[发明专利]用于自动驾驶的类别标记系统

说明书

一种用于自动驾驶的类别标记系统包括检测模组、分割模组和车道边界检测模组。检测模组配置为从摄像机捕获的图像中检测用于自动驾驶的对象，以产生每个对象的包围盒，并检测关于对象的属性信息。分割模组配置为确定检测模组检测的包围盒的每个像素的类别，并将至少一个类别处理为不关心。车道边界检测模组配置为使用检测模组检测的包围盒检测车道边界和道路边界中的至少一个。

技术领域

示例性实施例一般涉及用于自动驾驶的类别标记系统，更特别地，涉及一种用于自动驾驶的类别标记系统，其基于深度学习，精确识别并自动标记用于车辆自动驾驶的类别。

背景技术

在自动驾驶中，图像识别对多种对象进行识别，例如车辆、行人、交通灯、车道、人行道等，并且图像识别针对多种属性，例如每个对象的相对位置、速度和尺寸。由于对象和属性的多样性，图像识别与其他识别领域相比具有更大的难度。然而，有人预测如果有足够多样和足够存量的学习数据，自动驾驶中的图像识别领域的困难能够通过深度学习技术克服或至少降低难度。但是，由于国家之间不同的地理特性和法律特性，难以获取学习数据。举例来说，难以在国内道路上直接使用例如城市景观(cityscape)或卡尔斯鲁厄理工学院和丰田工业大学(Karlsruhe Institute of Technology and Toyota TechnologicalInstitute，KITTI)等学习数据，因为该学习数据非常不同于国内道路条件。

虽然获取数据很重要，但是用于自动驾驶的、获取识别对象范围和获取学习数据技术的策略是不明确的，或者受限于一些主流技术的发展，一些先进的公司除外。尤其是在大多数情况下，数据是通过使用人工注释工具低效地进行标记的。在这种情况下，因为要根据所需的标记方法或法律和法规的变化进行重复注释，会消耗大量的资源。

已认识到阿波罗景观(ApolloScape)数据集和伯克利深度驾驶(BerkeleyDeepDrive，BDD)数据集已通过半自动注释工具公开。半自动注释工具创新地对最广泛应用的城市景观和KITTI进行标记，但是仍然缺少识别对象，因为该半自动注释工具仅旨在检测主要对象。例如，相对于人工注释而言，该半自动注释工具将用于驾驶的必要信息(例如交通标志或车灯)排除在检测对象之外，并且在注释中持续地消耗大量的人力资源和时间资源。

于2018年9月3日公开的公开号为10-2018-0097966、名称为“用于自动驾驶的图像处理方法及其装置”的韩国专利申请中公开了一种传统的用于自动驾驶的图像处理方法。

本节披露的信息仅用于理解发明构思的背景，因此可能包含不构成现有技术的信息。

发明内容

一些方面提供一种用于自动驾驶的类别标记系统，该类别标记系统能够基于深度学习，精确识别并自动标记用于车辆自动驾驶的类别。

另一些方面将进一步在接下来的详细描述中阐述，并且其部分内容根据本公开将是明显的，或者可以通过实践发明构思而获知。

根据一些方面，一种用于自动驾驶的类别标记系统包括检测模组、分割模组和车道边界检测模组。所述检测模组配置为从摄像机捕获的图像中检测用于自动驾驶的对象，以产生每个所述对象的包围盒，并检测关于所述对象的属性信息。所述分割模组配置为确定所述检测模组检测的所述包围盒的每个像素的类别，并将至少一个所述类别处理为不关心(don’t care)。所述车道边界检测模组配置为使用所述检测模组检测的所述包围盒检测车道边界和道路边界中的至少一个。