本發(fā)明涉及計(jì)算機(jī)視覺、模式識(shí)別等多個(gè)領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的岔路口識(shí)別及深度估計(jì)方法。

背景技術(shù)：

室外移動(dòng)機(jī)器人導(dǎo)航技術(shù)的基本任務(wù)是通過傳感器給出移動(dòng)機(jī)器人與環(huán)境的相對(duì)位置，為機(jī)器人進(jìn)行路徑規(guī)劃。在已有的導(dǎo)航技術(shù)中，基于視覺的方法由于其豐富的傳感器信息和最接近人類的感知方式，已經(jīng)成為最具有研究前景的方法之一。在視覺方法中，基于單目視覺的算法由于在魯棒性和效率之間達(dá)到了較好的平衡，且只需要相對(duì)廉價(jià)的設(shè)備，從而獲得了最為廣泛的研究。

到目前為止,機(jī)器人導(dǎo)航的發(fā)展大致分為3個(gè)階段：第1階段研究主要針對(duì)結(jié)構(gòu)化環(huán)境的應(yīng)用，其中小范圍環(huán)境中通常使用基于地圖的方法,但基本停留在實(shí)驗(yàn)室階段；針對(duì)公路環(huán)境的應(yīng)用則不創(chuàng)建全局地圖，大多依賴地面標(biāo)線特征進(jìn)行局部相對(duì)位置估計(jì)，主要面向智能交通領(lǐng)域的應(yīng)用；第2階段的研究開始轉(zhuǎn)向復(fù)雜的結(jié)構(gòu)化道路、城市環(huán)境和非結(jié)構(gòu)化環(huán)境(野外環(huán)境)。機(jī)器學(xué)習(xí)理論，更復(fù)雜的濾波技術(shù)以及傳感器融合技術(shù)被引入該檢測(cè)系統(tǒng)，傳感器層面和算法層面的融合成為這個(gè)時(shí)期研究的重點(diǎn)。但同時(shí)，由于面臨的問題更為發(fā)散和復(fù)雜，不能像第1階段的研究那樣形成一個(gè)“標(biāo)準(zhǔn)”的算法框架。第3階段研究的基本思想是“基于單幅圖像的三維重構(gòu)”，試圖通過分析單幅圖像在多尺度下的特征，以基于機(jī)器學(xué)習(xí)的方法來重構(gòu)三維場(chǎng)景，最終分析出移動(dòng)機(jī)器人周圍環(huán)境的“可通行區(qū)域”。

現(xiàn)在關(guān)于目標(biāo)建模的目標(biāo)檢測(cè)技術(shù)的方法通常分為離線訓(xùn)練與在線檢測(cè)兩個(gè)階段。離線訓(xùn)練階段對(duì)訓(xùn)練樣本中的前景目標(biāo)與背景分別進(jìn)行特征表達(dá)，建立起目標(biāo)或背景表觀模型，再進(jìn)行分類器訓(xùn)練得到分類器模型。在線檢測(cè)階段對(duì)測(cè)試樣本在多個(gè)尺度上進(jìn)行滑動(dòng)窗口掃描后，采用同樣的特征表達(dá)方法建立起表觀模型，然后再用離線階段訓(xùn)練得到的分類器模型對(duì)其進(jìn)行分類，從而判斷各個(gè)窗口是否為前景目標(biāo)?；谇熬澳繕?biāo)建模的目標(biāo)檢測(cè)方法與基于背景建模的方法不同，該類方法不受場(chǎng)景限制，應(yīng)用范圍相對(duì)較廣泛，且檢測(cè)結(jié)果不需要進(jìn)行再度分割。

