[发明专利]道路图像识别模型建模方法、图像识别方法及电子设备

说明书

本申请涉及图像识别技术领域，具体涉及一种道路图像识别模型建模方法、图像识别方法及电子设备，解决了现有技术中不能通过包括共享特征提取单元的卷积神经网络构建道路图像识别模型，从而不能根据道路图像识别模型对道路图像中的车道线属性、车道线位置以及物体同时进行高效识别的问题。道路图像识别模型建模方法包括：获得多个标注有标识特征信息的道路样本图像；构建包括共享特征提取单元、车道线位置检测单元、车道线属性检测单元以及物体检测单元的卷积神经网络；采用卷积神经网络对道路样本图像进行训练，得到道路图像识别模型，以利用道路图像识别模型对道路图像进行识别得到车道线属性信息、车道线位置信息以及物体信息。

技术领域

本申请涉及图像识别技术领域，具体而言，涉及一种道路图像识别模型建模方法、图像识别方法及电子设备。

背景技术

随着图像识别技术的快速发展和社会经济的快速进步，汽车已经成为大众化的交通工具，如何将最新的图像识别技术与汽车技术相结合，从而为人们的生活、工作提供方便，成为了当前的热门研究课题。

在图像识别技术与汽车技术的结合领域中，目前已经有研究者采用卷积神经网络对道路图像进行检测和分析，以实现自动驾驶中的物体检测与车道检测结合的目的。但综合来看，目前的针对道路图像的检测和分析，往往都只检测道路图像中包括的物体和车道线位置，而忽略了对道路图像中车道线属性的检测，其中，车道线属性包括：车道线的线性信息(单线或双线)、车道线的颜色信息以及车道线是否为边界线的信息。

此外，在采用卷积神经网络对道路图像进行检测和分析的过程中，现有技术包括：采用霍夫变换对分析结果进行后处理，但该方法计算复杂度较高，难以对计算并行化，设备效能利用率低，进一步地，该方法并没有采用端到端优化目标物体检测模型和车道线检测模型，其模型精度有限；采用了共享网络对道路图像进行特征提取，但没有考虑到提取出的特征中复用特征的独立性，缺乏对复用特征的梳理导致图像识别效果欠佳，且该方法所消耗的计算资源较大，不利于在移动端上部署推广。

因此，现有技术中存在不能通过包括共享特征提取单元的卷积神经网络构建道路图像识别模型，从而不能根据道路图像识别模型对道路图像中的车道线属性、车道线位置以及物体同时进行高效识别的问题。

发明内容

针对上述问题，本申请提供了一种道路图像识别模型建模方法、图像识别方法及电子设备，解决了现有技术中存在的不能通过包括共享特征提取单元的卷积神经网络构建道路图像识别模型，从而不能根据道路图像识别模型对道路图像中的车道线属性、车道线位置以及物体同时进行高效识别的问题。

第一方面，本申请提供了一种道路图像识别模型建模方法，所述方法包括：

获得多个道路样本图像，其中，所述道路样本图像中标注有标识特征信息，所述标识特征信息包括车道线位置信息、车道线属性信息以及物体信息；

构建包括共享特征提取单元、车道线位置检测单元、车道线属性检测单元以及物体检测单元的卷积神经网络；

采用所述卷积神经网络对多个所述道路样本图像进行训练，得到道路图像识别模型，以利用所述道路图像识别模型对道路图像进行识别得到该道路图像中的车道线属性信息、车道线位置信息以及物体信息。

根据本申请的实施例，优选地，在上述道路图像识别模型建模方法中，采用所述卷积神经网络对多个所述道路样本图像进行训练，得到道路图像识别模型，包括：

将多个所述道路样本图像划分为训练数据集和测试数据集；

将所述训练数据集输入至所述卷积神经网络中进行训练得到初始识别模型；

将所述测试数据集输入至所述初始识别模型中进行测试以得到道路图像识别模型。

根据本申请的实施例，优选地，在上述道路图像识别模型建模方法中，将所述训练数据集输入至所述卷积神经网络中进行训练得到初始识别模型，包括：