[发明专利]可变车道检测模型的构建方法、电子设备及存储介质

说明书

本申请公开了一种可变车道检测模型的构建方法、电子设备及存储介质，涉及人工智能领域。具体实现方案为：从预设的深度残差神经网络模型中抽取预设比例的网络结构，生成可变车道检测模型的特征提取模块，以提取采集到的可变车道图片中的全局特征；采用至少两层全连接层生成预测模块，以基于所述全局特征预测所述可变车道图片中的可变车道框的位置信息；采用至少两层全连接层生成识别模块，以基于所述全局特征和所述预测模块预测的所述可变车道框的位置信息，识别所述可变车道框中的可变车道类别。本申请能够有效地简化可变车道检测模型的结构，进而加快可变车道检测模型对可变车道的检测速度，提高可变车道的检测效率。

技术领域

本申请涉及计算机技术领域，尤其涉及人工智能领域，具体涉及一种可变车道检测模型的构建及训练方法、装置、电子设备及存储介质。

背景技术

自动驾驶车辆是依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让计算机可以在没有任何人类主动的操作下，自动安全地操作机动车辆。

自动驾驶车辆的自动驾驶过程中，可以依赖视频摄像头、雷达传感器以及激光测距器来感知周围的交通状况，并通过一个详尽的地图对前方的道路进行导航。所以，自动驾驶车辆在行驶过程中，需要快速、准确地识别道路中的红绿灯、障碍物、还要识别各种可变车道以及限速牌等等各种交通标识，以准确、及时地做出决策。其中，现有的可变车道的识别采用红绿灯识别算法的网络架构来识别。

但是红绿灯识别算法的网络架构非常复杂，用于进行可变车道的检测时，导致可变车道的检测速度较慢，检测效率较低。

发明内容

为了解决上述技术问题，本申请提供了一种用于可变车道检测模型的构建及训练方法、装置、电子设备及存储介质。

根据第一方面，提供了一种可变车道检测模型的构建方法，包括：

从预设的深度残差神经网络模型中抽取预设比例的网络结构，生成可变车道检测模型的特征提取模块，以提取采集到的可变车道图片中的全局特征；

采用至少两层全连接层生成预测模块，以基于所述全局特征预测所述可变车道图片中的可变车道框的位置信息；

采用至少两层全连接层生成识别模块，以基于所述全局特征和所述预测模块预测的所述可变车道框的位置信息，识别所述可变车道框中的可变车道类别。

根据第二方面，提供了一种可变车道检测模型的训练方法，包括：

采集可变车道检测模型的原始训练数据集；

基于物体随机游走的方式，对所述原始训练数据集的每条原始训练数据中的训练图片中的可变车道框进行随机游走，生成扩充训练数据集；

采用所述原始训练数据集和所述扩充训练数据集，一起对所述可变车道检测模型进行训练。

根据第三方面，提供了一种可变车道检测模型的构建装置，包括：

特征提取模块的生成单元，用于从预设的深度残差神经网络模型中抽取预设比例的网络结构，生成可变车道检测模型的特征提取模块，以提取采集到的可变车道图片中的全局特征；

预测模块的生成单元，用于采用至少两层全连接层生成预测模块，以基于所述全局特征预测所述可变车道图片中的可变车道框的位置信息；

识别模块的生成单元，用于采用至少两层全连接层生成识别模块，以基于所述全局特征和所述预测模块预测的所述可变车道框的位置信息，识别所述可变车道框中的可变车道类别。

根据第四方面，提供了一种可变车道检测模型的训练装置，包括：

采集单元，用于采集可变车道检测模型的原始训练数据集；