圖像特征表達(dá)可以分為基于人工設(shè)計(jì)的特征與基于學(xué)習(xí)的特征。其中，其中，人工設(shè)計(jì)特征是一種利用人類先驗(yàn)知識(shí)與智慧，并將這類知識(shí)應(yīng)用于目標(biāo)檢測(cè)、識(shí)別等任務(wù)的很好的方式。這類方法實(shí)現(xiàn)相對(duì)容易、計(jì)算也比較簡(jiǎn)單，但其極大地依賴于人類知識(shí)、經(jīng)驗(yàn)的總結(jié)，且不能做到對(duì)圖像或目標(biāo)模型最本質(zhì)的刻畫。基于學(xué)習(xí)的特征表達(dá)主要通過無(wú)監(jiān)督學(xué)習(xí)的方式，讓機(jī)器自動(dòng)地從樣本中學(xué)習(xí)到表征這些樣本更加本質(zhì)的特征。分類器設(shè)計(jì)是根據(jù)目標(biāo)檢測(cè)的具體需求，設(shè)計(jì)適用于特定問題的分類器。其中，支持向量機(jī)(SVM)、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和最近鄰分類器是使用最為廣泛的分類器，但隨著圖像分類研究的進(jìn)展，相應(yīng)的圖像表達(dá)數(shù)據(jù)維度與日俱增，傳統(tǒng)的單個(gè)分類器難以滿足要求，普遍做法是將多個(gè)分類器集成得到一個(gè)分類性能更優(yōu)良的強(qiáng)分類器，常用的方法主要有Bagging、Boosting以及隨機(jī)森林等。

使用手工設(shè)計(jì)的特征或者復(fù)雜的分類器，存在兩個(gè)明顯的缺點(diǎn)：1、手工設(shè)計(jì)的特征通常是可分性較弱的低層特征；2、分類器的復(fù)雜度越高，岔路口檢測(cè)花費(fèi)的時(shí)間越多。另外，由于室外場(chǎng)景復(fù)雜多變，不同場(chǎng)景存在光照和視角的變化。因此，我們需要一種在復(fù)雜場(chǎng)景中準(zhǔn)確、快速的岔路口檢測(cè)技術(shù)。

基于單目圖像的深度估計(jì)算法的目的是為一幅圖像上的所有像素點(diǎn)都賦予出一個(gè)深度。按照算法自動(dòng)化的程度，單目的深度估計(jì)算法可分為兩類：半自動(dòng)的算法和全自動(dòng)的算法，其差別在于是否需要人工的輔助。半自動(dòng)的深度估計(jì)算法通常需要手動(dòng)標(biāo)出圖像或者視頻序列中的部分深度，然后利用這些稀疏的深度標(biāo)注去推算出整幅圖像深度。半自動(dòng)的方式目的在于恢復(fù)高精度的深度，由于需要引入人工的手段，通常非常耗時(shí)，也很難滿足大多數(shù)計(jì)算機(jī)視覺任務(wù)的需求。而全自動(dòng)的算法則不需要任何輔助手段，直接由設(shè)計(jì)的算法自動(dòng)地估計(jì)出深度。這種算法更具有普遍的適用性。綜合近二十年來廣大科研工作者在深度估計(jì)領(lǐng)域的進(jìn)展，我們將基于單目圖像的深度估計(jì)算法分為兩類：基于深度線索的深度估計(jì)算法和基于機(jī)器學(xué)習(xí)的深度估計(jì)算法。

常用的深度線索包括：運(yùn)動(dòng)信息、線性透視、聚焦、遮擋、紋理、陰影、霧等?；谏疃染€索的深度估計(jì)方法都有嚴(yán)格的使用條件，多種深度線索融合的方法一定程度上能夠擴(kuò)大可應(yīng)用的場(chǎng)景范圍，但深度估計(jì)的精度仍然較低?；诮y(tǒng)計(jì)模式的深度估計(jì)算法由于不受特定的場(chǎng)景條件的限制，并且具有較好的適用性，正得到越來越廣泛的研究。該類算法主要通過機(jī)器學(xué)習(xí)的方法，將事先準(zhǔn)備好的大量有代表性的訓(xùn)練圖像集和對(duì)應(yīng)的深度集，輸入定義好的模型中進(jìn)行有監(jiān)督的學(xué)習(xí)，訓(xùn)練完成之后，便可將實(shí)際待測(cè)試的圖像輸入到訓(xùn)練好的模型中進(jìn)行深度的計(jì)算。

根據(jù)對(duì)傳統(tǒng)目標(biāo)檢測(cè)方法和基于單目圖像的深度估計(jì)方法的分析可知，基于圖像處理和基于手工設(shè)計(jì)特征的目標(biāo)檢測(cè)方法存在一定缺陷。而如今在當(dāng)前大數(shù)據(jù)的時(shí)代背景下，我們可以用深度學(xué)習(xí)的方法更好地完成岔路口檢測(cè)和深度估計(jì)的任務(wù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種通過卷積神經(jīng)網(wǎng)絡(luò)的線性回歸得到岔路口的深度信息，可有效提高岔路口檢測(cè)的魯棒性和抗干擾性，這樣基于卷積神經(jīng)網(wǎng)絡(luò)的岔路口檢測(cè)器的準(zhǔn)確率能滿足實(shí)際工程需求，可廣泛應(yīng)用于各種岔路口檢測(cè)的基于卷積神經(jīng)網(wǎng)絡(luò)的岔路口識(shí)別及深度估計(jì)方法。

