本发明涉及自动驾驶领域,尤其涉及一种车辆、行人识别方法、装置、设备及存储介质。
背景技术:
1、智能驾驶车辆为一个新的研究的热点和方向。感知系统作为智能驾驶系统的关键环节,负责为提供外部环境信息,是汽车实现智能驾驶的前提与基础。当前汽车感知系统存在准确性相对较低和算法模型参数量大的问题,以及对于夜晚及恶劣天气条件下鲁棒性相对较低等问题。因此,提高车辆、行人识别的准确性和减少模型参数为当前亟待解决的技术问题,目前现有深度学习算法如centernet、yolov8、yolov5等车辆、行人识别算法,存在车辆、行人识别的准确性低和算法模型参数量大的问题。
2、上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
1、本发明的主要目的在于提供一种车辆、行人识别方法、装置、设备及存储介质,旨在解决现有技术中难以提高车辆、行人识别的准确性和算法模型参数量大的技术问题。
2、为实现上述目的,本发明提供一种车辆、行人识别方法,所述车辆、行人识别方法包括以下步骤:
3、获取车辆、行人样本数据集;
4、通过所述车辆、行人样本数据集对预设检测模型进行训练,得到目标检测模型;
5、采集当前车辆、行人样本数据集,将所述当前车辆、行人样本数据集输入至所述目标检测模型,并获取所述目标检测模型基于所述当前路况数据输出的车辆、行人识别结果。
6、可选地,所述通过所述车辆、行人样本数据集对预设检测模型进行训练,得到目标检测模型,包括:
7、利用stem模块、ghost_hg模块、深度可分离卷积模块和sppf模块构建特征提取主干网络;
8、利用c2f模块、concat模块、upsample模块和conv模块进行构建特征融合颈部网络;
9、将目标检测模型中的目标检测层结合尺度感知注意力、空间感知注意力和任务感知注意力,构建三重感知注意力机制的检测头;
10、根据所述特征提取主干网络、所述特征融合颈部网络和所述三重感知注意力机制的检测头构建gbd-yolo目标检测模型。
11、可选地,利用stem模块、ghost_hg模块、深度可分离卷积模块和sppf模块构建特征提取主干网络,包括:
12、利用stem模块提取初步特征,构建低层次特征图;
13、利用ghost_hg模块、深度可分离卷积模块结合,将所述低层次特征图转为高层次特征图;
14、利用sppf模块将所述高层次特征图进行金字塔状的空间划分,并在每个空间子区域上进行池化操作,以产生固定大小的输出。
15、可选地,所述利用ghost_hg模块、深度可分离卷积模块结合,将所述低层次特征图转为高层次特征图,包括:
16、使用ghost模块、conv模块和ese模块构建ghost_hg模块,减少所述gbd-yolo目标检测模型的计算复杂度。
17、可选地,所述根据所述特征提取主干网络、所述特征融合颈部网络和所述三重感知注意力机制的检测头构建gbd-yolo目标检测模型,还包括:
18、输入所述车辆、行人样本数据集以及其对应的真实标签与真实框至gbd-yolo目标检测模型;
19、将所述真实框与gbd-yolo目标检测模型设置的默认框进行交并比计算,根据结果调整所述真实框的形式,并提取所述车辆、行人样本数据集数据的特征图;
20、通过所述gbd-yolo目标检测模型中每一层的默认框对所述特征图进行特征提取;
21、通过所述gbd-yolo目标检测模型中的定位器与分类器分别与从所述特征图中提取出的特征生成检测框的偏移量和类别标签;
22、将所述生成的偏移量和类别标签与所述真实框和真实标签进行比对,得到定位损失和分类损失;
23、根据所述损失函数综合定位损失和分类损失,生成模型的总体损失,并进行反向传播;
24、重复上述迭代操作,保存总体损失最低的权重模型作为满足精度要求的gbd-yolo目标检测模型。
25、可选地,所述通过所述车辆、行人样本数据集对预设检测模型进行训练,得到目标检测模型之前,还包括:
