[发明专利]一种用于车辆外观分割的神经网络模型构建方法与系统

说明书

本申请的目的是提供一种用于车辆外观分割的神经网络模型构建方法与系统。与现有技术相比，本申请通过一种用于车辆外观分割的神经网络模型构建方法，首先获取已对车辆外观标注过的样本图像集，接着将所述样本图像输入改造后的神经网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的神经网络结合了自适应边距损失函数，最后判断所述损失值是否满足预设的阈值，如满足则完成用于车辆外观分割的神经网络模型构建。通过该方法使得车辆外观图像中类别样本较少或更难区分的类别可得到更高权重，很好解决了类别样本不均衡问题，能更准确完成车辆外观的图像分割，该方法在低显存占用情况下对车辆外观分割获得更高的准确度。

技术领域

本申请涉及计算机图像处理技术领域，尤其涉及一种用于车辆外观分割的神经网络模型构建的技术。

背景技术

车辆作为道路交通场景的主体之一，其状态、位置、外观等信息对相关道路交通问题处理是十分重要的。虽然不同品牌、类型的车辆其外观多种多样，但其基本结构和组成部分是共通的。在某些道路交通应用场景中，我们需要对图像中车辆的结构进行精确分割，比如在违章检测中，需要对车轮进行定位；在事故分析中，需要对涉及事故的车辆受损部分进行定损；在车辆年检中，需要对各部分的完整度进行评估。

图像分割的难点在于需要给图像的每个像素分配一个语义标签，既需要抽象出高层语义信息，同时需要兼顾低层图像分割的准确性。对于车辆外观图像分割，由于车辆外观不同类别所占的表面积差距十分大，样本不均衡，使得准确获得车辆外观图像分割更困难。

发明内容

为解决上述问题，本申请的目的是提供一种用于车辆外观分割的神经网络模型构建方法与系统。

根据本申请的一个方面，提供了一种用于车辆外观分割的神经网络模型构建方法，其特征在于，所述方法包括：

获取已对车辆外观标注过的样本图像集；

将所述样本图像输入改造后的神经网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的神经网络结合了自适应边距损失函数；

当所述损失值满足预设的阈值，完成用于车辆外观分割的神经网络模型构建。

优选地，所述自适应边距损失函数公式为：

其中，s为尺度系数，p代表特征被正确分类的概率，α为sigmoid激活函数，γ为为预设参数，可以平滑地控制简单和困难样本之间的边距效应的参数。

优选地，所述神经网络包括RefineNet网络。

优选地，所述改造后的RefineNet网络由1个残差模块、7个残差卷积单元、1个链式残差池化单元和5个特征卷积层组成，其中，残差模块包含5个卷积层，每个残差卷积单元包含2个卷积层，每个链式残差池化单元包含3个卷积层，共27个卷积层。

优选地，所述一种用于车辆外观分割的神经网络模型构建方法还包括：

对所述样本图像集做扩充处理，其中，扩充处理方式包括但不限于：添加随机噪声、数据归一化处理、去均值、随机镜像，以目标区域为中心，对输入图像做多尺度处理。

可选地，所述一种用于车辆外观分割的神经网络模型构建方法还包括：

将获取的待检测图像输入所述神经网络模型，获得所述待检测图像的车辆外观分割结果。

根据本申请的另一方面，还提供了一种用于车辆外观分割的神经网络模型构建系统，其特征在于，包括以下模块：

获取模块，用于获取已对车辆外观标注过的样本图像集；