本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：基于卷積神經(jīng)網(wǎng)絡(luò)的岔路口識(shí)別及深度估計(jì)方法，包括離線訓(xùn)練和在線檢測(cè)兩個(gè)步驟；所述離線檢測(cè)包括以下步驟：

S1、收集室外各種場(chǎng)景的岔路口樣本和非岔路口樣本，并對(duì)岔路口樣本分類；

S2、對(duì)岔路口樣本和非岔路口樣本進(jìn)行預(yù)處理；

S3、訓(xùn)練CNN岔路口檢測(cè)器；

所述在線檢測(cè)包括以下步驟：

S4、獲取檢測(cè)圖片，并對(duì)獲取的檢測(cè)圖片進(jìn)行預(yù)處理；

S5、將檢測(cè)圖像構(gòu)建圖像金字塔；

S6、對(duì)圖像金字塔進(jìn)行特征提?。豪肅NN岔路口檢測(cè)器的特征提取器對(duì)整個(gè)檢測(cè)圖像進(jìn)行特征提取，通過多次卷積和降采樣形成多張?zhí)卣鲌D；

S7、對(duì)特征圖進(jìn)行掃描，形成特征向量；

S8、特征分類：利用CNN岔路口檢測(cè)器的分類器對(duì)特征向量進(jìn)行分類，如果分類器輸出值大于設(shè)定的閾值，則判定該窗口對(duì)應(yīng)在檢測(cè)圖像中的區(qū)域包含岔路口，否則判定為背景；

S9、合并檢測(cè)窗口并輸出。

進(jìn)一步地，所述步驟S1具體實(shí)現(xiàn)方法為：通過手機(jī)拍攝大量岔路口的樣本，岔路口樣本集包含了不同的岔路口形狀，岔路口的各個(gè)視角以及到岔路口各種距離的情況。

進(jìn)一步地，所述步驟S2包括以下子步驟：

S21、根據(jù)設(shè)定的樣本尺寸，岔路口樣本和非岔路口樣本進(jìn)行尺度變換；

S22、每個(gè)岔路口樣本進(jìn)行隨機(jī)地進(jìn)行水平翻轉(zhuǎn)、平移變換、尺度變換和旋轉(zhuǎn)變換，給圖像增加一些色彩變化等，以增加岔路口樣本數(shù)量；

S23、對(duì)所有樣本進(jìn)行歸一化處理。

進(jìn)一步地，所述步驟S3具體實(shí)現(xiàn)方法為：采用BP算法訓(xùn)練CNN岔路口檢測(cè)器，每次迭代采用最小批的方式計(jì)算網(wǎng)絡(luò)誤差和更新權(quán)重，當(dāng)在驗(yàn)證集上正確率不再提高時(shí)終止網(wǎng)絡(luò)訓(xùn)練，獲得CNN岔路口檢測(cè)器。

進(jìn)一步地，所述步驟S7包括以下子步驟：

S71、根據(jù)設(shè)定的窗口大小，同時(shí)掃描最后降采樣層生成的多張?zhí)卣鲌D；

S72、將窗口中的特征值串連在一起，形成特征向量。

進(jìn)一步地，所述步驟S9包括以下子步驟：

S91、待所有金字塔層都檢測(cè)完后，采用非最大壓制的方法合并所有相交的檢測(cè)結(jié)果；

S92、在檢測(cè)圖像中畫出岔路口檢測(cè)結(jié)果，并將結(jié)果輸出，完成岔路口檢測(cè)，如果檢測(cè)出岔路口則通過回歸得到岔路口區(qū)域的深度估計(jì)。

進(jìn)一步地，所述CNN岔路口檢測(cè)器是一個(gè)多層模型，將CNN岔路口檢測(cè)器分為兩部分：特征提取器和分類器，特征提取器包括網(wǎng)絡(luò)前端的輸入層、卷積層和降采樣層；分類器包括網(wǎng)絡(luò)后端的全連接層。

