[發明專利]基于多分支循環自注意力網絡與循環邊框回歸的車輛檢測方法

有效

• 申請號: 201910243463.3
• 申請日: 2019-03-28
• 公開（公告）號: CN109993101B
• 公開（公告）日: 2021-01-19
• 發明（設計）人: 周智恒;黃宇
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發明公開了一種基于多分支循環自注意力網絡與循環邊框回歸的車輛檢測方法，包括如下步驟：構造車輛檢測的主干網絡；使用RPN網絡預測候選框，并根據候選框提取實例特征圖，循環地預測自注意力圖與計算新的實例特征圖得到最終的實例特征圖；使用循環邊框回歸，根據預測出的檢測框循環地選擇基礎網絡輸出的特征圖；使用多分支網絡結構，將上述計算網絡拓展至多分支，融合多分支檢測結果。本發明基于多分支循環自注意力網絡與循環邊框回歸方法，與傳統深度學習的車輛檢測方法相比能獲取車輛更精確的特征，提高車輛的檢測框的置信度并能獲得更準確的檢測框，提高檢測準確率。

技術領域

本發明涉及車輛檢測技術領域，具體涉及一種基于多分支循環自注意力網絡與循環邊框回歸的車輛檢測方法。

背景技術

車輛檢測是輔助駕駛系統(ADAS)和自動駕駛系統(ADS)的重要組成部分。準確率更高的車輛檢測算法對于自動駕駛系統和輔助駕駛系統的安全性具有重要的意義。由于深度學習的強大泛化能力和擬合能力，基于深度學習的車輛檢測算法在準確率方面有著極大的提升。目前基于深度學習的車輛檢測算法主要有Fast RCNN、Faster RCNN、SSD等。基于深度學習的目標檢測算法中，在訓練階段，輸入圖像輸入到卷積神經網絡提取特征，匹配算法根據候選框與標簽框的IoU重疊度選取一部分特征訓練檢測框的置信度以及位置，在推理階段，檢測算法使用所有特征來預測檢測框，最后使用非極大值抑制算法(NMS)來過濾檢測框以獲得最后的檢測結果。

由于道路環境的復雜性，車輛經常會被其他物體遮擋，包括類間遮擋和類內遮擋，在傳統的深度學習目標檢測算法中，選取的區域的特征通常不僅僅有本身車輛的特征，還包含了其他物體的特征。另外，傳統的深度學習算法僅僅選取了一次特征或者選取了兩次特征作為后續微調的特征。上述的兩種缺點導致了目前的車輛檢測算法選取的特征仍然不夠精確，預測的檢測框不夠精確，準確率不高。因此目前亟待針對傳統深度學習車輛檢測算法對于遮擋車輛檢測精度低的問題，提供一種基于多分支循環自注意力網絡與循環邊框回歸的車輛檢測方法。

發明內容

本發明的目的是為了解決現有技術中的上述缺陷，提供一種基于多分支循環自注意力網絡與循環邊框回歸的車輛檢測方法。

本發明的目的可以通過采取如下技術方案達到：

一種基于多分支循環自注意力網絡與循環邊框回歸的車輛檢測方法，所述的車輛檢測方法包括下列步驟：

S1、使用卷積層、BN層、Relu層、池化層構造車輛檢測的主干網絡，作為圖像的特征提取器；

S2、構建循環自注意力網絡，用區域提名網絡(Region Proposal Network，RPN)在主干網絡輸出的特征圖上預測候選框，并輸入候選框和主干網絡輸出的特征圖到自適應池化層得到初始實例特征圖，使用m×m的卷積核在實例特征圖的基礎上預測自注意力圖，其中m為卷積核的大小，將自注意力圖與初始實例特征圖通過Hadamard乘積得到新的實例特征圖，循環地預測自注意力圖與計算新的實例特征圖T次得到最后的實例特征圖F_T，也就是輸入主干網絡輸出的特征圖到循環自注意力網絡得到最后的實例特征圖F_T；

S3、給定步驟S2中的實例特征圖F_T，將實例特征圖F_T作為檢測子網絡的輸入得到輸出的結果其中I為RPN網絡預測的候選框個數，表示的是第k分支第j次循環中的檢測子網絡輸出的第i₁個候選框，其中1≤k≤K，1≤j≤L,L為循環邊框回歸的循環次數，K為分支的個數，其中分別表示該邊框的左邊界、上邊界、右邊界、下邊界的坐標和置信度，D_j，k表示的是第k分支第j次循環中的檢測子網絡輸出的集合；