一种动物检测方法、装置、车载联网控制设备及车辆与流程

本申请涉及动物检测，尤其涉及一种动物检测方法、装置、车载联网控制设备及车辆。

背景技术：

1、在车辆自动辅助驾驶情形下，由于车辆驾驶环境异常复杂，对于在行驶过程中路面上突然出现的珍稀动物，尤其对于高速行驶的道路上出现的珍稀动物，检测算法必须具备快速、准确地捕捉到这些珍稀动物的能力，即当检测算法检测到远距离路面上出现了珍稀动物，它会立即检测相关信息，并通过数据分析后将检测结果传递给驾驶员，进而可以帮助驾驶员做出正确的决策，避免与这些珍稀动物发生碰撞，保障行车安全。在实际应用中，车辆通过车载摄像头采集动物图像，并通过车联网技术将动物图像发送给云服务器或车载控制器，通过云服务器或车载控制器内设置的检测算法对动物图像进行分析，得到检测结果。

2、目前的检测算法通常在采集珍稀动物的样本图像之后，对样本图像进行文本标注，基于具有文本标注信息的样本图像对检测模型进行训练，并通过训练后的检测模型对珍稀动物图像进行检测，由于在车辆高速行驶场景下采集的动物图像的拍摄角度、光照条件变化较快，从而导致以上检测方式在车辆高速行驶场景下的检测准确性较低，另外，由于野生保护动物数量庞大，对每个珍稀动物进行标注并进行模型训练，需要投入大量的人力物力，以及大量的计算资源。

3、因此，需要对目前的动物检测方法进行改进。

技术实现思路

1、鉴于以上所述现有技术的缺点，本申请提供一种动物检测方法、装置、车载联网控制设备及车辆，以解决上述技术问题。

2、本申请提供的一种动物检测方法，所述方法包括：获取车辆前方目标动物的场景图像，所述目标动物包括路面上的动物；将所述场景图像作为待检测图像输入动物检测模型，得到检测结果；所述动物检测模型基于所述目标动物的样本图像对预先构建的检测模型进行训练得到，所述样本图像包括不同角度、不同光照下的图像。

3、于本申请的一实施例中，若所述预先构建的检测模型包括特征提取模块、线性层和分类模块，则基于所述目标动物的样本图像对预先构建的检测模型进行训练的过程包括：将所述样本图像输入所述特征提取模块，得到多层特征图，并将多层所述特征图输入所述线性层，得到多个特征向量；计算多个所述特征向量之间的相似度，并基于多个所述相似度，计算得到相似度损失值；将多层所述特征图、第一预设位置向量、第二预设位置向量、预设分类向量，输入所述分类模块，得到调整后的分类向量，并基于所述调整后的分类向量，计算得到交叉熵损失值；所述第一预设位置向量和所述第二预设位置向量具有预设映射关系；将所述相似度损失值和所述交叉熵损失值之和作为损失结果，并通过所述损失结果对所述特征提取模块的参数、所述线性层的参数和所述分类模块的参数进行调整；将调整后的特征提取模块、调整后的线性层、调整后的分类模块进行组合，得到所述动物检测模型。

4、于本申请的一实施例中，若所述特征提取模块包括大核卷积模块、神经网络模块，则将所述样本图像输入所述特征提取模块，得到多层特征图的过程包括：将所述样本图像输入所述大核卷积模块，得到多尺度特征图；将所述多尺度特征图输入所述神经网络模块，得到多层所述特征图；所述神经网络模块包括卷积层和池化层，所述大核卷积模块的卷积核大于所述卷积层中的卷积核。

5、于本申请的一实施例中，基于多个所述相似度，计算得到相似度损失值的过程包括：将多个所述相似度输入预设对比损失函数，得到多个对比相似度；从多个所述对比相似度中选取部分对比相似度，并将选取的部分对比相似度的平均值作为所述相似度损失值。

