目标识别方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术公开了一种目标识别方法、装置、电子设备和存储介质，所述方法包括：将目标图像分别输入至第一图像分割模型和第二图像分割模型；得到目标图像的第一类别和第二类别、第一类别对应的第一目标区域和第二类别对应的第二目标区域；在所述第一类别和所述第二类别不同或所述第一坐标区域和所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一类别和所述第二类别的差异区域作为目标差异区域；所述目标差异区域是所述目标图像的部分区域；将所述目标差异区域输入至基于统计学习理论的统计学习模型，得到目标图像的第三类别和所述第三类别在所述目标图像中的第三坐标区域。本发明专利技术提供的技术方案，能够在一定程度上提升图像识别的准确性。上提升图像识别的准确性。上提升图像识别的准确性。

【技术实现步骤摘要】
目标识别方法、装置、电子设备和存储介质


[0001]本专利技术涉及辅助驾驶
，具体涉及一种目标识别方法、装置、电子设备和存储介质。

技术介绍

[0002]随着人工智能技术（Artificial Intelligence，AI）的发展和崛起，基于人工智能算法的视觉识别技术成为了自动驾驶技术的核心。在一般情况下主要是通过摄像头对目标车辆，行人，车道线等进行识别，通过后续相应的融合决策规控等算法输出整车的控制信号，控制车辆完成高级辅助驾驶的功能。现有技术方案通常使用单一的深度学习模型网络实现对目标物的感知检测，由于深度学习主要是通过CNN卷积神经网络对信息进行特征提取和匹配，具有较大的不可解释性，容易对目标物的分类和识别造成误判。

