基于机器学习的ADAS系统的测评方法与流程

本发明涉及一种测评方法，尤其涉及一种基于机器学习的ADAS系统的测评方法。

背景技术：

ADAS系统是高级驾驶辅助系统的英文简称，即Advanced Driver Assistant System的简称，该系统利用安装在车上的传感器在行驶过程中收集车辆的环境图像，然后进行静态、动态识别，然后通过计算分析，预先让驾驶者觉察到可能发的危险，提高车辆驾驶的安全性和舒适性。

在ADAS系统在使用时需要进行测评，现有技术中，对于ADAS系统的测评通过如下方法实现：首先通过人为设定测评参数，然后通过ADAS系统获取的待测图像，提取出待测图像的特征参数与设定的测评参数进行比对得出ADAS系统的相应性能指标，这种方式存在如下缺陷：由于设定的参数指标是人为设定的一个标准，一旦设定基本上都按照这个设定参数进行测评，但是车辆在行驶过程中的环境因素在改变，影响ADAS系统的性能也随之改变，因此，将造成最终的ADAS系统的测评结果不准确，影响最终的使用；而且现有技术的方法仅仅在处理数据较小时具有较为有参考性的测评结果，当在海量数据、数据参数变化快以及复杂多样性的条件，现有技术的方法显然不能够满足测评要求。

因此，需要提出一种新的ADAS系统的测评方法，能够在动态因素下进行ADAS系统的测评，有效提高测评结果的准确性，而且适应性强，能够在海量数据、参数变化快以及参数复杂多样性的清下进行准确的测评。

技术实现要素：

有鉴于此，本发明的目的是提供一种基于机器学习的ADAS系统的测评方法，能够在动态因素下进行ADAS系统的测评，有效提高测评结果的准确性，而且适应性强，能够在海量数据、多参数、时变情况下进行准确的测评。

本发明提供的一种基于机器学习的ADAS系统的测评方法，包括：

获取图像样本，构建ADAS测试指标的标准空间，其中标准空间包括标准模糊空间、标准光照空间以及标准遮挡空间；

对标准空间的图像样本在离线状态下进行机器学习得到ADAS系统的测评标准；

获取待测图像，按照得出的测评标准对ADAS系统进行测评。

进一步，所述标准模糊空间包括：

高斯模糊子空间，该子空间通过对清晰的图像样本进行高斯平滑处理获得，包括图像样本中不同高斯模糊程度的图像；

光照模糊子空间，该子空间通过对清晰的图像样本进行直方图调整处理获得，包括图像样本中不同光照模糊程度的图像；

以及运动模糊子空间，该子空间通过对清晰图像进行运动滤波处理获得，包括图像样本中不同运动模糊程度的图像。

进一步，高斯模糊子空间包括车道线高斯模糊图像、车辆高斯模糊图像以及行人高斯模糊图像。

进一步，所述标准光照空间包括全局曝光图像、全局阴影图像、局部曝光图像以及局部阴影图像。

进一步，所述标准遮挡空间包括车道线被积水遮挡图像、车道线被车辆遮挡图像、车道线被行人遮挡图像以及车道线被障碍物遮挡图像。

进一步，在离线状态进行机器学习得到ADAS系统的测评标准包括：

对标准空间的图像样本进行特征提取后得到特征矩阵，在特征矩阵中：对每个目标特征标签为1，对每个非目标特征标签为0；

计算特征矩阵中每一列的错误率，得到错误率最小的特征列并设为最优特征列，然后根据错误率重新设定图像样本的训练权重：对正确分类的图像样本降低训练权重，而对于错误分类的图像样本的训练权重升高；

将进行训练权重重新排列的图像样本发送到下层分类器进行训练，重复上述步骤，把每一层的弱分类器按照设定的权重叠加起来形成强分类器，该强分类器即为ADAS系统的测评标准。

进一步，按照得出的测评标准对ADAS系统进行测评包括：准确率评价、稳定性评价以及实时性评价。

进一步，所述准确率评价包括漏警率和误警率，并对漏警的图像帧数和误警的图像帧数进行记录。

进一步，所述稳定性评价包括阴影、遮挡、路口、光照突变以及相机抖动，记录相应的图像帧数的同时计算正确数累计值以及该正确数累计值占影响因素总帧数的百分比。

进一步，所述实时性评价包括单帧图像处理时间、平均处理时间以及最快处理时间。

本发明的有益效果：本发明的基于机器学习的ADAS系统的测评方法，能够在动态因素下进行ADAS系统的测评，有效提高测评结果的准确性，而且适应性强，能够在海量数据、参数时变以及参数复杂多样性的情况下进行准确的测评。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程图。

