[发明专利]一种基于UCL的无人驾驶系统对象标识方法和装置

权利要求书

1.一种基于UCL的无人驾驶系统对象标识方法，其特征在于，包括如下步骤：

(1)利用深度学习目标检测模型对车载视频中的图像帧进行对象识别，从神经网络模型中提取对象特征送入卷积神经网络层进一步确定对象信息，并利用同一场景的连续帧之间的对象备选框位置接近的特性，对神经网络模型生成的备选框进行过滤，最后对输出数据进行格式化处理，以满足后续编码步骤的数据要求；

(2)设计无人驾驶系统实体对象标识规范，在统一内容标签UCL的基础上进行扩展，新增无人驾驶对象属性集合UOPS，确定UOPS头部和属性域各属性，制定UOPS扩展编码规范；使用无人驾驶系统实体对象标识规范标引步骤(1)中识别出来的无人驾驶系统对象标识的代码域、内容描述属性集合CDPS、内容管理属性集合CGPS，以及扩展的无人驾驶对象属性集合UOPS，生成UCL对象信息包；

(3)上传经步骤(2)中无人驾驶系统实体对象标识规范标引后的UCL对象信息包到无人驾驶对象知识库，所述无人驾驶对象知识库以人工设计信息与上传对象信息为基础，利用无人驾驶对象知识库中的先验信息校准初次上传的UCL对象信息包并在校准之后回传；

(4)加密校准后的UCL对象信息包并通过传输模块传输到智慧路网的接收模块。

2.如权利要求1所述的基于UCL的无人驾驶系统对象标识方法，其特征在于，所述步骤(1)包括如下子步骤：

(1-1)对视频数据进行图像数据采集；

(1-2)使用改进后的SSD目标检测框架，对数据集进行预处理后转化为目标检测模型可以训练的格式再进行训练，对图像帧中的对象进行识别，所述改进后的SSD神经网络将SSD网络中特征提取层每一层中有目标的网格所对应的所有备选框去除，仅保留目标所对应的备选框；

(1-3)每张图像帧识别出一个实体对象后将该实体对象的格式化信息存入数据库。

3.如权利要求2所述的基于UCL的无人驾驶系统对象标识方法，其特征在于，所述子步骤(1-3)包括如下过程：

i)利用改进后的SSD神经网络对车载视频进行对象识别；

ii)计算当前帧图片与上一帧图片中物体类别的重合度，若重合度小于设定的阈值则利用SSD神经网络对当前帧图片所有提案框再进行对象类别识别；

iii)在各个特征层提取出的实体对象特征池化后，拼接特征向量，再送入到卷积神经网络，进行对象特征提取，基于生成的特征向量与数据库中实体对象特征向量之间的距离确定对象信息。

4.如权利要求3所述的基于UCL的无人驾驶系统对象标识方法，其特征在于，所述步骤ii)通过如下公式计算当前帧图片与上一帧图片中物体类别的重合度：

A＝{a₁，a₂，a₃，...，a_n}为前一帧的识别的目标集合，D＝{d₁，d₂，d₃，...，d_n}为通过前一帧目标备选框生成的目标集合。