(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 202211004434.X (22)申请日 2022.08.22 (71)申请人 常州星宇车灯股份有限公司 地址 213100 江苏省常州市新北区汉江路 398号 (72)发明人 刘宇　徐健　胡文烨　李超　 (74)专利代理 机构 常州至善至诚专利代理事务 所(普通合伙) 32409 专利代理师 赵旭 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 智能驾驶前视图像的检测方法 (57)摘要 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。 权利要求书1页 说明书6页 附图6页 CN 115331200 A 2022.11.11 CN 115331200 A 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。权　利　要　求　书 1/1 页 2 CN 115331200 A 2智能驾驶前视图像的检测方 法 技术领域 [0001]本发明涉及图像 检测技术领域， 尤其涉及一种智能驾驶前视图像的检测方法。 背景技术 [0002]自动驾驶技术发展如火如荼， 高级驾驶辅助系统(ADAS)也逐渐成为汽车标配。 人 们对其中的前视感知技术的要求也越来越高， 希望前视摄像头能 “看”得更远、 更清晰， 因 此， 超高清摄像头被逐渐应用于汽车感知系统中。 超高清摄像头采集到的高清图像进行检 测后， 可以被识别出图像中的人、 物等特征， 为自动驾驶提供车辆提供前方障碍信息， 提高 自动驾驶的安全性。 [0003]目前， 卷积神经网络被广泛应用于对高清图像的检测， 相比传统视觉算法， 卷积神 经网络对芯片运算能力要求更高。 通常来说， 卷积神经网络的网络模 型越大， 输入的图片分 辨率越大， 那么检测结果对识别小目标的效果越好。 但是， 目前市场上车载芯片运算能力普 遍不高， 常规的做法是设计一个轻量化网络模型， 然后将输入网络模型 的图片尺寸固定为 60万像素左右， 主 要有切图和不切图两种方式： [0004](1)不切图： 假设超高清摄像头采集到一张800万(3840 ×2160)像素 的图片， 则需 要先将800万像素的图片缩小到60万像素左右， 然后送入卷积神经网络模型中计算， 这样导 致无法有效利用超高清图片中小目标的局部信息， 从而影响小目标的检测效果。 [0005](2)切图： 首先将原图依次切出多张相同尺寸的小图， 小图的尺寸跟网络模型输入 尺寸一致， 接着每张小图送入卷积神经网络模型中进行检测， 再将超高清原图缩小到网络 模型的输入尺 寸送入网络检测， 得到最 终的检测结果。 以上面3840 ×2160的图片为例， 原图 需要切出16张60万像素左右的小图， 最终 需要检测16+1＝17次。 这种切图检测方式， 虽然远 处小目标的检出能力得到提升， 但带来的计算次数显著增加， 即使降低网络模型大小， 总的 检测时间也会远高于不切图检测的方式， 检测效率低。 发明内容 [0006]本发明要解决的技术问题是： 为了解决现有技术中对超高清图片的检测方法无法 兼顾检测准确率和检测效率效率的技术问题， 本发明提供一种智能驾驶前视图像的检测方 法， 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。 [0007]本发明解决其技术问题所采用的技术方案是： 一种智能驾驶前视图像的检测方 法， 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。 [0008]进一步的， 所述第一检测结果 为目标检测结果或语义分割检测结果。 [0009]进一步的， 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。说　明　书 1/6 页 3 CN 115331200 A 3