6、于本申请的一实施例中，若所述分类模块包括拼接层、第一编码层、注意力机制层和第二编码层，则将多层所述特征图、第一预设位置向量、第二预设位置向量、预设分类向量，输入所述分类模块，得到调整后的分类向量的过程包括：获取所述目标动物的键值对，并将所述键值对转化为类别编号向量；所述键值对用于表征所述目标动物的类别与所述目标动物的编号之间的映射关系；将多层所述特征图、第一预设位置向量、第二预设位置向量、预设分类向量、所述类别编号向量，输入所述拼接层，得到拼接向量；将所述拼接向量输入所述第一编码层，得到编码后的拼接向量；将所述编码后的拼接向量输入所述注意力机制层，得到加权向量；将所述加权向量输入所述第二编码层，得到编码后的加权向量；从所述编码后的加权向量中提取分类向量，得到所述调整后的分类向量。

7、于本申请的一实施例中，将多层所述特征图、第一预设位置向量、第二预设位置向量、预设分类向量、所述类别编号向量，输入所述拼接层，得到拼接向量的过程包括：将所述第一预设位置向量嵌入所述类别编号向量，得到类别编号嵌入向量；将所述第二预设位置向量嵌入多层所述特征图，得到多层特征嵌入向量；将所述预设分类向量、所述类别编号嵌入向量、多层所述特征嵌入向量进行拼接，得到所述拼接向量。

8、于本申请的一实施例中，基于所述调整后的分类向量，计算得到交叉熵损失值的过程包括：通过所述调整后的分类向量计算所述样本图像所属样本类别的预测概率，得到多个预测概率；计算多个所述预测概率的交叉熵，得到所述交叉熵损失值。

9、根据本申请实施例的一个方面，提供了一种动物检测装置，所述装置包括：图像获取模块，用于获取车辆前方目标动物的场景图像，所述目标动物包括路面上的动物；图像检测模块，用于将所述场景图像作为待检测图像输入动物检测模型，得到检测结果；所述动物检测模型基于所述目标动物的样本图像对预先构建的检测模型进行训练得到，所述样本图像包括不同角度、不同光照下的图像。

10、根据本申请实施例的一个方面，提供了一种车载联网控制设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述车载联网控制设备实现如上述所述的动物检测方法。

11、根据本申请实施例的一个方面，提供了一种车辆，所述车辆包括如上述所述的动物检测装置或如上述所述的车载联网控制设备。

12、本申请的有益效果：本申请通过获取车辆前方目标动物的场景图像，将场景图像作为待检测图像输入动物检测模型，得到检测结果，动物检测模型基于目标动物的样本图像对预先构建的检测模型进行训练得到，样本图像包括不同角度、不同光照下的图像，以上过程，通过目标动物的不同角度、不同光照下的图像对预先构建的检测模型进行训练，使训练得到的动物检测模型能够适应车辆高速行驶场景下动物图像的拍摄角度变化和光照条件变化，提高了车辆高速行驶场景下动物图像的检测准确性；另外，无需针对单一种类的动物图像进行训练，也无需对样本图像进行预先标注，节省了人力物力和计算资源。

13、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

1.一种动物检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的动物检测方法，其特征在于，若所述预先构建的检测模型包括特征提取模块、线性层和分类模块，则基于所述目标动物的样本图像对预先构建的检测模型进行训练的过程包括：

3.根据权利要求2所述的动物检测方法，其特征在于，若所述特征提取模块包括大核卷积模块、神经网络模块，则将所述样本图像输入所述特征提取模块，得到多层特征图的过程包括：

4.根据权利要求2所述的动物检测方法，其特征在于，基于多个所述相似度，计算得到相似度损失值的过程包括：

5.根据权利要求2所述的动物检测方法，其特征在于，若所述分类模块包括拼接层、第一编码层、注意力机制层和第二编码层，则将多层所述特征图、第一预设位置向量、第二预设位置向量、预设分类向量，输入所述分类模块，得到调整后的分类向量的过程包括：

6.根据权利要求5所述的动物检测方法，其特征在于，将多层所述特征图、第一预设位置向量、第二预设位置向量、预设分类向量、所述类别编号向量，输入所述拼接层，得到拼接向量的过程包括：

7.根据权利要求2所述的动物检测方法，其特征在于，基于所述调整后的分类向量，计算得到交叉熵损失值的过程包括：

8.一种动物检测装置，其特征在于，所述装置包括：

9.一种车载联网控制设备，其特征在于，包括：

10.一种车辆，其特征在于，所述车辆包括如权利要求8所述的动物检测装置或如权利要求9所述的车载联网控制设备。