本发明专利技术公开了一种道路车辆状态识别方法，应用于无人驾驶汽车，包括：获取车辆图像；利用图像识别网络的主干网络对车辆图像进行特征提取，得到x个特征图；x个特征图的尺度依次增大；x为大于等于3的自然数；将x个特征图利用图像识别网络的FPN网络进行自顶向下，密集连接形式的特征融合，得到车辆图像的车辆状态，车辆状态包括各个车辆的位置和类别；基于车辆状态生成驾驶控制指令；其中，主干网络包括多个间隔串联的密集连接模块以及过渡模块；图像识别网络是根据车辆图像样本和对应的车辆状态进行迭代训练得到的。本发明专利技术通过对道路车辆图像进行检测，能够获取车辆状态，生成驾驶控制指令，进而实现控制无人驾驶汽车行驶状态的目的。的。的。
【技术实现步骤摘要】
一种道路车辆状态识别方法、装置、电子设备及存储介质
[0001]本专利技术属于图像检测
，具体涉及一种道路车辆状态识别方法、装置、电子设备及存储介质。
技术介绍
[0002]无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标地点的智能汽车。无人驾驶技术要依据道路上其他车辆的状态来控制当前无人驾驶汽车的行驶方向、行驶速度等，以实现良好的避让，达到安全驾驶的目的。因此，对道路车辆状态的识别就显得尤为重要。
[0003]现如今，针对各种目标的图像检测算法得到了较为快速的发展，其中YOLO(You Only Look Once)系列网络模型得到了广泛应用。
[0004]如何基于YOLO系列网络模型实现道路车辆图像的检测，从而实现道路车辆状态识别，进而控制无人驾驶汽车的行驶状态，是一个具有实际意义的研究方向。
技术实现思路
[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种道路车辆状态识别方法、装置、电子设备及存储介质。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]第一方面，本专利技术实施例提供了一种道路车辆状态识别方法，应用于无人驾驶汽车，包括：
[0007]获取车辆图像；
[0008]利用图像识别网络的主干网络对所述车辆图像进行特征提取，得到x个特征图；所述x个特征图的尺度依次增大；x为大于等于3的自然数；
[0009]将所述x个特征图利用所述图像识别网络的FPN网络进行自顶向下，密集连接形式的特征融合，得到所述车辆图像的车辆状态，所述车辆状态包括各个车辆的位置和类别；
[0010]基于所述车辆状态生成驾驶控制指令；
[0011]其中，所述主干网络包括多个间隔串联的密集连接模块以及过渡模块；所述图像识别网络是根据车辆图像样本和对应的车辆状态进行迭代训练得到的。
[0012]可选的，所述密集连接模块包括串联的卷积网络模块以及密集连接单元组，且所述密集连接模块的数量至少为三个，所述密集连接单元组包括多个密集连接单元。
[0013]可选的，所述卷积网络模块包括依次连接的卷积层、BN层以及Leaky relu层；所述密集连接单元包括多个密集连接的所述卷积网络模块，并采用级联方式融合多个所述卷积网络模块输出的所述x个特征图。
[0014]可选的，所述过渡模块包括依次连接的多个所述卷积网络模块以及最大池化层，且所述卷积网络模块的输出与所述最大池化层的输出通过级联连接。
[0015]可选的，所述FPN网络包括与所述x个特征图的尺度对应的x个预测支路Y1～Y
x
。
[0016]可选的，所述将所述x个特征图利用所述图像识别网络的FPN网络进行自顶向下，
密集连接形式的特征融合，包括：
[0017]针对预测支路Y
i
，从所述x个特征图中，获取对应尺度的特征图并进行卷积处理，将卷积处理后的所述特征图，与预测支路Y
i-1
～Y1分别经上采样处理后的所述特征图进行级联融合；其中，预测支路Y
i-j
的上采样倍数为2
j
；i＝2、3，
…
，x；j为小于i的自然数。
[0018]可选的，所述驾驶控制指令包括车辆行驶的路线信息以及车辆行驶的速度值。
[0019]第二方面，本专利技术实施例还提供了一种道路车辆状态识别装置，包括：
[0020]图像采集模块，用于获取车辆图像；
[0021]图像检测模块，用于利用图像识别网络的主干网络对所述车辆图像进行特征提取，得到x个特征图；所述x个特征图的尺度依次增大；x为大于等于3的自然数；
[0022]图像识别模块，用于将所述x个特征图利用所述图像识别网络的FPN网络进行自顶向下，密集连接形式的特征融合，得到所述车辆图像的车辆状态，所述车辆状态包括各个车辆的位置和类别；
[0023]车辆控制模块，用于基于所述车辆状态生成驾驶控制指令；
[0024]其中，所述主干网络包括多个间隔串联的密集连接模块以及过渡模块；所述图像识别网络是根据车辆图像样本和对应的车辆状态进行迭代训练得到的。
