[发明专利]基于车辆灯语识别的智能驾驶方法、系统、装置及介质

说明书

本发明公开了基于车辆灯语识别的智能驾驶方法、系统、装置及介质，智能驾驶方法包括：获取车辆行驶环境信息；根据车辆行驶环境信息，通过注意力计算分数网络提取前方车辆尾灯图像的图像特征，确定初始特征图；根据初始特征图，结合卷积神经网络生成带有建议区域的目标特征图；根据非极大值抑制法，对目标特征图进行定位，确定定位特征图；根据逻辑回归法，对定位特征图进行分类，确定车辆灯语检测结果；根据车辆灯语检测结果以及车辆行驶环境信息，通过车辆控制系统对车辆进行控制。本发明能够提高对车辆灯语检测的准确度，可以广泛应用于自动驾驶技术领域。

技术领域

本发明涉及自动驾驶技术领域，尤其是基于车辆灯语识别的智能驾驶方法、系统、装置及介质。

背景技术

自发光物体检测是实现汽车智能驾驶的关键技术之一。在智能驾驶过程中，自发光物体检测系统可以帮助汽车准确识别其他车辆的行驶状态，并判断它们的行驶意图，然后根据检测结果快速做出决策。例如，当前方车辆减速或刹车时，位于车辆后下方的左右两个灯和车辆上方的一个灯将会同时亮起红灯，后方车辆的检测系统将检测并识别前车的红色制动警告灯，并发出减速或刹车的指令。

传统目标检测方法可以分为两类：one-stage目标检测法和two-stage目标检测法。目前常用的典型的one-stage目标检测网络有YOLOv1、YOLOv2、YOLOv3、SSD、DSSD等。One-stage目标检测法直接通过主干网络给出网络和位置信息，没有使用区域建议网络(RPN)。这样的算法速度更快，但是精度相对two-stage目标检测法略低。Two-stage目标检测网络的代表是Ross B.Girshick等人在2015年提出的Faster R-CNN算法，其主要通过一个卷积神经网络来完成目标检测过程，其提取的是CNN卷积特征，在训练网络时，其主要训练两个部分，第一步是训练RPN网络，第二步是训练目标区域检测的网络。Two-stage目标检测网络的准确度高，但是速度相对one-stage更慢。

尽管现有方法在许多实际场景中都取得了显著进展，例如普通物体检测、道路物体检测和面部检测，传统检测方法尚未克服其在自发光物体检测中的应用缺陷。自发光物体具有模糊的边界和语义多样性，传统方法在自发光物体检测中无法克服环境噪声的干扰，导致区域建议目标框不准确，从而影响到后续对目标物体的定位和分类。

综上所述，如何准确地对自发光物体进行检测实现汽车智能驾驶，是目前本领域的技术人员需要解决的技术问题。

发明内容

有鉴于此，本发明实施例提供基于车辆灯语识别的智能驾驶方法、系统、装置及介质，以实现提高车辆灯语检测的准确性，从而实现汽车智能驾驶。

一方面，本发明提供了基于车辆灯语识别的智能驾驶方法，包括：

获取车辆行驶环境信息，其中，所述车辆行驶环境信息包括前方车辆尾灯图像；

根据所述车辆行驶环境信息，通过注意力计算分数网络提取所述前方车辆尾灯图像的图像特征，确定初始特征图；

根据所述初始特征图，结合卷积神经网络生成带有建议区域的目标特征图；

根据非极大值抑制法，对所述目标特征图进行定位，确定定位特征图；

根据逻辑回归法，对所述定位特征图进行分类，确定车辆灯语检测结果；

根据所述车辆灯语检测结果以及所述车辆行驶环境信息，通过车辆控制系统对车辆进行控制。

可选地，所述根据所述车辆行驶环境信息，通过注意力计算分数网络提取所述前方车辆尾灯图像的图像特征，确定初始特征图，包括：

对所述注意力计算分数网络进行权重初始化，其中，所述注意力计算分数网络通过在残差网络中添加注意力模块集成得到；所述注意力模块包括通道注意力模块以及空间注意力模块；