视觉感知算法评测方法与流程

1.本发明涉及自动驾驶技术领域，特别涉及一种视觉感知算法评测方法。


背景技术：

2.当前基于视觉检测的感知系统是实现自动驾驶功能的主要方案，自动驾驶功能依赖视觉、雷达、定位等感知信息，用以探测环境要素，从而为自动驾驶车辆决策规划提供输入判定条件，保障车辆自动驾驶功能安全。
3.但基于当前技术水平，无论何种感知技术，都存在一定误差。当前解决这一问题方案往往是通过多源感知比较评测的方式，进行感知信息融合，提高感知信息准确性，该方案则判定各感知源信息均为真值，通过多源比较测评，剔除差异较大的感知信息，最终以融合信息为最终结果输出到下游。
4.但现有技术方案无法针对智能车辆视觉感知性能进行预期功能安全分析，亦无法实时动态评测感知信息结果。
5.因此，亟需一种视觉感知算法评测方法来解决上述问题。


技术实现要素：

6.本发明解决的技术问题在于，提供了一种视觉感知算法评测方法，能针对智能车辆视觉感知性能进行预期功能安全分析，实时动态评测感知信息结果，输出可信的感知信息。
7.本发明解决其技术问题是采用以下的技术方案来实现的：
8.一种视觉感知算法评测方法，包括：获取视觉感知算法子阶段的第一置信度；将所述第一置信度与预设的子阶段阈值进行比对；在所述第一置信度大于或等于所述子阶段阈值时，确认所述视觉感知算法性能为优；在所述第一置信度小于所述子阶段阈值时，确认所述视觉感知算法性能为差。
9.在本发明的较佳实施例中，上述获取所述视觉感知算法总体的第二置信度；在所述第一置信度大于或等于所述子阶段阈值时，确认所述视觉感知算法性能为优，的步骤之后包括：判断所述第二置信度是否大于或等于预设的总体阈值；若是，则确认所述视觉感知算法的可用性输出结果为优，视觉感知信息可信；若否，则确认所述视觉感知算法的可用性输出结果为差，所述视觉感知信息不可信。
10.在本发明的较佳实施例中，上述在所述第一置信度小于所述子阶段不确定性指标阈值时，确认所述视觉感知算法性能为差，的步骤之后还包括：检测所述第二置信度是否大于或等于预设的总体阈值；在所述第二置信度大于或等于所述总体阈值时，确认使所述第一置信度小于所述子阶段阈值的影响因子，并生成相应的应对策略。
11.在本发明的较佳实施例中，上述视觉识别算法子阶段包括：彩色图像阈值分割流程模块、二值化流程模块、双边滤波去噪及填充流程模块和面积阈值去噪流程模块。
12.在本发明的较佳实施例中，上述影响因子包括：所述彩色图像阈值分割流程模块
的第一置信度权重系数、所述二值化流程模块的第二置信度权重系数、所述双边滤波去噪及填充流程模块的第三置信度权重系数和所述面积阈值去噪流程模块的第四置信度权重系数。
13.在本发明的较佳实施例中，上述获取视觉感知算法子阶段的第一置信度，的步骤包括：根据所述第一置信度权重系数、所述第二置信度权重系数、所述第三置信度权重系数和所述第四置信度权重系数获取所述第一置信度。
14.在本发明的较佳实施例中，上述视觉感知算法还包括：原图遍历替换流程模块；获取所述视觉感知算法总体的第二置信度，的步骤还包括：通过所述原图遍历替换流程模块对目标区域进行遍历替换；获取替换后的所述目标区域的第二置信度。
15.在本发明的较佳实施例中，上述方法还包括：根据驾驶环境要素和数据集样本测试，设定所述视觉感知算法的子阶段阈值；根据真实场景测试数据集，设定所述视觉感知算法的总体阈值。
16.本发明采用上述技术方案达到的技术效果是：通过实时对视觉感知结果进行可信度输出，不同于融合输出结果，在感知融合前便确定系统视觉感知能力，更有效保障自动驾驶功能安全性，同时基于实现风险评估，有效识别环境限制而非局限于故障识别，提升系统可用性；并基于视觉识别标准流程各子阶段制定权重系数，设定总体感知准确判定准则，从而实时判定视觉系统输出信息可信度，以便智能车以最低风险执行自动驾驶功能。
17.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明。
附图说明
18.图1为本发明一实施例示出的一种视觉感知算法评测方法的流程图；
19.图2为本发明一实施例示出的一种视觉感知信息可信度确认方法的流程图；