技术实现思路

[0003]有鉴于此，本专利技术实施方式提供了一种目标识别方法、装置、电子设备和存储介质，在一定程度上能够提高图像识别的准确性。
[0004]本专利技术一方面提供了一种目标识别方法，所述方法包括：将表示车辆周围环境的目标图像输入至第一图像分割模型，得到所述目标图像的第一类别和所述第一类别在所述目标图像中的第一坐标区域；以及，将所述目标图像输入至第二图像分割模型，得到所述目标图像的第二类别和所述第二类别在所述目标图像中的第二坐标区域；所述第一图像分割模型和所述第二图像分割模型为异构模型；在所述第一类别和所述第二类别不同或所述第一坐标区域和所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一类别和所述第二类别的差异区域作为目标差异区域；所述目标差异区域是所述目标图像的部分区域；将所述目标差异区域输入至基于统计学习理论的统计学习模型，得到目标图像的第三类别和所述第三类别在所述目标图像中的第三坐标区域。
[0005]在一个实施方式中，目标识别方法还包括：在所述第一类别和所述第二类别相同且所述第一坐标区域和所述第二坐标区域的重叠度大于阈值的情况下，将所述第一类别/所述第二类别，以及第一坐标区域和所述第二坐标区域的并集作为目标图像的分类结果。
[0006]在一个实施方式中，目标识别方法还包括：若所述第三类别和所述第一类别/所述第二类别相同，且所述第三坐标区域和所述第一坐标区域/所述第二坐标区域的重叠度大于阈值的情况下，将所述第三类别和所述第三坐标区域作为目标图像的分类结果。
[0007]在一个实施方式中，所述第一图像分割模型的输出结果还包括第一类别对应的第一置信度，所述第二图像分割模型的输出结果还包括第二类别对应的第二置信度，所述统计学习模型的输出结果还包括第三类别对应的第三置信度，目标识别方法还包括：若所述第三类别和所述第一类别/所述第二类别不同和/或所述第三坐标区域和所述第一坐标区域/所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一置信度、第二置信度和第三置信度中的最大值对应的类别和坐标区域作为目标图像的分类结果。
[0008]在一个实施方式中，目标识别方法还包括：若所述第三类别和所述第一类别/所述第二类别不同和/或所述第三坐标区域和所述第一坐标区域/所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一类别、所述第二类别和所述第三类别中属于需要采取制动措施的类别及其对应的坐标区域作为目标图像的分类结果。
[0009]在一个实施方式中，所述目标图像属于车辆在行驶过程中采集的视频流数据中的一帧图像；目标识别方法还包括：若所述第三类别和所述第一类别/所述第二类别不同和/或所述第三坐标区域和所述第一坐标区域/所述第二坐标区域的重叠度小于或等于阈值的情况下，在所述视频流数据中选取与所述目标图像的采集时间间隔小于预设时间间隔的一帧或多帧图像作为参考图像；以所述目标差异区域作为掩膜数据对所述参考图像进行截取，得到目标参考区域图像；将所述目标参考区域图像输入至所述统计学习模型，得到所述目标图像的参考类别和所述第三类别在所述目标图像中的参考坐标区域；若所述目标图像的参考类别和所述第三类别相同，以及所述第三坐标区域和所述参考坐标区域的重叠度大于阈值的情况下，将所述第三类别和所述第三类别的分类结果作为目标图像的分类结果。
[0010]在一个实施方式中，在所述第一类别和所述第二类别不同或所述第一坐标区域和所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一类别和所述第二类别的差异区域作为目标差异区域包括：若所述第一类别和所述第二类别不同，将所述第一坐标区域和所述第二坐标区域并集作为目标差异区域；若所述第一类别和所述第二类别相同，且所述第一坐标区域和所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一坐标区域和所述第二坐标区域的并集和所述第一坐标区域和所述第二坐标区域的交集的差集作为目标差异区域。
[0011]本专利技术另一方面还提供了一种目标识别装置，所述目标识别装置包括：目标图像分割单元，用于将表示车辆周围环境的目标图像输入至第一图像分割模型，得到所述目标图像的第一类别和所述第一类别在所述目标图像中的第一坐标区域；以及，将所述目标图像输入至第二图像分割模型，得到所述目标图像的第二类别和所述第二类别在所述目标图像中的第二坐标区域；所述第一图像分割模型和所述第二图像分割模型为异构模型；目标差异区域提取单元，用于在所述第一类别和所述第二类别不同或所述第一坐标区域和所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一类别和所述第二类别的差异区域作为目标差异区域；所述目标差异区域是所述目标图像的部分区域；目标图像识别单元，用于将所述目标差异区域输入至基于统计学习理论的统计学习模型，得到目标图像的第三类别和所述第三类别在所述目标图像中的第三坐标区域。
[0012]本专利技术另一方面还提供了一种电子设备，所述电子设备装置包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的电容笔的配对方法。
[0013]本专利技术另一方面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用于存储计算机程序，所述计算机程序被处理器执行时，实现上述的目标识别方法。
[0014]通过构建多级异构的网络模型，通过双级深度学习异构网络提升检测的准确性，再通过深度学习比较器判断输出信息一致性，再通过后级传统机器学习网络模型对于前级输出信息差异的部分进行再次识别，使得整个网络能够极大的改善对与目标物的误检，漏检等问题，提升了系统的安全性和稳定性。
附图说明
[0015]通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1示出了本专利技术的一个实施方式中目标识别系统场景示例交互图；图2示出了本专利技术的一个实施方式中目标识别方法的模型内部架构示意图；图3示出了本专利技术一个实施方式中目标识别方法的流程示意图；图4示出了本专利技术一个实施方式中目标识别方法应用于车载系统的基本结构连接图；图5示出了本专利技术一个实施方式中目标识别装置示意图；图6示出了本专利技术一个实施方式中电子设备的结构示意图。
具体实施方式
[0016]为使本专利技术实施方式的目的、技术方案和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标识别方法，其特征在于，所述方法包括：将表示车辆周围环境的目标图像输入至第一图像分割模型，得到所述目标图像的第一类别和所述第一类别在所述目标图像中的第一坐标区域；以及，将所述目标图像输入至第二图像分割模型，得到所述目标图像的第二类别和所述第二类别在所述目标图像中的第二坐标区域；所述第一图像分割模型和所述第二图像分割模型为异构模型；在所述第一类别和所述第二类别不同或所述第一坐标区域和所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一类别和所述第二类别的差异区域作为目标差异区域；所述目标差异区域是所述目标图像的部分区域；将所述目标差异区域输入至基于统计学习理论的统计学习模型，得到目标图像的第三类别和所述第三类别在所述目标图像中的第三坐标区域。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述第一类别和所述第二类别相同且所述第一坐标区域和所述第二坐标区域的重叠度大于阈值的情况下，将所述第一类别/所述第二类别，以及第一坐标区域和所述第二坐标区域的并集作为目标图像的分类结果。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述第三类别和所述第一类别/所述第二类别相同，且所述第三坐标区域和所述第一坐标区域/所述第二坐标区域的重叠度大于阈值的情况下，将所述第三类别和所述第三坐标区域作为目标图像的分类结果。4.根据权利要求3所述的方法，其特征在于，所述第一图像分割模型的输出结果还包括第一类别对应的第一置信度，所述第二图像分割模型的输出结果还包括第二类别对应的第二置信度，所述统计学习模型的输出结果还包括第三类别对应的第三置信度，所述方法还包括：若所述第三类别和所述第一类别/所述第二类别不同和/或所述第三坐标区域和所述第一坐标区域/所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一置信度、第二置信度和第三置信度中的最大值对应的类别和坐标区域作为目标图像的分类结果。5.根据权利要求3所述的方法，其特征在于，所述方法还包括：若所述第三类别和所述第一类别/所述第二类别不同和/或所述第三坐标区域和所述第一坐标区域/所述第二坐标区域的重叠度小于或等于阈值的情况下，将所述第一类别、所述第二类别和所述第三类别中属于需要采取制动措施的类别及其对应的坐标区域作为目标图像的分类结果。6.根据权利要求1所述的方法，其特征在于，所述目标图像属于车辆在行驶过程中采集的视频流数据中的一帧图像；所述方法还包括：若所述第三类别和所述第一类别/所述第二类别不同和/或所述第三坐标区域...

【专利技术属性】
技术研发人员：李博宇，张如高，虞正华，
申请(专利权)人：苏州魔视智能科技有限公司，
类型：发明
国别省市：