技术特征：
1.一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，包括：采集车辆前方车况的视频片段，并从视频片段中提取含有车辆尾框的目标图像；基于预设的yolov5目标检测框架获取目标图像中的目标车辆的位置信息；基于位置信息从目标图像中裁剪出目标车辆图像，并对目标车辆图像进行预处理；将预处理后的目标车辆图像输入训练好的深度神经网络得到目标车辆尾部被遮挡信息、车辆尾部特征点位置信息以及车辆尾部中线位置信息；基于车辆尾部被遮挡信息和车辆尾部特征点位置信息筛选出未被遮挡的车辆尾部特征点；基于未被遮挡的车辆尾部特征点和车辆尾部中线位置信息生成车辆尾框。2.根据权利要求1所述的一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，所述深度神经网络的训练过程包括：获取目标车辆图像的历史数据，并分别对目标车辆图像中的车辆尾部特征点进行标注，并对目标车辆图像进行预处理生成训练集；将训练集中的训练样本输入深度神经网络，得到车辆尾部特征点预测信息；基于车辆尾部特征点预测信息和标注信息计算深度神经网络的损失；根据深度神经网络的损失行反向传播迭代深度神经网络的网络参数，直至到达预设迭代次数或损失收敛，完成深度神经网络的训练。3.根据权利要求2所述的一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，所述对目标车辆图像中的车辆尾部特征点进行标注包括：车辆尾框的左上顶角和右上顶角分别标注为特征点6和特征点1；车辆尾框的左下顶角和右下顶角分别标注为特征点5和特征点2；车辆左后轮与地面交线的左端点和车辆右后轮与地面交线的右端点分别标注为特征点4和特征点3。4.根据权利要求3所述的一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，若特征点中存在被遮挡的情况，则根据经验对被遮挡的特征点进行标注，并对所有特征点添加被遮挡和未被遮挡的标注，对车辆尾部中线进行标注。5.根据权利要求4所述的一种基于神经网络的被遮挡车辆尾框回归方法，其特征在于，所述车辆尾部特征点预测信息包括车辆尾部被遮挡预测信息、车辆尾部特征点位置预测信息以及车辆尾部中线位置预测信息；所述基于车辆尾部特征点预测信息和标注信息计算深度神经网络的损失包括：通过交叉熵损失函数计算目标车辆尾部被遮挡预测信息的损失loss：其中，sigmoid(
·
)为sigmoid函数，y
n
是目标车辆尾部被遮挡信息，目标车辆尾部被遮挡预测信息；通过smooth l1损失函数计算车辆尾部中线位置预测信息的损失l1_loss1：其中，x为车辆尾部中线标注信息与车辆尾部中线位置预测信息的差值；
通过smooth l1损失函数计算车辆尾部特征点位置预测信息的损失l1_loss2：l1_loss2＝l1_loss1*k其中，当特征点被遮挡时，k＝0，当特征点未被遮挡时，k＝1。6.一种基于神经网络的被遮挡车辆尾框回归装置，其特征在于，所述装置包括：图像获取模块，用于采集车辆前方车况的视频片段，并从视频片段中提取含有车辆尾框的目标图像；位置获取模块，用于基于预设的yolov5目标检测框架获取目标图像中的目标车辆的位置信息；裁剪处理模块，用于基于位置信息从目标图像中裁剪出目标车辆图像，并对目标车辆图像进行预处理；信息获取模块，用于将预处理后的目标车辆图像输入训练好的深度神经网络得到目标车辆尾部被遮挡信息、车辆尾部特征点位置信息以及车辆尾部中线位置信息；信息筛选模块，用于基于车辆尾部被遮挡信息和车辆尾部特征点位置信息筛选出未被遮挡的车辆尾部特征点；尾框生成模块，用于基于未被遮挡的车辆尾部特征点和车辆尾部中线位置信息生成车辆尾框。7.一种基于神经网络的被遮挡车辆尾框回归装置，其特征在于，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据权利要求1-5任一项所述方法的步骤。8.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。
技术总结
本发明公开了一种基于神经网络的被遮挡车辆尾框回归方法、装置及存储介质，其方法包括：采集含有车辆尾框的目标图像；基于预设的YOLOV5目标检测框架获取目标图像中的目标车辆的位置信息；基于位置信息从目标图像中裁剪出目标车辆图像，并对目标车辆图像进行预处理；将预处理后的目标车辆图像输入深度神经网络得到目标车辆尾部被遮挡信息、车辆尾部特征点位置信息以及车辆尾部中线位置信息；基于车辆尾部被遮挡信息和车辆尾部特征点位置信息筛选出未被遮挡的车辆尾部特征点；基于未被遮挡的车辆尾部特征点和车辆尾部中线位置信息生成车辆尾框；本发明能够提升车辆运动状态判断的精确度来提升整个车载辅助驾驶系统的决策性能。策性能。策性能。
技术研发人员：季思文 刘国清 郑伟 朱晓东
受保护的技术使用者：南京佑驾科技有限公司
技术研发日：2021.12.03
技术公布日：2022/4/26