本發(fā)明的有益效果是：本發(fā)明提出應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行岔路口檢測(cè)和深度估計(jì)：在訓(xùn)練階段，卷積神經(jīng)網(wǎng)絡(luò)從大量室外不同場(chǎng)景的岔路口樣本和非岔路口樣本中學(xué)習(xí)到岔路口本質(zhì)的特征，這種特征比手工設(shè)計(jì)的特征具有更強(qiáng)的可分性；在檢測(cè)階段，采用在檢測(cè)圖像上掃描窗口的特征提取方式，并用卷積神經(jīng)網(wǎng)絡(luò)的分類器進(jìn)行分類，通過卷積神經(jīng)網(wǎng)絡(luò)的線性回歸得到岔路口的深度信息；可有效提高岔路口檢測(cè)的魯棒性和抗干擾性，這樣基于卷積神經(jīng)網(wǎng)絡(luò)的岔路口檢測(cè)器的準(zhǔn)確率能滿足實(shí)際工程需求，可廣泛應(yīng)用于各種岔路口檢測(cè)。

附圖說明

圖1為本發(fā)明的岔路口識(shí)別及深度估計(jì)方法流程圖；

圖2為本發(fā)明的CNN岔路口檢測(cè)器網(wǎng)絡(luò)結(jié)構(gòu)圖。

具體實(shí)施方式

本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行準(zhǔn)確地岔路口檢測(cè)和深度估計(jì)。在訓(xùn)練階段，首先收集大量的岔路口樣本和非岔路口樣本，并對(duì)岔路口樣本標(biāo)注深度信息，用于訓(xùn)練岔路口分類器以及岔路口深度估計(jì)；然后對(duì)訓(xùn)練樣本進(jìn)行預(yù)處理，進(jìn)行尺度變換、歸一化像素值的取值范圍以及擴(kuò)大訓(xùn)練樣本集；最后采用BP算法訓(xùn)練CNN岔路口檢測(cè)器。經(jīng)過反復(fù)訓(xùn)練，CNN岔路口檢測(cè)器已經(jīng)學(xué)習(xí)到了岔路口本質(zhì)的特征，能完成準(zhǔn)確的岔路口檢測(cè)任務(wù)。在檢測(cè)階段，首先對(duì)檢測(cè)圖片做預(yù)處理，同時(shí)為了進(jìn)行多尺度檢測(cè)，對(duì)檢測(cè)圖片構(gòu)建圖像金字塔；然后利用CNN岔路口檢測(cè)器的特征提取器對(duì)檢測(cè)圖像進(jìn)行特征提取，形成多張?zhí)卣鲌D；其次用窗口掃描特征圖，將窗口中的特征值串連在一起，形成特征向量，利用CNN岔路口檢測(cè)器的分類器對(duì)特征向量進(jìn)行分類，判定是否是岔路口；最后用非最大壓制的方法合并所有相交的檢測(cè)結(jié)果并輸出結(jié)果。本發(fā)明利用卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征，可有效提高岔路口檢測(cè)的魯棒性和抗干擾性，這樣基于卷積神經(jīng)網(wǎng)絡(luò)的岔路口檢測(cè)器的準(zhǔn)確率能滿足實(shí)際工程需求。下面結(jié)合附圖進(jìn)一步說明本發(fā)明的技術(shù)方案。

如圖1所示，基于卷積神經(jīng)網(wǎng)絡(luò)的岔路口識(shí)別及深度估計(jì)方法，包括離線訓(xùn)練和在線檢測(cè)兩個(gè)步驟；所述離線檢測(cè)包括以下步驟：

S1、收集室外各種場(chǎng)景的岔路口樣本和非岔路口樣本，并對(duì)岔路口樣本分類；具體實(shí)現(xiàn)方法為：通過手機(jī)拍攝大量岔路口的樣本，岔路口樣本集包含了不同的岔路口形狀，岔路口的各個(gè)視角以及到岔路口各種距離的情況；

訓(xùn)練CNN岔路口檢測(cè)器需要大量的樣本。鑒于此前岔路口檢測(cè)的相關(guān)研究較少，沒有相關(guān)的數(shù)據(jù)集，因此采用手機(jī)拍攝了1000張岔路口樣本，涵蓋了不同的岔路口形狀，岔路口的大部分視角以及采用紅外測(cè)距儀測(cè)量了岔路口的深度信息。將原始圖像大小歸一化為寬度480像素和高度640個(gè)像素。岔路口對(duì)應(yīng)的深度信息為5米、10米、15米和20米4個(gè)類別。

