[发明专利]一种鸟瞰特征的学习方法和装置

说明书

本发明实施例涉及一种鸟瞰特征的学习方法和装置，所述方法包括：步骤1获取训练集；步骤2提取第一图像、点云；步骤3构建栅格空间；步骤4进行鸟瞰特征图转换；根据栅格空间和第一特征图构建第一占据栅格图；根据栅格空间和第一点云构建第二占据栅格图；步骤5以第二占据栅格图为真值、第一占据栅格图为预测，以二值交叉熵损失函数计算第一损失值；步骤6第一损失值满足合理损失值范围则对学习计数器加1，不满足则清零；步骤7学习计数器等于0则对模型参数进行反向调制并转至步骤2，大于0但小于计数器阈值则转至步骤2，大于或等于计数器阈值则转至8；步骤8将鸟瞰特征提取模型标记为成熟模型。通过本发明可改善模型的鸟瞰特征转换准确度。

技术领域

本发明涉及数据处理技术领域，特别涉及一种鸟瞰特征的学习方法和装置。

背景技术

无人驾驶系统的感知模块若能以鸟瞰(Bird’s Eye View,BEV)图作为参考进行多目标跟踪，可以简化跟踪步骤、提高跟踪效率。但感知模块从相机获取的实景图像是不带深度信息的，需要另行开发定制模型按透视原理对实景图像进行鸟瞰特征图转换，再以鸟瞰特征图为参考进行多目标跟踪。在这个过程中，若定制模型的鸟瞰特征转换准确度不能得到保证则最终的多目标跟踪结果也无法得到有效保障，因此需要为该定制模型设计一个对应的鸟瞰特征学习方法来对其特征转换准确度进行监督。

发明内容

本发明的目的，就是针对现有技术的缺陷，提供一种鸟瞰特征的学习方法、装置、电子设备及计算机可读存储介质，通过本发明，可帮助定制模型对鸟瞰特征进行有效学习，还可改善模型的鸟瞰特征转换准确度。

为实现上述目的，本发明实施例第一方面提供了一种鸟瞰特征的学习方法，所述方法包括：

步骤1，获取训练集；所述训练集由多组训练数据对构成；每组所述训练数据对由一对经过配准的实景图像和激光雷达点云构成；

步骤2，从所述训练集中提取所述训练数据对作为对应的第一训练数据对；并从所述第一训练数据对中，提取所述实景图像作为对应的第一图像，提取所述激光雷达点云作为对应的第一点云；

步骤3，构建三维的栅格空间；

步骤4，使用鸟瞰特征提取模型对所述第一图像进行鸟瞰特征图转换生成对应的第一特征图；并根据所述栅格空间和所述第一特征图构建对应的鸟瞰平面占据栅格图并记为第一占据栅格图；并根据所述栅格空间和所述第一点云构建对应的鸟瞰平面占据栅格图并记为第二占据栅格图；

步骤5，以所述第二占据栅格图为真值对象，以所述第一占据栅格图为预测对象，并以二值交叉熵损失函数为损失函数对所述预测对象与所述真值对象的损失值进行计算得到对应的第一损失值；

步骤6，判断所述第一损失值是否满足预设的合理损失值范围，若满足则对预设的学习计数器进行加1，若不满足则对所述学习计数器清零；

步骤7，若所述学习计数器等于0则对所述鸟瞰特征提取模型的模型参数进行反向调制并在调制完成后转至步骤2继续学习；若所述学习计数器大于0但小于预设的计数器阈值则转至步骤2继续学习；若所述学习计数器大于或等于所述计数器阈值则转至步骤8；

步骤8，将所述鸟瞰特征提取模型标记为成熟模型。

优选的，所述构建三维的栅格空间，具体包括：

以自车坐标系作为参考构建栅格空间三维坐标系，具体以预设的自车左间距l₁作为左平移距离、以预设的自车后间距l₂作为后平移距离对自车坐标系的原点坐标进行对应的向左、向后平移从而得到所述栅格空间三维坐标系；