CN119495077A 一种基于深度学习的交通复杂场景目标检测方法及系统 (辽东学院)_第1页
CN119495077A 一种基于深度学习的交通复杂场景目标检测方法及系统 (辽东学院)_第2页
CN119495077A 一种基于深度学习的交通复杂场景目标检测方法及系统 (辽东学院)_第3页
CN119495077A 一种基于深度学习的交通复杂场景目标检测方法及系统 (辽东学院)_第4页
CN119495077A 一种基于深度学习的交通复杂场景目标检测方法及系统 (辽东学院)_第5页
已阅读5页,还剩29页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于深度学习的交通复杂场景目标检本发明公开了一种基于深度学习的交通复系统利用车辆多个视角获得的图像数据进行同采集单个视角的标注数据进行学习训练带来的2获取驾驶车辆所有视角的图像化采集数据,利用时间戳信息对每组所述同步图像数据组内的子对象分别进行初始标注,该在同一所述同步图像数据组的各子对象中,对其中,边界标注处理包括关键点标注和轮廓标注,利用述利用关键点标注信息和轮廓标注信息构建特征点坐标对比表包括获取各子对象中同一类别目标的关键点坐标组和轮廓坐标组,在述基于所述特征点坐标对比表计算所述标注差异度包括计算所述特征点坐标对比表中每个坐标点的所有差异述在所述关键点坐标组和轮廓坐标组中确定典型特征点坐标包括从所述关键点坐标组和轮廓坐标组中判断至少一个特殊像素述从所述关键点坐标组和轮廓坐标组中判断至少一个特殊像素点具体包括获得目标的标注类型,所述标注类型包括遮挡标注、小目键点坐标组和轮廓坐标组的像素点作为所述特3其中,当标注类型为遮挡标注与活体物标注的复合情况时,所述标注范围其中,当标注类型为遮挡标注与异常标注的复合情况时,所述标注范围需要划定出正常识别部分和异常识别部分之后还包括第一获取单元,其用于获取驾驶车辆所有视角的图像化采集第一处理单元,其用于对每组所述同步图像数据组的子对象始标注是指针对图像内的不同目标进行边界第一计算单元,其用于在同一所述同步图像数据组的各子11.第二处理单元,其用于利用所述标准数据集并基于卷积神经网络模型进行交通场4[0006]本发明的目的在于提供一种基于深度学习的交通复杂场5围内选择至少部分所述关键点坐标组和轮廓坐标组的像素点作为所述特6第一处理单元,其用于对每组所述同步图像数据组的子对象分别进行初始标注,该初始标注是指针对图像内的不同目标进行边界本发明实施例提供的基于深度学习的交通复杂场景目标检测方法及系统通过将7[0029]我们在研究发现中,在其余的一些智能识别领域开始对采集图像数据进行预处8景还需要考虑图像的准确标注与分类,而针对传统标注方式则是对单个图像进行标注操作,没有考虑该单个图像是否能够作为后续卷积神经网络模型更合适的学习与训练对象,[0030]具体请参阅图1,本实施例提供的一种基于深度学习的交通复杂场景目标检测方[0032]在上述步骤S200进行初始标注后,能够得到同步图像数据组各子对象的标注信重叠视角的图像中能够选择出同一类别的目标将该同一类别的目标的边界标注进行差9积神经网络模型,以使得到的卷积神经网络模型能够更精准地应用于交通场景目标检测,法模型主干网络中后三个BottleneckCSP1模块替换为相应的GhostBottleneck模块,[0040]由于整个卷积神经网络模型的输入数据的准确度与匹配度影响到最终检测结果关键点标注信息和轮廓标注信息构建特征点坐标对比表包括定坐标图层组;该步骤表示将所有子对象中同一类别目标确定的典型特征点坐标进行标[0043]S340:依次将各子图层上的坐标点与基图层上对应的坐利用匹配标记结果构建所述特征点坐标对比表;其中,所述坐标点包括关键点坐标和轮廓方式则是通过记录相关的像素点或像素区域坐标来构成所述特征点坐标对比表,如上所述,该特征点坐标对比表纵项抬头表示各子对象中相应目标的所属对象情况,横项抬头表示坐标点类型情况,其余部分则填写坐标点数据(像素点或像素区域位置从而根据这种匹配标记方式构建一个能够反映各图层中对应目标所包括的坐标点情况的表格,以便于后续进行逐一比对计算。需要说明的是,各个图层中确定坐标点的方式与数量需要趋于一致工标注均需要按照标注规则进行操作具体请参阅图4,所述在所述关键点坐标组和轮廓示从已经确定的关键点坐标组和轮廓坐标组判断至少一个能够表征该目标特征或纹理的于后续模型在训练学习或检测识别时能够更好地针对该部分进行异常报警或者更精确地异常识别。注范围需要划定出正常识别部分和异常识别部分;即针对该异常目标无法进行准确标注[0061]本实施例中还提供一种基于深度学习的交通复杂场景目标检测系统500,请参阅述方法的实施例对基于深度学习的交通复杂场景目标检测系统500进行功能模块的划分。第一处理单元520,其用于对每组所述同步图像数据组的子对象分别进行初始标关键点坐标组和轮廓坐标组,在所述关键点坐标组和轮廓坐标组中确定典型特征点坐标;坐标对比表中每个坐标点的所有差异值,将所有差异值合并计算获得该坐标点的差异总[0063]在一些实施方式中,该第一计算单元530还用于从所述关键点坐标组和轮廓坐标的所述标注范围内选择至少部分所述关键点坐标组和轮廓坐标组的像素点作为所述特殊[0064]第二处理单元540,其用于利用所述标准数据集并基于卷积神经网络模型进行交于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装[0067]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论