智能驾驶前视图像的检测方法与流程

技术特征：
1.一种智能驾驶前视图像的检测方法，其特征在于，包括以下步骤：s1、获取前视摄像头采集到的前视图像；s2、从所述前视图像中获取多张第一图片xi和多张第二图片yj，第二图片yj的尺寸大于第一图片xi的尺寸；s2、将所述第二图片yj处理后得到第三图片yj’；s4、将所述第一图片xi和第三图片yj’输入卷积神经网络模型中，输出多个第一检测结果；s5、将所述第一检测结果映射至所述前视图像中，得到第二检测结果；s6、将多个第二检测结果进行融合处理，得到最终检测结果。2.如权利要求1所述的智能驾驶前视图像的检测方法，其特征在于，所述第一检测结果为目标检测结果或语义分割检测结果。3.如权利要求2所述的智能驾驶前视图像的检测方法，其特征在于，所述第一图片xi的尺寸为w
×
h，所述第二图片yj的尺寸为2w
×
2h。4.如权利要求3所述的智能驾驶前视图像的检测方法，其特征在于，所述相邻两张第一图片xi之间重叠0.2w，所述第一图片xi和第二图片yj之间重叠0.2h，相邻两张第二图片yj之间重叠0.6w。5.如权利要求4所述的智能驾驶前视图像的检测方法，其特征在于，将所述前视图像的尺寸缩小为w
×
h输入卷积神经网络模型中，输出第一检测结果；所述第一检测结果为目标检测结果。6.如权利要求5所述的智能驾驶前视图像的检测方法，其特征在于，当所述第一检测结果为目标检测结果时，步骤s6中的融合处理具体包括：遍历所有的第二检测结果，判断是否存在边缘矩形框；若否，则对所述第二检测结果进行非极大值抑制处理，得到最终检测结果；若是，则计算所述边缘矩形框与其他矩形框之间的iog值；若iog值大于阈值roi_threshold，则判断该边缘矩形框为冗余框，删除该冗余框；直至所有的冗余框被删除后，对第二检测结果进行非极大值抑制处理，得到最终检测结果。7.如权利要求4所述的智能驾驶前视图像的检测方法，其特征在于，当所述第一检测结果为语义分割检测结果时，步骤s6中的融合处理具体包括：当相邻两张第一图片xi的第二检测结果融合时，重叠区域会得到两个类别概率值，取两个类别概率值中最大值为重叠区域的最终类别概率值；当第一图片xi的第二检测结果和第二图片yj的第二检测结果融合时，重叠区域会得到两个以上的类别概率值，取第一图片xi的类别概率中的最大值为重叠区域的最终类别概率值。8.如权利要求1所述的智能驾驶前视图像的检测方法，其特征在于，所述第一图片xi为所述前视图像的上方区域；所述第二图片yj为所述前视图像的下方区域。9.如权利要求3所述的智能驾驶前视图像的检测方法，其特征在于，所述第三图片yj’的尺寸为w
×
h。10.如权利要求5所述的智能驾驶前视图像的检测方法，其特征在于，设第一图片xi的数量为n，第二图片yj的数量为m，则所述检测方法的检测次数为n m 1或n m。

技术总结
本发明公开了一种智能驾驶前视图像的检测方法，包括以下步骤：获取前视摄像头采集到的前视图像；从前视图像中获取多张第一图片Xi和多张第二图片Yj，第二图片Yj的尺寸大于第一图片Xi的尺寸；将第二图片Yj处理后得到第三图片Yj’；将第一图片Xi和第三图片Yj’输入卷积神经网络模型中，输出多个第一检测结果；将第一检测结果映射至前视图像中，得到第二检测结果；将多个第二检测结果进行融合处理，得到最终检测结果。本发明不仅能够提升小目标的检测准确率，而且检测次数更少，能够提高检测效率。能够提高检测效率。能够提高检测效率。


技术研发人员：刘宇 徐健 胡文烨 李超
受保护的技术使用者：常州星宇车灯股份有限公司
技术研发日：2022.08.22
技术公布日：2022/11/11