图2为本发明的离线机器学习的示例图。

具体实施方式

以下结合说明书附图对本发明的作出进一步的阐述，如图所示，本发明提供的一种基于机器学习的ADAS系统的测评方法，包括：

获取图像样本，构建ADAS测试指标的标准空间，其中标准空间包括标准模糊空间、标准光照空间以及标准遮挡空间；

对标准空间的图像样本在离线状态下进行机器学习得到ADAS系统的测评标准；

获取待测图像，按照得出的测评标准对ADAS系统进行测评；上述中的图像样本通过ADAS系统获得，在机器学习过程中，可以将图像样本分为正样本和负样本，其中，正样本是指包含有待测目标的图像，而负样本是指不包含待测目标的图像，通过上述方法，能够在动态因素下进行ADAS系统的测评，有效提高测评结果的准确性，而且适应性强，能够在海量数据、参数变化快以及参数复杂多样性的清下进行准确的测评。

本实施例中，所述标准模糊空间包括：

高斯模糊子空间，该子空间通过对清晰的图像样本进行高斯平滑处理获得，包括图像样本中不同高斯模糊程度的图像；其中，高斯模糊子空间包括车道线高斯模糊图像、车辆高斯模糊图像以及行人高斯模糊图像；光照模糊子空间，该子空间通过对清晰的图像样本进行直方图调整处理获得，包括图像样本中不同光照模糊程度的图像；以及运动模糊子空间，该子空间通过对清晰图像进行运动滤波处理获得，包括图像样本中不同运动模糊程度的图像，上述中的模糊图像的模糊度是逐渐变化的，能够有效逼近不同模糊程度的真是图像，从而实现车道线以及车辆识别的测评。

本实施例中，所述标准光照空间包括全局曝光图像、全局阴影图像、局部曝光图像以及局部阴影图像；通过标准光爆空间的学习得到光照突变图像的测评标准，从而实现车道线和车辆的识别测评。

本实施例中，所述标准遮挡空间包括车道线被积水遮挡图像、车道线被车辆遮挡图像、车道线被行人遮挡图像以及车道线被障碍物遮挡图像，通过对标准遮挡空间的机器学习得到对车道线与车辆被遮挡图像的测评标准，实现对有障碍物遮挡时车道线与车辆识别的测评。

本实施例中，在离线状态进行机器学习得到ADAS系统的测评标准包括：

对标准空间的图像样本进行特征提取后得到特征矩阵，在特征矩阵中：对每个目标特征标签为1，对每个非目标特征标签为0；

计算特征矩阵中每一列的错误率，得到错误率最小的特征列并设为最优特征列，然后根据错误率重新设定图像样本的训练权重：对正确分类的图像样本降低训练权重，而对于错误分类的图像样本的训练权重升高；

通过上述方法，每次训练后都能得到相应的错误率，从而判断图像样本哪些样本分类正确，哪些样本分类错误，然后根据错误率重新设定权重，下次训练时对分类正确的图像样本的训练权重下降，分类错误的图像样本的训练权重上升；其中，错误率与权重具有如下对应关系：α_t是权重，ε_t是错误率，根据上述对应关系调整训练权重。

将进行训练权重重新排列的图像样本发送到下层分类器进行训练，重复上述步骤，把每一层的弱分类器按照设定的权重叠加起来形成强分类器，该强分类器即为ADAS系统的测评标准。

以下以具体实例进行说明，以运动模糊子空间为例，如图2所示：

在测评中，对运动模糊子空间的运动模糊图像进行特征提取，此时，目标特征及运动模糊图像的模糊特征，得到模糊特征矩阵，然后将模糊特征矩阵中的每个模糊特征标签为1，而非模糊特征标签为0，计算模糊特征矩阵的每一列的错误率，得到错误率最小的特征列并设为最优特征列，然后根据错误率重新设定图像样本的训练权重：对正确分类的图像样本降低训练权重，而对于错误分类的图像样本的训练权重升高，从而更新模糊样本图像的权重分布，将修改后训练权重值的模糊样本图像发送到下层分类器进行训练，把每一层的弱分类器按照设定的权重叠加起来形成强分类器，该强分类器即为ADAS系统的测评标准。

本实施例中，按照得出的测评标准对ADAS系统进行测评包括：准确率评价、稳定性评价以及实时性评价。

其中，所述准确率评价包括漏警率和误警率，并对漏警的图像帧数和误警的图像帧数进行记录；

其中，漏警率是指在对于目标特征进行提取后，提取到不正确目标特征但是没有进行报警的帧数占总帧数的百分比；

误警率是指对于目标特征进行提取后，提取到正确的目标特征但是仍然进行报警的帧数占总帧数的百分比。

准确率是误警率、漏警率以及稳定性之和除以3得到的平均值。

本实施例中，所述稳定性评价包括阴影、遮挡、路口、光照突变以及相机抖动，记录相应的图像帧数的同时计算正确数累计值以及该正确数累计值占影响因素总帧数的百分比，其中，相机抖动通过对图像的运动模糊检测得到；

以A、B、C、D和E分别表示阴影图像、遮挡图像、路口图像、光照突变图像以及相机抖动图像的正确帧数所占总帧数的百分比，那么，稳定性＝(A+B+C+D+E)/5。

本实施例中，所述实时性评价包括单帧图像处理时间、平均处理时间以及最快处理时间，其中，实时性的性能指标Tz通过如下公式实现：其中，t_p为平均处理时间，t_f为最快处理时间。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。