[發(fā)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?zhí)枺?/td>: 202010042002.2
• 申請日: 2020-01-15
• 公開（公告）號: CN111242127B
• 公開（公告）日: 2023-02-24
• 發(fā)明（設(shè)計(jì)）人: 楊振坤;馬向華;狄逸群;茅豐;于志強(qiáng)
• 申請（專利權(quán)）人: 上海應(yīng)用技術(shù)大學(xué)
• 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(chǎn)權(quán)代理有限公司 31236
• 代理人: 黃超宇;胡晶

本發(fā)明公開了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，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(biāo)檢測數(shù)據(jù)集，包括訓(xùn)練集和測試集；步驟S2：設(shè)計(jì)非對稱卷積AC單元；步驟S3：將非對稱卷積AC單元嵌入Res2Net模塊構(gòu)建具有粒度級多尺度特性的非對稱卷積ACB模塊；步驟S4：將ACB模塊嵌入輕量化模型ShuffleNetV2中構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的車輛目標(biāo)分類網(wǎng)絡(luò)ACBNet；步驟S5：利用所制作的車輛目標(biāo)訓(xùn)練集訓(xùn)練車輛目標(biāo)分類網(wǎng)絡(luò)ACBNet；步驟S6：將測試集圖片放入分類網(wǎng)絡(luò)ACBNet進(jìn)行分類，之后再經(jīng)過殘差預(yù)測模塊處理獲得所預(yù)測圖像或視頻中車輛的類別和位置信息并框出車輛目標(biāo)。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)中的視頻檢測技術(shù)領(lǐng)域，特別涉及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。

背景技術(shù)

近年來，隨著市場需求的增長以及人工智能的不斷發(fā)展，自動(dòng)駕駛逐步成為了各大學(xué)者研究的熱點(diǎn)問題之一。車輛目標(biāo)檢測作為自動(dòng)駕駛中的一個(gè)重要步驟，也是大家研究的主要問題之一。在智能交通監(jiān)控視頻中，目標(biāo)檢測技術(shù)也得到了廣泛的應(yīng)用。車輛檢測技術(shù)是利用計(jì)算機(jī)視覺技術(shù)判斷靜態(tài)圖像或動(dòng)態(tài)視頻中是否存在車輛并定位車輛的位置信息。在現(xiàn)實(shí)生活的交通場景中，車輛目標(biāo)檢測受到多種因素的干擾，如：光照、遮擋等。如何快速地、準(zhǔn)確地對復(fù)雜交通場景下的車輛進(jìn)行檢測、識別已經(jīng)成為一個(gè)值得深入研究的課題。基于深度學(xué)習(xí)特征提取的車輛檢測方法學(xué)到的特征具有很強(qiáng)層次表達(dá)能力，可以更好的解決一些視覺問題。然而現(xiàn)有的基于深度學(xué)習(xí)的車輛檢測方法魯棒性以及解決多尺度問題表現(xiàn)欠佳。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)中的不足，本發(fā)明提供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，用以解決現(xiàn)有技術(shù)中實(shí)時(shí)性和魯棒性低、多尺度問題檢測性能相對較差的問題。

為了達(dá)到上述發(fā)明目的，解決其技術(shù)問題所采用的技術(shù)方案如下：

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，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(biāo)檢測數(shù)據(jù)集，包括訓(xùn)練集和測試集；

步驟S2：設(shè)計(jì)非對稱卷積AC單元；

步驟S3：將步驟S2設(shè)計(jì)的非對稱卷積AC單元嵌入Res2Net模塊構(gòu)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(shè)計(jì)的ACB模塊嵌入輕量化模型ShuffleNetV2中構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的車輛目標(biāo)分類網(wǎng)絡(luò)ACBNet；

步驟S5：利用所制作的車輛目標(biāo)訓(xùn)練集訓(xùn)練車輛目標(biāo)分類網(wǎng)絡(luò)ACBNet；

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

進(jìn)一步的，步驟S2具體為：一個(gè)AC單元由卷積核為1×3和1×3、1×3、3×1三個(gè)平行分支組成，對于AC單元中的一個(gè)分支，表示卷積層的輸入，使用F＝[g₁，g₁，...，g_c]表示學(xué)習(xí)的卷積核集，其中g(shù)_c表示對應(yīng)的第c個(gè)卷積核的參數(shù)，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(shù)，對于該層的第c個(gè)濾波器，對應(yīng)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(gè)通道的二維空間核，V^c表示U的第c個(gè)輸出特征圖通道，Y^s表示I的第s個(gè)輸入特征圖通道；