[發明專利]一種特征融合自適應錨框模型車輛檢測方法

有效

• 申請號: 201910622037.0
• 申請日: 2019-07-10
• 公開（公告）號: CN110399884B
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 呂文濤;郭理鵬
• 申請（專利權）人: 浙江理工大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林超

本發明公開了一種特征融合自適應錨框模型車輛檢測方法。采集車輛數據集的多幅圖像，將圖像輸入到卷積神經網絡中進行特征提取，利用A2中得到的特征圖來預測候選框，建立預測網絡模型，預測中自適應錨框，根據圖像中GT框的大小建立自適應閾值得到多個錨框的大小；標簽和偏移量的獲取：建立預測網絡模型的損失函數，訓練預測網絡；針對未知物體GT框的待測圖像，輸入到訓練后的預測網絡模型中，得到候選框及其候選框的位置坐標。本發明提高了對小物體的檢測能力，有效的提高了車輛檢測性能，結果較為準確。

技術領域

本發明涉及目標檢測領域，更具體的涉及一種特征融合自適應錨框模型車輛檢測方法。

背景技術

車輛檢測在無人駕駛、道路監控、輔助駕駛等方面都有著重要應用，隨著近些年車輛的不斷增多和人們對于車輛檢測技術需求的不斷提高，車輛檢測已經成為目標檢測領域的重要研究對象。

在傳統的車輛檢測算法中，圖像處理和機器學習發揮了重要的作用，被許多學者研究，并將取得的成果應用在科學研究和工程領域。這些算法通常包括兩個步驟：首先，通過局部二值模式(LBP)、方向梯度直方圖(HOG)、尺度不變特征變換(SIFT)等方法從圖像中提取目標的特征向量。然后將提取的特征向量送入分類器，如：支持向量機(SVM)、自適應增強(AdaBoost)、決策樹(DT)等進行分類。這些方法依托人工設計的特征提高了檢測性能，但是無法在復雜場景中取得好的效果，在車輛檢測中存在瓶頸。

深度學習使用大量數據訓練的更深更復雜的網絡模型對圖像提取特征，所提取的特征優于傳統方法所提取的特征，在一定程度上解決了訓練時間長，檢測速度慢的問題。但是現有深度學習的目標檢測方法的步驟都比較繁瑣，使用選擇性搜索方法產生的候選框存在很多冗余，并且這些區域會進行多次卷積操作，造成很大的計算量，十分耗時。

尤其是對于小目標車輛的檢測，這些方法不能獲得較好的檢測結果。

發明內容

本發明目的是針對現有的車輛檢測方法對小目標車輛檢測能力的不足之處，以提高車輛檢測的準確性，提供了一種特征融合自適應錨框模型車輛檢測方法。

本發明方法的基本思路是首先將特征提取網絡提取的不同尺度的特征圖相融合，然后根據訓練數據中Ground Truth(GT)的長寬分布自適應閾值得到合適尺寸的錨框，這樣通過提升對小目標的檢測能力，來提高檢測性能。

本發明的目的是通過以下技術方案來實現的，如圖2所示，包括以下具體步驟：

A1，采集車輛數據集，車輛數據集包含物體GT框的多幅圖像I，物體對象為車輛，GT框數據為[c^*,x^*,y^*,w^*,h^*]，c^*表示GT框內物體的類別，x^*，y^*分別表示GT框內中心點的x坐標和y坐標，w^*，h^*分別表示GT框的高度和寬度；

A2，特征融合，將圖像I輸入到卷積神經網絡中進行特征提取，將特征提取后得到不同尺度相融合的大小特征圖，在大特征圖中對小物體進行檢測，在小特征圖中對大物體進行檢測；

A3，候選框預測，利用A2中得到的特征圖來預測候選框，具體建立如下預測網絡模型：

A3-1，同時用滑動窗口分別在融合后的大小特征圖上分別進行卷積，滑動窗口的中心作為錨點，以每個錨點為中心產生固定數量的不同尺寸的錨框，每個滑動窗口生成一個固定維度的特征；

A3-2，將A3-1中生成的特征輸入到兩個全連接層，一個全連接層用于預測錨框是物體的概率p，另外一個全連接層用于預測候選框坐標相對于錨框的偏移量t；