S2、對(duì)岔路口樣本和非岔路口樣本進(jìn)行預(yù)處理；包括以下子步驟：

S21、根據(jù)設(shè)定的樣本尺寸，岔路口樣本和非岔路口樣本進(jìn)行尺度變換；

S22、每個(gè)岔路口樣本進(jìn)行隨機(jī)地進(jìn)行水平翻轉(zhuǎn)、平移變換、尺度變換和旋轉(zhuǎn)變換，給圖像增加一些色彩變化等，以增加岔路口樣本數(shù)量；

S23、對(duì)所有樣本進(jìn)行歸一化處理；

為了增加樣本數(shù)量，在原始圖像中以不同的窗口移動(dòng)獲取岔路口樣本和非岔路口樣本，窗口大小依據(jù)深度信息進(jìn)行選取。最后將這些窗口獲取的圖像歸一化到相同的大小224*224。所有樣本采用RGB彩色圖像，不需要轉(zhuǎn)換像素值。

S3、訓(xùn)練CNN岔路口檢測(cè)器；其具體實(shí)現(xiàn)方法為：采用BP算法訓(xùn)練CNN岔路口檢測(cè)器，每次迭代采用最小批的方式計(jì)算網(wǎng)絡(luò)誤差和更新權(quán)重，當(dāng)在驗(yàn)證集上正確率不再提高時(shí)終止網(wǎng)絡(luò)訓(xùn)練，獲得CNN岔路口檢測(cè)器；

CNN岔路口檢測(cè)器是一個(gè)多層模型，它能有監(jiān)督地從大量樣本中自動(dòng)地進(jìn)行特征學(xué)習(xí)。輸入是圖片的原始像素點(diǎn)，輸出是圖像的分類標(biāo)簽以及深度值。CNN岔路口檢測(cè)器網(wǎng)絡(luò)包含5個(gè)卷積層、3個(gè)全連接層和1個(gè)softmax層。CNN岔路口檢測(cè)器網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

第一個(gè)卷積層利用96個(gè)大小為11×11×3、步長(zhǎng)為4個(gè)像素(這是同一核映射中鄰近神經(jīng)元的感受野中心之間的距離)的核，來對(duì)大小為224×224×3的輸入圖像進(jìn)行濾波。第二個(gè)卷積層需要將第一個(gè)卷積層的(響應(yīng)歸一化及池化的)輸出作為自己的輸入，且利用256個(gè)大小為5×5×48的核對(duì)其進(jìn)行濾波。第三、第四和第五個(gè)卷積層彼此相連，沒有任何介于中間的pooling層與歸一化層。第三個(gè)卷積層有384個(gè)大小為3×3×256的核被連接到第二個(gè)卷積層的(歸一化的、池化的)輸出。第四個(gè)卷積層擁有384個(gè)大小為3×3×192的核，第五個(gè)卷積層擁有256個(gè)大小為3×3×192的核。全連接層都各有4096神經(jīng)元。在圖2中前兩個(gè)全連接層使用dropout。如果沒有dropout，我們的網(wǎng)絡(luò)會(huì)表現(xiàn)出大量的過擬合。dropout使收斂所需的迭代次數(shù)大致增加了一倍。激勵(lì)函數(shù)采用Relu。

整個(gè)網(wǎng)絡(luò)模型除了岔路口檢測(cè)還需進(jìn)行深度估計(jì)，我們?cè)诰矸e神經(jīng)網(wǎng)絡(luò)的最后層有一個(gè)線性回歸層，當(dāng)提取出高層特征之后，通過送個(gè)簡(jiǎn)單的線性回歸將其轉(zhuǎn)化為當(dāng)前像素點(diǎn)上的深度值。

CNN岔路口檢測(cè)器采用BP算法進(jìn)行訓(xùn)練，根據(jù)網(wǎng)絡(luò)輸出與樣本標(biāo)簽的誤差更新網(wǎng)絡(luò)的參數(shù)。在訓(xùn)練時(shí)，學(xué)習(xí)速率設(shè)定為0.01，每次迭代輸入128個(gè)樣本，以平均誤差更新參數(shù)。迭代次數(shù)根據(jù)在驗(yàn)證集上的測(cè)試效果決定，當(dāng)在驗(yàn)證集上的正確率不再提高的時(shí)候終止網(wǎng)絡(luò)的訓(xùn)練。