20.图3为本发明一实施例示出的一种视觉感知算法性能差的处理方法的流程图。
具体实施方式
21.为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的实施例保护的范围。通过具体实施方式的说明，当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，而且所附图式仅是提供参考与说明之用，并非用来对本发明加以限制。
22.图1为本发明一实施例示出的一种视觉感知算法评测方法的流程图；图2为本发明一实施例示出的一种视觉感知信息可信度确认方法的流程图；图3为本发明一实施例示出的一种视觉感知算法性能差的处理方法的流程图。
23.下面请结合图1至图3参阅下文：
24.视觉感知系统通过危险分析与触发条件分析得出上层需求，针对视觉感知准确性
需求制定实时测评方案，以保障智能车自动驾驶功能安全。以下将对本技术分析方法及测评逻辑进行简要介绍。
25.1)危险分析：
[0026][0027][0028]
2)触发条件分析：
[0029][0030]
3)视觉感知系统输出信息错误原因：
[0031]
(1)视觉感知系统故障(视觉处理硬件随机故障&视觉感知系统系统性失效)；(2)视觉算法本身标称性能限制。
[0032]
基于以上分析可知，产生车辆转向过度/转向不足的危害原因可能是自动驾驶系统故障导致，也可能由于系统标称性能不足导致，本发明将针对视觉感知算法本身标称性
能导致的智能车辆自动驾驶功能危害进行技术解决方案阐述。
[0033]
上述方式通过预期功能安全分析方法，避免因智能车辆视觉感知系统输出结果不准确导致自动驾驶功能存在潜在危害，从而制定相应技术解决方案，该方法包括场景分析、触发事件分析等。
[0034]
基于卷积神经网络深度学习的视觉感知算法应用实现常规流程如下：数据采集－数据标注－模型训练－嵌入式系统调参。
[0035]
视觉感知系统标称性能的影响发生在算法模型本身缺陷，即由感知算法设计缺陷导致，本发明通过采用对视觉感知算法子阶段设定评测系数及总体评测阈值，使视觉感知系统输出相对可接受的准确信息，以避免因算法本身缺陷而导致的自动驾驶功能危害。
[0036]
其中，视觉感知系统针对车道线识别感知任务采用多目标分割算法，算法流程如下：彩色图像阈值分割－二值化－双边滤波去噪及填充－设置面积阈值去噪－与原图遍历替换。
[0037]
本发明通过在标准视觉感知算法流程基础上，制定相应评价指标判定，即算法子阶段不确定性指标：分割误差指标，算法模型输出结果与真实车道线的误差；算法总体不确定性指标：算法可用性指标，算法模型当前状态下的置信度。
[0038]
请参阅图1，如图1所示，本发明一实施例示出的视觉感知算法评测方法，包括以下步骤：
[0039]
s11：获取视觉感知算法子阶段的第一置信度；
[0040]
可选地，视觉识别算法子阶段包括：彩色图像阈值分割流程模块、二值化流程模块、双边滤波去噪及填充流程模块和面积阈值去噪流程模块。
[0041]
可选地，获取视觉感知算法子阶段的第一置信度，的步骤包括：根据所述第一置信度权重系数、所述第二置信度权重系数、所述第三置信度权重系数和所述第四置信度权重系数获取所述第一置信度。
[0042]
具体地，视觉感知算法子阶段的第一置信度/不确定性指标：基于多目标分割视觉感知算法流程，为每个算法子流程模块增加置信度权重系数。
[0043]
彩色图像阈值分割：通过对rgb分量感兴趣区域/目标区域识别，进行去噪，基于车道线黄白两色，按色彩梯度设定去背景函数，依据图像输入色彩梯度设定第一置信度权重系数a。
[0044]
二值化：对图像像素点灰度值的设定，依据灰度值范围设定置信度第二权重系数b。
[0045]
双边滤波去噪 填充：此时对图像进行高斯模糊，再对模糊后的图像做边缘保持，去噪填充，基于填充结果设定第三置信度权重系数c。
[0046]
设置面积阈值去噪：连通域内噪点去除，同时基于噪点数量、大小等设定第四置信度权重系数d。
[0047]
s12：将所述第一置信度与预设的子阶段阈值进行比对；
[0048]
可选地，根据驾驶环境要素和数据集样本测试，设定所述视觉感知算法的子阶段阈值；根据真实场景测试数据集，设定所述视觉感知算法的总体阈值。
