CN119422170A 改进的用于借助于神经网络检测对象的方法 （大陆智行德国有限公司）

FR22064532022.06.22024.12.24PCT/EP2023/0666702023.06.20WO2024/002791FR2024.01.04改进的用于借助于神经网络检测对象的方法本发明涉及一种改进的用于借助于神经网流图通过分析由图像采集设备(14)在较早时刻在第一位置(P1)捕获的第一图像与由所述图像采集设备(14)在当前时刻在第二位置(P2)捕获的连续的第二图像之间的内容差异来表示对场2时刻在第一位置(P1)捕获的第一图像与由所述图像采集设备(14)在当前时刻在第二位置(P2)捕获的连续的第二图像之间的内容差异来表示对场景中的移动对象(16)的计算机化·估计该图像采集设备(14)在所述第一位置(P1)与所述第二位置(P2)之间的自我运沿与该图像采集设备(14)的主要移动相对应的纵向轴线(Zc)的该第一旋转矩阵使得可以从该第一位置(P1)移动到第一虚拟校第一校正位置(P3)到该第二校正位置(P4)的移动的这两个次要平移参数和这三个旋转参通过将该第一旋转矩阵和该第二旋转矩阵应用于该原始第一光流图(C1并且该经校正的第二光流图表示对该第一校正位置(P3)与该第二校正位置(P4)之间3.如以上权利要求中任一项所述的改进的用于借助于神经网络检测对象(16)的方法，5.一种机动车辆(10)，包括如权利要求4所述的计算机(12)以及在运动方面与该机动车辆(10)一致的至少一个图像采集设备(14)，该机动车辆(10)主要沿着纵向轴线(Zc)移3[0009]神经网络用于执行场景感知功能并且用于提供关于车辆环境中存在的各种对象[0015]光流图通过分析连续视频图像之间的内容差异来描述和表示对移动对象的计算[0018]换言之，光流图表示移动区域或移动对象在由图像采集设备在较早时刻t_1在第一位置捕获的第一图像与由该图像采集设备在当前时刻t在第二位置捕获的连续的第二图4[0029]此目的以及通过阅读以下描述将变得显而易见的其他目的利用一种改进的用于像与由所述图像采集设备在当前时刻在第二位置捕获的连续的第二图像之间的内容差异[0030]·估计该图像采集设备在所述第一位置与所述第二位置之间的自我运动的三个正的第二光流图表示对该第一校正位置与该第二校正位置之间的移动对象的计算机化跟5略了图像采集传感器的寄生运动，诸如当图像采集传感器安装在机动车辆上时的俯仰运[0035]该方法包括学习步骤，该学习步骤包括根据该方法的第三归一化步骤向神经网[0036]该方法包括检测步骤，该检测步骤包括根据该第三归一化步骤向神经网络提供[0040][图1]是配备有图像采集设备的机动车辆处于较早的第一位置和当前第二位置的由度(其对应于被称为偏航的旋转)、以及围绕轴6[0055]图3中展示的原始第一光流图C1通过分析由图像采集设备14捕获的两个连续图像之间的内容差异来表示对场景中的移动对象的计算机[0056]参考图1，使得可以获得原始第一光流图C1的图像包括由图像采集设备14在较早[0058]第一步骤包括估计图像采集设备14在第一位置P1与第二位置P2之间的自我运动[0059]这三个平移参数包括沿图像采集设备14的主要移动的纵向轴线Zc的主要平移参[0060]图像采集设备14的自我运动的估计可以通过各种方法来获得，比如缩写为SLAM阵使得可以从图像采集设备14的第一虚拟校正位置P3移动到第二虚[0062]如在图2中可以看到的，从第一校正位置P3到第二校正位置P4的移动只需要沿纵[0063]沿纵向轴线Zc的纵向平移对应于由机动车辆10和图像采集设备14形成的组件的[0066]经校正的第二光流图C2表示对图像采集设备14的第一校正位置P3与第二校正位7转化为图像采集设备14和机动车辆10围绕竖直轴线Yc[0073]如在展示了原始第一光流图C1的图3中可以看到的，多个运动向量通过分析由图像采集设备14在第一位置P1捕获的第一图像与由图像采集设备14在第二位置P2捕获的第[0076]这种补偿转化为图4的运动向量的长度的减小，即抑制了由机动车辆10的弯曲轨能够产生本发明的各种变体实施例而不会因8便