將CNN岔路口檢測(cè)器分為兩部分：特征提取器和分類器，特征提取器包括網(wǎng)絡(luò)前端的輸入層、卷積層和降采樣層；分類器包括網(wǎng)絡(luò)后端的全連接層。

本發(fā)明所采用的檢測(cè)流程與傳統(tǒng)目標(biāo)檢測(cè)技術(shù)流程的不同之處在于特征提取和窗口掃描這兩步驟的順序。傳統(tǒng)目標(biāo)檢測(cè)技術(shù)大多都是先按照設(shè)定的窗口大小，從檢測(cè)圖像上逐像素掃描窗口，再對(duì)每個(gè)窗口中的子圖像提取特征。而在本發(fā)明中，由于卷積神經(jīng)網(wǎng)絡(luò)特征提取器不受圖像大小的限制，一旦學(xué)習(xí)到卷積核的具體形式，就可以從任意大小圖像中提取特征，因此先對(duì)檢測(cè)圖像整體進(jìn)行特征提取，形成多個(gè)檢測(cè)圖像的特征圖，再在多個(gè)特征圖上同時(shí)掃描窗口，將窗口中的特征值串連在一起，由分類器進(jìn)行分類。

所述在線檢測(cè)包括以下步驟：

S4、獲取檢測(cè)圖片，并對(duì)獲取的檢測(cè)圖片進(jìn)行預(yù)處理；

S5、將檢測(cè)圖像構(gòu)建圖像金字塔，圖像金字塔尺度變換分為6個(gè)等級(jí)：[0.5,0.6,0.7,0.8,0.9,1.0]，便于多尺度檢測(cè)岔路口；

S6、對(duì)圖像金字塔進(jìn)行特征提取：利用CNN岔路口檢測(cè)器的特征提取器對(duì)整個(gè)檢測(cè)圖像進(jìn)行特征提取，通過多次卷積和降采樣形成多張?zhí)卣鲌D；

S7、對(duì)特征圖進(jìn)行掃描，形成特征向量；具體包括以下子步驟：

S71、根據(jù)設(shè)定的窗口大小，同時(shí)掃描最后降采樣層生成的多張?zhí)卣鲌D；

S72、將窗口中的特征值串連在一起，形成特征向量；

S8、特征分類：利用CNN岔路口檢測(cè)器的分類器對(duì)特征向量進(jìn)行分類，如果分類器輸出值大于設(shè)定的閾值(本實(shí)施例將閾值設(shè)為0.8)，則判定該窗口對(duì)應(yīng)在檢測(cè)圖像中的區(qū)域包含岔路口，否則判定為背景；

S9、合并檢測(cè)窗口并輸出，包括以下子步驟：

S91、待所有金字塔層都檢測(cè)完后，采用非最大壓制的方法合并所有相交的檢測(cè)結(jié)果；

S92、在檢測(cè)圖像中畫出岔路口檢測(cè)結(jié)果，并將結(jié)果輸出，完成岔路口檢測(cè)，如果檢測(cè)出岔路口則通過回歸得到岔路口區(qū)域的深度估計(jì)。

在采集的1000張岔路口數(shù)據(jù)集上進(jìn)行測(cè)試，在每張圖片的平均誤報(bào)為0.25的情況下，CNN岔路口檢測(cè)器達(dá)到了89.6％的檢測(cè)準(zhǔn)確度。證明本發(fā)明的檢測(cè)方法具有較高的準(zhǔn)確度和實(shí)用性。

本領(lǐng)域的普通技術(shù)人員將會(huì)意識(shí)到，這里所述的實(shí)施例是為了幫助讀者理解本發(fā)明的原理，應(yīng)被理解為本發(fā)明的保護(hù)范圍并不局限于這樣的特別陳述和實(shí)施例。本領(lǐng)域的普通技術(shù)人員可以根據(jù)本發(fā)明公開的這些技術(shù)啟示做出各種不脫離本發(fā)明實(shí)質(zhì)的其它各種具體變形和組合，這些變形和組合仍然在本發(fā)明的保護(hù)范圍內(nèi)。