[0049]
示例性地，基于驾驶环境要素，如光照强度骤变，雨雪天气等情况，基于数据集样本测试，设定子阶段阈值(即子阶段置信度阈值/子阶段不确定性指标阈值)。基于真实场景
测试数据集，设定总体阈值(即总体置信度阈值/总体总体预测不确定性指标阈值)。然后通过实时测评结果，将第一置信度与预设的子阶段阈值进行比对。
[0050]
可选地，视觉感知算法还包括：原图遍历替换流程模块；获取所述视觉感知算法总体的第二置信度，的步骤还包括：通过所述原图遍历替换流程模块对目标区域进行遍历替换；获取替换后的所述目标区域的第二置信度。
[0051]
具体地，与原图遍历替换：识别目标区域/感兴趣区域的预处理，经过遍历替换，感兴趣区域将重置总体置信度e。最终进行目标区域及轮廓检测，区域切割，得到算法模型输出结果及其子阶段置信度影响因子abcd和总体置信度e；
[0052]
s13：在所述第一置信度大于或等于所述子阶段阈值时，确认所述视觉感知算法性能为优；
[0053]
请参阅图2，如图2所示，获取所述视觉感知算法总体的第二置信度；在所述第一置信度大于或等于所述子阶段阈值时，确认所述视觉感知算法性能为优，的步骤之后包括：判断所述第二置信度是否大于或等于预设的总体阈值；若是，则确认所述视觉感知算法的可用性输出结果为优，视觉感知信息可信；若否，则确认所述视觉感知算法的可用性输出结果为差，所述视觉感知信息不可信。
[0054]
示例性地，通过实时测评结果，当视觉感知算法子阶段的第一置信度/不确定性实际指标大于或等于设定的子阶段阈值时，算法性能判定为优。此时需要再判定视觉感知算法总体置信度及其阈值的关系。若算法的总体置信度大于或等于经过真实场景测试设定的总体阈值时，表明算法输出结果在系统可接受范围内，算法可用性输出结果为优；否则输出结果判定为差，视觉感知信息不可信。
[0055]
s14：在所述第一置信度小于所述子阶段阈值时，确认所述视觉感知算法性能为差。
[0056]
请参阅图3，如图3所示，在所述第一置信度小于所述子阶段不确定性指标阈值时，确认所述视觉感知算法性能为差，的步骤之后还包括：检测所述第二置信度是否大于或等于预设的总体阈值；在所述第二置信度大于或等于所述总体阈值时，确认使所述第一置信度小于所述子阶段阈值的影响因子，并生成相应的应对策略。
[0057]
可选地，影响因子包括：所述彩色图像阈值分割流程模块的第一置信度权重系数、所述二值化流程模块的第二置信度权重系数、所述双边滤波去噪及填充流程模块的第三置信度权重系数和所述面积阈值去噪流程模块的第四置信度权重系数。
[0058]
示例性地，当视觉感知算法子阶段的置信度(即第一置信度)小于置信度阈值时，算法性能判定为差。但算法总体置信度(即第二置信度)依然大于其总体置信度阈值，此时需上报不满足阈值的算法子阶段影响原因，制定相应策略，以达到自动驾驶功能安全。
[0059]
具体地，当测评逻辑判定感知系统输出信息达到相对准确的可信度指标时，自动驾驶功能将正常运行，当测评系统判定视觉感知信息不可接受时，进入自动驾驶功能的安全状态，避免危害事件的发生。
[0060]
本发明的视觉感知算法评测方法，通过实时对视觉感知结果进行可信度输出，不同于融合输出结果，在感知融合前便确定系统视觉感知能力，更有效保障自动驾驶功能安全性，同时基于实现风险评估，有效识别环境限制而非局限于故障识别，提升系统可用性；并基于视觉识别标准流程各子阶段制定权重系数，设定总体感知准确判定准则，从而实时
判定视觉系统输出信息可信度，以便智能车以最低风险执行自动驾驶功能；而且能够提升自动驾驶系统安全性的操作。
[0061]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0062]
以上结合附图详细描述了本发明的优选实施方式，但是本发明并不限于上述实施方式中的具体细节，上述实施例及附图是示例性的，附图中的模块或流程并不一定是实施本发明实施例所必须的，不能理解为对本发明的限制，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型和组合，这些简单变型和组合均属于本发明的保护范围。