【技术实现步骤摘要】
本专利技术涉及智能驾驶，尤其涉及一种车辆像素高度比检测方法和装置及计算机设备。
技术介绍
1、在辅助驾驶中一个重要的功能是前向碰撞预警提示(fcw)，fcw的碰撞时间(ttc)为两车车距除以两车的相对车速，其中测量两车距离和速度的平滑、稳定与准确性至关重要。基于单目视觉的测距算法有多种测距方案可供选择和组合，包括投影测距和宽度测距等。基于单目视觉的测速方法主要可以分为两大类：
2、第一类是通过帧差法来预测速度，其本质是采用距离的差分值产生速度的预测值，领域内通用做法是采用卡尔曼滤波(kf)来平滑测距并输出速度，卡尔曼滤波是一种优化方法负责对噪声序列进行降噪，能够有效地处理测量噪声和不确定性，从而提供稳定且准确的车辆速度和距离数据，但是由于每一帧输入是含有噪声的测距观测，并且速度没有初始观测值，因此速度的预测也极为不稳定。其中速度的观测值如下公式所示：
3、
4、
5、根据小孔成像公式，距离(x)除以目标实际高度(h)等于相机焦距(fx)除以目标图像上的高度(h)，距离的变化除以时间的变化即为速度，x1和x0是指自车与目标车间通过测距算法获取的距离结果(以米为单位)，fr帧率为视频采样频率(一般为15帧，30帧或60帧)，相邻帧车辆像素高度比例(rh)是指在图像中后一帧目标检测框的高度除以前一帧目标检测框的高度，由于车辆为刚体不会随着运动而外部受到变化，因此理想情况下车辆像素高度比例为1也就是无变化。
6、第二类是通过光流法来估计车辆运动速度。光流表示相邻两帧之间像素位移
7、如何能结合上述两类算法的优点，构建一种获取更平滑、更稳定及更真实的速度的方法对fcw的碰撞时间估算显得尤为关键。
8、但是上述两类算法存在以下技术缺陷：
9、1.卡尔曼滤波算法可用来平滑目标测距并生成测速数据，每一帧输入为含有噪声的测距观测，其存在两个弊端：一个是距离波动较大时，速度也随之剧烈波动；一个是序列初始阶段，缺少速度的初始观测值，速度很难迅速收敛到真值附近，这对需要即时响应的场景很不友好。
10、2.检测模型的目标定位准确性直接影响了相邻两帧之间的车辆像素高度比例(rh)值。如果在测速中直接获取检测模型的原始坐标输出，由于其与真值的偏差和方差较大，从而会引入较大的噪声。一方面，在此噪声的基础上即使增加滤波算法也无法反应真实的高度比例变化情况；另一方面，扩增检测模型的参数量和模型复杂度来提升定位的性能，虽然能降低噪声但带来更高的推理耗时和算力需求，影响落地部署。
11、3.基于lk或改进的光流估计算法，在辅助驾驶中存在以下问题导致效果差：实际场景下目标的亮度存在变化导致不满足亮度恒定的假设，车辆存在航向角、翻滚角等的变化导致不满足空间一致性，当车辆距离100米以上目标像素高度一般低于40像素，过小的目标导致光流估计偏差；
12、4.基于flownet或改进的卷积神经网络的光流估计算法，仍然存在部署落地和效果差的问题。由于光流输出为原输入大小，现有的基于卷积网络的光流估计模型耗时较大且对算力需求较高；光流真值生成阶段需要图像每个像素的光流值，人工标注光流值几乎不可能，如何获取真值也是现有算法中存在改进的地方；另一个重要的问题由于背景的影响，车辆光流值的估计准确度下降。
13、上述缺陷都将会导致对前向碰撞预警提示的碰撞时间估计的准确度较低的问题，目前，针对相关技术中对前向碰撞预警提示的碰撞时间估计的准确度较低的问题，尚未提出有效的解决方案。
技术实现思路
1、本申请的目的是针对现有技术中的不足，提供一种车辆像素高度比检测方法、装置、计算机设备和计算机可读存储介质，以至少解决相关技术中对前向碰撞预警提示的碰撞时间估计的准确度较低的问题。
2、为实现上述目的，本申请采取的技术方案是：
3、第一方面，本申请实施例提供了一种车辆像素高度比检测方法，包括：
4、从前视摄像头采集的视频流中提取连续两帧图像，并分别检测所述连续两帧图像中车辆的外接矩形框；
5、判断所述连续两帧图像中车辆的外接矩形框之间的交叠比是否大于目标阈值；
