(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211126875.7 (22)申请日 2022.09.16 (71)申请人 燕山大学 地址 066004 河北省秦皇岛市河北 大街西 段438号 (72)发明人 金立生　李欣蔚　贺阳　石业玮　 张哲　谢宪毅　郭柏苍　 (74)专利代理 机构 北京市诚辉律师事务所 11430 专利代理师 成丹　耿慧敏 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的车载视角遮挡目标检 测方法及装置 (57)摘要 本申请提供一种基于深度学习的车载视角 遮挡目标检测方法及装置， 该方法包括： 获取待 检测图像； 将待检测图像输入遮挡检测模型， 得 到目标检测框、 类别和遮挡置信 度； 其中， 遮挡检 测模型采用改进的SSD网络， 改进的SSD网络包括 残差块。 该方案在遮挡工况下能够达到较好的检 测效果。 权利要求书1页 说明书7页 附图4页 CN 115457274 A 2022.12.09 CN 115457274 A 1.一种基于深度学习的车 载视角遮挡目标检测方法， 其特 征在于， 所述方法包括： 获取待检测图像； 将所述待检测图像输入遮挡检测模型， 得到目标检测框、 类别和遮挡置信度； 其中， 所 述遮挡检测模型采用改进的S SD网络， 所述改进的S SD网络包括残差块。 2.根据权利要求1所述的方法， 其特征在于， 所述改进的SSD网络包括骨干网络， 所述骨 干网络包括若干预测层， 每 个所述预测层连接有残差块。 3.根据权利要求2所述的方法， 其特征在于， 所述改进的SSD网络还包括检测头和组合 神经网络； 所述组合神经网络连接 于所述骨干网络和所述检测头之间。 4.根据权利要求3所述的方法， 其特 征在于， 所述方法还 包括： 所述骨干网络输出的特征图输入至所述组合神经网络， 得到所述特征图中目标的分类 分数。 5.根据权利要求1所述的方法， 其特征在于， 所述改进 的SSD网络的损失函数采用EIoU 回归损失函数； 所述EIoU回归损失函数包括重 叠损失、 中心 距离损失和宽高损失。 6.根据权利要求1所述的方法， 其特征在于， 所述改进的SSD网络的非极大值抑制算法 采用自适应非极大值抑制算法。 7.根据权利要求1所述的方法， 其特征在于， 训练所述遮挡检测模型采用的目标遮挡数 据集包括实时道路车辆及行 人遮挡的数据集和/或历史车 载视角遮挡目标检测数据集。 8.一种基于深度学习的车 载视角遮挡目标检测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取待检测图像； 处理模块， 用于将所述待检测图像输入遮挡检测模型， 得到目标检测框、 类别和遮挡置 信度； 其中， 所述遮挡检测模型采用改进的S SD网络， 所述改进的S SD网络包括残差块。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7中任一所述的基于深 度学习的车 载视角遮挡目标检测方法。 10.一种可读存储介质， 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 实现如权利要求1 ‑7中任一所述的基于深度学习的车 载视角遮挡目标检测方法。权　利　要　求　书 1/1 页 2 CN 115457274 A 2一种基于深度学习的车载 视角遮挡目标 检测方法及装置 技术领域 [0001]本发明属于智能交通技术领域， 特别涉及 一种基于深度学习的车载视角遮挡目标 检测方法及装置 。 背景技术 [0002]智能汽车由于能在驾驶过程中辅助或代替驾驶员驾驶， 减少或避免驾驶员操作不 当， 从而降低事故的发生率， 已成为当前汽车行业发展的重要方向。 智能汽车研究主要分为 环境感知、 规划决策、 控制执行三大模块， 其中环境感知是智能驾驶安全行驶的前提， 也是 整个系统中至关重要的一环， 可为智能汽车驾驶提供本车及其周围障碍物的位置信息、 本 车与周围其他车辆等障碍物的相对距离和相对速度等信息， 进而为各种控制决策模块提供 依据以实现车辆的自动驾驶。 环境感知是智能驾驶实现避障、 定位和路径规划 等高级智能 行为的前提条件和基础。 环境 感知包括目标检测、 场景语义分割、 实例分割、 多传感器融合、 多目标跟踪以及轨迹预测等研究方向， 其中目标检测作为解决更复杂和更高级别的视觉任 务(例如事件检测、 活动识别、 物体分割、 场景理解、 目标跟踪等)的基础， 对于提高交通场景 事件检测的正确率具有重要的研究意义。 另一方面， 由于车载摄像头的普及， 越来越多的道 路图像信息在不断地产生， 图像处理算法特别是目标检测算法成为智能驾驶的重要组成部 分。 近年来， 目标检测算法发展迅速， 已从传统基于滑动窗口的区域选择策略、 利用手工设 计的特征 的目标检测 算法发展为基于深度学习的目标检测 算法。 随着不同算法的提出， 使 得分类和回归预测精度不断提升， 实时性也在不断提高。 但是， 在 复杂的交通环境(遮挡工 况、 多目标工况、 小目标、 目标多尺度、 恶劣天气、 暗光条件)特别是遮挡工况下， 存在的大量 未知遮挡及遮挡程度不同等问题， 使检测的效果大幅下降， 难以对目标进行有效的检测。 [0003]现有对遮挡工况下目标检测的算法的研究除了进行数据增强， 还包括两种类别： 一个是改进基于整体特征 的检测算法， 另一个是改进基于部分语义的检测算法。 虽然现有 的方法基于不同技术在遮挡目标检测方面取得了进步， 但仍存在一些问题亟待解决和优 化， 例如， 遮挡目标由于遮挡影响了目标的特征提取导致检测器无法正确判断； 检测器难以 学习到无穷尽的遮挡情况等。 发明内容 [0004]本说明书实施例的目的是提供一种基于深度学习的车载视角遮挡目标检测方法 及装置。 [0005]为解决上述 技术问题， 本申请实施例通过以下 方式实现的： [0006]第一方面， 本申请提供一种基于深度学习的车载视角遮挡目标检测方法， 该方法 包括： [0007]获取待检测图像； [0008]将待检测图像输入遮挡检测模型， 得到目标检测框、 类别和遮挡置信度； 其中， 遮 挡检测模型采用改进的S SD网络， 改进的S SD网络包括残差块。说　明　书 1/7 页 3 CN 115457274 A 3