[發明專利]基于非對稱卷積的具有粒度級多尺度特性的車輛檢測方法

有效

• 申請號: 202010042002.2
• 申請日: 2020-01-15
• 公開（公告）號: CN111242127B
• 公開（公告）日: 2023-02-24
• 發明（設計）人: 楊振坤;馬向華;狄逸群;茅豐;于志強
• 申請（專利權）人: 上海應用技術大學
• 主分類號: G06V30/146
• 分類號: G06V30/146;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 黃超宇;胡晶

1.基于非對稱卷積的具有粒度級多尺度特性的車輛檢測方法，其特征在于，包括以下步驟：

步驟S1：通過視頻流獲取若干包含車輛的圖片，制作車輛目標檢測數據集，包括訓練集和測試集；

步驟S2：設計非對稱卷積AC單元；

步驟S2具體為：一個AC單元由卷積核為1×3和1×3、1×3、3×1三個平行分支組成，對于AC單元中的一個分支，表示卷積層的輸入，使用F＝[g₁，g₂，...，g_c]表示學習的卷積核集，其中g_c表示對應的第c個卷積核的參數，表示卷積層的輸出，H、W、C分別表示輸出特征圖的高度、寬度、通道數，對于該層的第c個濾波器，對應的輸出特征圖通道為：

其中，*表示卷積，U＝[V¹，V²，...，V^C]，I＝[Y¹，Y²，...，Y^D]和表示g_c的單個通道的二維空間核，V^c表示U的第c個輸出特征圖通道，Y^s表示I的第s個輸入特征圖通道；

為了減少過擬合，在卷積層之后采用批量歸一化操作，批處理后的歸一化層進行線性尺度變換以增強網絡的表示能力，輸出特征映射通道變為：

其中，u_c和σ_c表示通道平均值和批量歸一化的標準偏差，γ_c和β_c分別表示學習尺度因子和偏差項；

每一層中的每個卷積操作之后都要進行批量歸一化，稱為一個分支，三個分支的輸出匯總為AC單元的輸出，對于卷積核為1×3和3×1的分支，該分支中輸入特征圖首先經過卷積核為1×3的卷積層，對于1×3的卷積層中第c個濾波器，對應的輸出特征圖通道為：

其中，表示的單個通道的二維空間核，和表示通道平均值和批量歸一化的標準偏差，和分別表示學習尺度因子和偏差項；

之后1×3的卷積層的輸出特征圖進入卷積核為3×1的卷積層，對于3×1的卷積層中第c個濾波器，對應的輸出特征圖通道為：

其中，表示的單個通道的二維空間核，和表示通道平均值和批量歸一化的標準偏差，和分別表示學習尺度因子和偏差項；

對于卷積核為1×3的分支，該層的第c個濾波器對應的輸出特征圖通道為：

其中，表示的單個通道的二維空間核，和表示通道平均值和批量歸一化的標準偏差，和分別表示學習尺度因子和偏差項；

對于卷積核為3×1的分支，該層的第c個濾波器對應的輸出特征圖通道為：

其中，表示的單個通道的二維空間核，和表示通道平均值和批量歸一化的標準偏差，和分別表示學習尺度因子和偏差項；

將三個分支第c個濾波器對應的輸出特征圖相加得到AC單元的輸出，記為：

其中，表示卷積核為1×3和3×1分支的第c個通道上的輸出特征圖，表示卷積核為1×3分支的第c個通道上的輸出特征圖，表示卷積核為3×1分支的第c個通道上的輸出特征圖；

步驟S3：將步驟S2設計的非對稱卷積AC單元嵌入Res2Net模塊構建具有粒度級別多尺度特性的非對稱卷積ACB模塊；

步驟S4：將步驟S3設計的ACB模塊嵌入輕量化模型ShuffleNetV2中構建基于卷積神經網絡的車輛目標分類網絡ACBNet；

步驟S5：利用所制作的車輛目標訓練集訓練車輛目標分類網絡ACBNet；

步驟S6：將測試集圖片放入步驟S5訓練好的分類網絡ACBNet進行分類，之后再經過具有通道和空間注意力的殘差預測模塊處理獲得所預測圖像或視頻中車輛的類別和位置信息并框出車輛目標。