下边缘的标定值。

进一步地，所述目标物体下边缘的预测值形状为1*W，所述目标物体下边缘的标定值1*W。

进一步地，所述目标下边缘检测框包含以下要素：

1)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；