[發明專利]一種基于多目標角點池化神經網絡的車輛檢測方法有效

申請號：	201910381823.6	申請日：	2019-05-08
公開（公告）號：	CN110084222B	公開（公告）日：	2022-10-21
發明（設計）人：	郝立穎;栗杰;郭戈	申請（專利權）人：	大連海事大學
主分類號：	G06V20/54	分類號：	G06V20/54;G06V10/42;G06V10/44;G06V10/82;G06V10/80;G06V10/75
代理公司：	大連東方專利代理有限責任公司 21212	代理人：	姜玉蓉;李洪福
地址：	116026 遼***	國省代碼：	遼寧;21
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于多目標角點池化神經網絡車輛檢測方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明提供一種基于多目標角點池化神經網絡的被遮擋車輛檢測方法，包括：獲取MS COCO目標檢測數據集，制作車輛圖像數據集；選取沙漏網絡為基石網絡，并搭建神經網絡框架，采集整個網絡最后一層的特征并將其傳輸到殘差模塊進行多目標角點池化操作，生成圖像內各車輛的角點對、嵌入矢量和映射偏差特征；設計損失函數，并利用Adam算法進行優化；角點配對模塊對經過多目標角點池化操作得到的特征進行角點對配對處理，若存在未配對角點，則通過角點補全模塊進行補全處理，生成車輛檢測框，得出車輛的檢測結果。本發明的技術方案解決了在實際的交通場景中車輛數輛龐大、道路情況復雜下，在檢測道路車輛時不能準確地將車輛逐一檢測、框選的技術問題。

技術領域

本發明涉及目標檢測技術領域，具體而言，尤其涉及一種基于多目標角點池化神經網絡的車輛檢測方法。

背景技術

復雜交通場景下的車輛檢測就是要從實際的交通場景下，對圖像內的車輛進行檢測并準確框選。通過建立深度神經網絡模型并利用完整的數據集進行訓練，使其能夠適應各種復雜的實際環境如車輛遮擋、建筑遮擋等。Girshick等人提出了采用RCNN網絡來提取圖像中的所有感興趣區域，然后利用ConvNet來處理這些區域，這就會產生大量的冗余計算。為了解決這個問題，Fast-RCNN設計了一個特殊的池化層，從特征圖中收集感興趣區域，但這一算法仍不能實現端到端的訓練。之后Faster-RCNN通過引入RPN網絡來消除區域搜索，不僅提高了檢測器的效率，而且實現了端到端的訓練。但這些算法都需要先確定感興趣區域再進行檢測和識別，計算效率較低。YOLO和SSD系列算法取消了感興趣區域的池化步驟，利用單一的網絡來檢測圖像內的目標，大大提高了計算效率，取得了良好的結果。在實際的交通場景中，車輛數輛龐大，道路情況復雜，現有技術在檢測道路車輛時往往表現不佳，不能準確地將這些車輛逐一檢測、框選。

發明內容

根據上述提出在實際的交通場景中，車輛數輛龐大，道路情況復雜，現有技術在檢測道路車輛時往往表現不佳，不能準確地將這些車輛逐一檢測、框選的技術問題，而提供一種復雜交通場景下基于多目標角點池化神經網絡的被遮擋車輛檢測方法。

本發明采用的技術手段如下：

一種基于多目標角點池化神經網絡的被遮擋車輛檢測方法，包括以下步驟：

步驟S1：獲取MS COCO目標檢測數據集，制作MS COCO車輛圖像數據集；

步驟S2：選取沙漏網絡為基石網絡，并搭建神經網絡框架，采集整個網絡最后一層的特征并將其傳輸到殘差模塊；

步驟S3：對傳輸到殘差模塊的特征進行多目標角點池化操作，生成圖像內各車輛的角點對、嵌入矢量和映射偏差特征；

步驟S4：設計損失函數，并利用Adam算法進行優化；

步驟S5：角點配對模塊對步驟S3中經過多目標角點池化操作得到的特征進行角點對配對處理，若存在未配對角點，則通過角點補全模塊進行補全處理，最后生成車輛檢測框，得出車輛的檢測結果。

進一步地，所述步驟S1的具體步驟如下：

步驟S101：下載MS COCO目標檢測數據集，分別提取訓練數據集、驗證數據集和測試數據集中的車輛類別圖片和對應標簽；

步驟S102：將驗證數據集和訓練數據集中全部車輛類別圖片用于模型訓練，將測試數據集平均分成兩部分，一部分用來做消融實驗，另一部分用來評估模型性能。