26、通过coco数据集对gbd-yolo目标检测模型进行预训练,增强gbd-yolo目标检测模型的参数;
27、通过所述增强的gbd-yolo目标检测模型的参数,对所述gbd-yolo目标检测模型进行更新。
28、可选地,所述通过所述车辆、行人样本数据集对预设检测模型进行训练,得到目标检测模型之后,还包括:
29、将所述gbd-yolo目标检测模型嵌入车载控制器系统;
30、通过车载控制器系统调用车载摄像头,对当前道路路况进行采集实际路况数据;
31、识别所述采集到的实际路况数据中的车辆、行人样本数据集;
32、将所述采集车辆、行人样本数据集,输入至所述满足精度要求的gbd-yolo的目标检测模型。
33、此外,为实现上述目的,本发明还提出一种车辆、行人识别装置,车辆、行人识别装置包括:
34、获取模块,用于获取车辆、行人样本数据集;
35、建模模块,用于通过所述车辆、行人样本数据集对预设检测模型进行训练,得到目标检测模型;
36、识别模块,用于采集当前车辆、行人样本数据集,将所述当前车辆、行人样本数据集输入至所述目标检测模型,并获取所述目标检测模型基于所述当前路况数据输出的车辆、行人识别结果。
37、此外,为实现上述目的,本发明还提出一种车辆、行人识别设备,所述设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行的车辆、行人识别程序,所述车辆、行人识别程序配置为实现如上文所述的车辆、行人识别方法。
38、此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有车辆、行人识别程序,所述车辆、行人识别程序被处理器执行时实现如上文所述的车辆、行人识别方法。
39、本发明其公开了一种车辆、行人识别方法、装置、设备及存储介质,该方法包括:获取车辆、行人数据集;通过所述车辆、行人样本数据集对预设检测模型进行训练,得到目标检测模型;采集当前车辆、行人样本数据集,将所述当前车辆、行人样本数据集输入至所述目标检测模型,并获取所述目标检测模型基于所述当前路况数据输出的车辆、行人识别结果,从而通过建立构建gbd-yolo目标检测模型,并对其进行训练,输入当前车辆、行人数据集,得到识别结果,从而减少算法模型参数量和提高对车辆、行人识别的准确性。
1.一种车辆、行人识别方法,其特征在于,所述方法包括以下步骤:
2.如权利要求1所述的方法,其特征在于,所述通过所述车辆、行人样本数据集对预设检测模型进行训练,得到目标检测模型,包括:
3.如权利要求2所述的方法,其特征在于,所述利用stem模块、ghost_hg模块、深度可分离卷积模块和sppf模块构建特征提取主干网络,包括:
4.如权利要求3所述的方法,其特征在于,所述利用ghost_hg模块、深度可分离卷积模块结合,将所述低层次特征图转为高层次特征图,包括:
5.如权利要求2所述的方法,其特征在于,根据所述特征提取主干网络、所述特征融合颈部网络和所述三重感知注意力机制的检测头构建gbd-yolo目标检测模型之后,还包括:
6.如权利要求1所述的方法,其特征在于,所述通过所述车辆、行人样本数据集对预设检测模型进行训练,得到目标检测模型之前,还包括:
7.如权利要求1所述的方法,其特征在于,所述通过所述车辆、行人样本数据集对预设检测模型进行训练,得到目标检测模型之后,还包括:
8.一种车辆、行人识别装置,其特征在于,所述车辆、行人识别装置包括:
9.一种车辆、行人识别设备,其特征在于,所述车辆、行人识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆、行人识别程序,所述车辆、行人识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的车辆、行人识别方法。
10.一种存储介质,其特征在于,所述存储介质上存储有车辆、行人识别程序,所述车辆、行人识别程序被处理器执行时实现如权利要求1至7中任一项所述的车辆、行人识别方法。