6、若所述连续两帧图像中车辆的外接矩形框之间的交叠比大于所述目标阈值，则将所述连续两帧图像中车辆的外接矩形框进行拼接处理，得到目标图像数据；
7、将所述目标图像数据输入至训练好的光流卷积网络模块，输出所述连续两帧图像的光流数据；
8、根据所述连续两帧图像的光流数据计算车辆像素高度比的修正系数；
9、利用所述修正系数确定所述连续两帧图像中的车辆像素高度比。
10、在其中一些实施例中，若所述连续两帧图像中后一帧图像中存在多个车辆的外接矩形框与前一帧图像中车辆的外接矩形框之间的交叠比均大于所述目标阈值，则所述方法还包括：
11、将所述后一帧图像中与所述前一帧图像中车辆的外接矩形框之间的交叠比最大的车辆的外接矩形框确定为目标矩形框；
12、将所述前一帧图像中车辆的外接矩形框与所述目标矩形框进行拼接处理，得到所述目标图像数据。
13、在其中一些实施例中，所述根据所述连续两帧图像的光流数据计算车辆像素高度比的修正系数，包括：
14、按照以下公式计算所述修正系数k：
15、
16、其中，p0(x0,y0)、p1(x1,y1)分别为所述连续两帧图像中的其中一对关联点，n为所述图像的像素大小，mij为车辆前景分割掩码二值图中的像素值，其中，所述连续两帧图像的光流数据包括所述车辆前景分割掩码二值图。
17、在其中一些实施例中，所述利用所述修正系数确定所述连续两帧图像中的车辆像素高度比，包括：
18、按照以下公式计算所述连续两帧图像中的车辆像素高度比rh_fix：
19、
20、其中，phbbox0为所述连续两帧图像中前一帧图像中车辆的外接矩形框的高度，phbbox1为后一帧图像中车辆的外接矩形框的高度。
21、在其中一些实施例中，所述方法还包括：
22、获取光流网络深度学习模型训练所需的数据源，其中，所述数据源为连续两帧图像中车辆的外接矩形框的参数；
23、生成所述连续两帧图像中车辆的掩码信息，其中，所述数据源和所述掩码信息组成所述光流网络深度学习模型的训练数据集；<本文档来自技高网...
【技术保护点】
1.一种车辆像素高度比检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，若所述连续两帧图像中后一帧图像中存在多个车辆的外接矩形框与前一帧图像中车辆的外接矩形框之间的交叠比均大于所述目标阈值，则所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述连续两帧图像的光流数据计算车辆像素高度比的修正系数，包括：
4.根据权利要求3所述的方法，其特征在于，所述利用所述修正系数确定所述连续两帧图像中的车辆像素高度比，包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述损失函数Loss表示为：
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
8.一种车辆像素高度比检测装置，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种车辆像素高度比检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，若所述连续两帧图像中后一帧图像中存在多个车辆的外接矩形框与前一帧图像中车辆的外接矩形框之间的交叠比均大于所述目标阈值，则所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述连续两帧图像的光流数据计算车辆像素高度比的修正系数，包括：
4.根据权利要求3所述的方法，其特征在于，所述利用所述修正系数确定所述连续两帧图像中的车辆像素高度比，包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：...
【专利技术属性】
技术研发人员：李亚伟，郑冬，刘孟白，
申请(专利权)人：清智汽车科技苏州有限公司，
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。