[0025]第三方面，本专利技术实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0026]存储器，用于存放计算机程序；
[0027]处理器，用于执行存储器上所存放的程序时，实现上述的方法步骤。
[0028]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法步骤。
[0029]本专利技术实施例提供的道路车辆状态识别方法，将现有技术YOLOv3网络的主干网络中的残差模块更换为密集连接模块。在对特征提取时，利用密集连接模块将原有的并行特征融合方式改为串行，将早期得到的特征图作为后面每一层特征图的输入，能够获得更多信息量的特征图，强化了特征传递，提高检测精度；对提取的特征图采用进行自顶向下，密集连接形式的特征融合，即对深层特征进行不同倍数的上采样，并与浅层特征串联融合，能够得到更多的原始信息，同时在浅层网络中也有高维语义信息的参与，同样有助于提高检测精度，通过直接接收更浅层网络的特征，可以得到更加具体的特征，有效减少特征损失，可以通过减少运算的参数量，加速预测。在此基础上，通过对车辆图像进行检测，能够获取车辆状态，生成驾驶控制指令，进而控制无人驾驶汽车的行驶状态。
[0030]当然，实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
[0031]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0032]图1是本专利技术实施例提供的一种道路车辆状态识别方法的流程示意图；
[0033]图2是现有技术中的YOLOv3网络的结构示意图；
[0034]图3是本专利技术实施例提供的图像识别网络的结构示意图；
[0035]图4是本专利技术实施例提供的过渡模块的结构示意图；
[0036]图5是本专利技术实施例提供的一种道路车辆状态识别装置的结构示意图；
[0037]图6是本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0038]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0039]为了基于YOLO系列网络模型实现道路车辆图像的检测，从而实现道路车辆状态识别，进而控制无人驾驶汽车的行驶状态，本专利技术实施例提供了一种道路车辆状态识别方法、装置、电子设备及存储介质。
[0040]需要说明的是，本专利技术实施例提供的一种道路车辆状态识别方法的执行主体可以为一种道路车辆状态识别装置，该道路车辆状态识别装置可以运行于电子设备中。其中，该电子设备可以为一图像采集工具或图像处理工具中的插件，或者独立于图像采集工具或图本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种道路车辆状态识别方法，其特征在于，应用于无人驾驶汽车，包括：获取车辆图像；利用图像识别网络的主干网络对所述车辆图像进行特征提取，得到x个特征图；所述x个特征图的尺度依次增大；x为大于等于3的自然数；将所述x个特征图利用所述图像识别网络的FPN网络进行自顶向下，密集连接形式的特征融合，得到所述车辆图像的车辆状态，所述车辆状态包括各个车辆的位置和类别；基于所述车辆状态生成驾驶控制指令；其中，所述主干网络包括多个间隔串联的密集连接模块以及过渡模块；所述图像识别网络是根据车辆图像样本和对应的车辆状态进行迭代训练得到的。2.根据权利要求1所述的道路车辆状态识别方法，其特征在于，所述密集连接模块包括串联的卷积网络模块以及密集连接单元组，且所述密集连接模块的数量至少为三个，所述密集连接单元组包括多个密集连接单元。3.根据权利要求2所述的道路车辆状态识别方法，其特征在于，所述卷积网络模块包括依次连接的卷积层、BN层以及Leaky relu层；所述密集连接单元包括多个密集连接的所述卷积网络模块，并采用级联方式融合多个所述卷积网络模块输出的所述x个特征图。4.根据权利要求3所述的道路车辆状态识别方法，其特征在于，所述过渡模块包括依次连接的多个所述卷积网络模块以及最大池化层，且所述卷积网络模块的输出与所述最大池化层的输出通过级联连接。5.根据权利要求1所述的道路车辆状态识别方法，其特征在于，所述FPN网络包括与所述x个特征图的尺度对应的x个预测支路Y1～Y
x
。6.根据权利要求5所述的道路车辆状态识别方法，其特征在于，所述将所述x个特征图利用所述图像识别网络的FPN网络进行自顶向下，密集连接形式的特征融合，包括：针对预测支路Y
...
【专利技术属性】
技术研发人员：刘建虢，尹晓雪，
申请(专利权)人：西安科锐盛创新科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。