[發明專利]一種基于神經網絡的無人駕駛專用車輛檢測方法

在審

• 申請號: 202010048835.X
• 申請日: 2020-01-16
• 公開（公告）號: CN111259800A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 王一晶;孫文韜;左志強
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 潘俊達

1.一種基于神經網絡的無人駕駛專用車輛檢測方法，其特征在于，包括：

步驟一：構建特征提取網絡、堆疊特征圖和錨框生成網絡，并對數據集的汽車長寬數據進行聚類運算；

步驟二：對所述錨框生成網絡輸出的邊界框進行坐標調整，去除冗余的邊界框，獲得檢測結果。

2.如權利要求1所述的基于神經網絡的無人駕駛專用車輛檢測方法，其特征在于，所述步驟一中，構建特征提取網絡的過程包括：

構建Fire模塊和池化層，每三個Fire模塊和一個池化層構成所述特征提取網絡的一個組成單元，并在前一個Fire模塊和后一個Fire模塊之間加入殘差連接。

3.如權利要求2所述的基于神經網絡的無人駕駛專用車輛檢測方法，其特征在于，所述Fire模塊的構建過程包括：

先設置壓縮層，再設置擴展層，所述壓縮層為1×1的卷積層，所述擴展層包含1×1的卷積層和3×3的卷積層，所述壓縮層的卷積核數目為S_1×1，所述擴展層的1×1的卷積層的卷積核數目為e_1×1，所述擴展層的3×3的卷積層的卷積核數目為e_3×3，滿足關系式：S_1×1＝SR×(e_1×1+e_3×3)，SR表示縮減系數。

4.如權利要求1所述的基于神經網絡的無人駕駛專用車輛檢測方法，其特征在于，對數據集的汽車長寬數據進行聚類運算的過程包括：

從數據集的汽車長寬數據中選取k個樣本點形成k個聚類中心，計算k個樣本點中的每個樣本點到各個聚類中心的距離D_ij，滿足關系式：其中，D_ij表示第i個樣本點到第j個聚類中心的距離，(x_i,y_j)表示k個樣本點中的一個樣本點，(x_ui,y_uj)表示k個聚類中心中的一個聚類中心。

5.如權利要求4所述的基于神經網絡的無人駕駛專用車輛檢測方法，其特征在于，對數據集的汽車長寬數據進行聚類運算的過程還包括：

依據樣本點到各個聚類中心的距離D_ij的不同，將樣本點劃分到不同的簇，每個簇的聚類中心和屬于這個簇的樣本點之間滿足關系式：其中，SSE表示誤差平方和，U_m是第m個簇，(x_um,y_um)表示U_m這個簇的聚類中心，表示屬于U_m這個簇的樣本點。

6.如權利要求1所述的基于神經網絡的無人駕駛專用車輛檢測方法，其特征在于，所述步驟二中，對所述錨框生成網絡輸出的邊界框進行坐標調整的過程包括：

所述錨框生成網絡的錨框數據為其中，表示錨框左上角的橫坐標，表示錨框左上角的縱坐標，表示錨框的寬度，表示錨框的高度，并按以下關系式調整邊界框的坐標：

其中，表示錨框左上角橫坐標的偏差值，表示錨框左上角縱坐標的偏差值，表示錨框寬度的偏差值，表示錨框高度的偏差值，表示調整后的邊界框坐標，sig()為sigmoid函數，sigmoid函數的公式為：

7.如權利要求1所述的基于神經網絡的無人駕駛專用車輛檢測方法，其特征在于，所述步驟二中，去除冗余的邊界框的過程包括：

去掉分數低于閾值的所有邊界框，對剩下的邊界框用非極大值抑制過濾掉多余的部分，每個邊界框分數的公式為：

其中，表示邊界框的分數，表示邊界框包含汽車的概率，表示邊界框與真值的交并比。

8.如權利要求1所述的基于神經網絡的無人駕駛專用車輛檢測方法，其特征在于：所述步驟二中，去除冗余的邊界框后，還采用隨機梯度下降算法對所述數據集進行訓練。