[發明專利]基于超分辨率的車輛檢測方法、裝置、設備及存儲介質

在審

• 申請號: 202010926415.7
• 申請日: 2020-09-07
• 公開（公告）號: CN112016507A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 林春偉;劉莉紅;劉玉宇
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 姚維

1.一種基于超分辨率的車輛檢測方法，其特征在于，所述基于超分辨率的車輛檢測方法包括：

通過預置的初始神經網絡中的超分辨率重建子網絡，對預置的目標車輛圖像訓練集進行超分辨率重建處理，得到目標圖像集，所述超分辨率重建子網絡包括特征提取層、多級特征分流復用層和轉置卷積層，所述目標圖像集的分辨率高于所述目標車輛圖像訓練集的分辨率；

通過所述初始神經網絡中的目標檢測子網絡，對所述目標圖像集進行檢測，得到檢測信息，所述目標檢測子網絡包括中心點網絡層、區域生成網絡層、環境信息增強層和空間注意力層；

根據所述目標圖像集和所述檢測信息，獲取所述初始神經網絡的目標損失函數值；

根據所述目標損失函數值，對所述初始神經網絡的參數進行迭代調整，直至所述目標損失函數值收斂，得到目標神經網絡；

通過所述目標神經網絡，對預置的目標車輛圖像測試集進行車輛檢測，得到目標車輛檢測結果。

2.根據權利要求1所述的基于超分辨率的車輛檢測方法，其特征在于，所述根據所述目標圖像集和所述檢測信息，獲取所述初始神經網絡的目標損失函數值，包括：

通過所述目標圖像集和預置的均方誤差損失函數，計算所述初始神經網絡中超分辨率重建子網絡的第一損失函數值；

通過所述檢測信息和預置的回歸損失函數，計算所述初始神經網絡中目標檢測子網絡的第二損失函數值；

按照預設權重值，計算所述第一損失函數值和所述第二損失函數值的加權和，得到所述初始神經網絡的目標損失函數值。

3.根據權利要求1所述的基于超分辨率的車輛檢測方法，其特征在于，所述通過預置的初始神經網絡中的超分辨率重建子網絡，對預置的目標車輛圖像訓練集進行超分辨率重建處理，得到目標圖像集，所述超分辨率重建子網絡包括特征提取層、多級特征分流復用層和轉置卷積層，所述目標圖像集的分辨率高于所述目標車輛圖像訓練集的分辨率，包括：

通過預置的初始神經網絡中的特征提取層，對預置的目標車輛圖像訓練集進行特征提取，得到卷積特征，所述超分辨率重建子網絡包括特征提取層、多級特征分流復用層和轉置卷積層；

通過所述多級特征分流復用層，對所述卷積特征依次進行多層級的卷積、多層級的特征分流和降維，得到待轉置特征；

通過所述轉置卷積層，對所述待轉置特征進行卷積核矩陣計算和卷積核矩陣轉置處理，得到目標圖像集，所述目標圖像集的分辨率高于所述目標車輛圖像訓練集的分辨率。

4.根據權利要求3所述的基于超分辨率的車輛檢測方法，其特征在于，所述通過所述多級特征分流復用層，對所述卷積特征依次進行多層級的卷積、多層級的特征分流和降維，得到待轉置特征，包括：

通過所述多級特征分流復用層中的特征分流復用單元，對所述卷積特征進行卷積處理，得到初始特征，所述多級特征分流復用層包括特征分流復用單元和降維單元；

通過預置的通道維度，對所述初始特征進行分流處理，得到初始多層特征和初始一層特征；

對所述初始多層特征進行預設層級的卷積處理和分流處理，得到目標多層特征和多個候選一層特征；

通過所述降維單元，將所述初始一層特征和所述多個候選一層特征進行所述預設層級的串接和卷積處理，得到目標一層特征；

將所述目標多層特征和所述目標一層特征進行逐元素相加處理，得到待轉置特征。

5.根據權利要求1所述的基于超分辨率的車輛檢測方法，其特征在于，所述通過所述初始神經網絡中的目標檢測子網絡，對所述目標圖像集進行檢測，得到檢測信息，所述目標檢測子網絡包括中心點網絡層、區域生成網絡層、環境信息增強層和空間注意力層，包括：

通過預置的中心點網絡層，生成所述目標圖像集的多級特征圖，所述目標檢測子網絡包括中心點網絡層、區域生成網絡層、環境信息增強層和空間注意力層；

通過所述區域生成網絡層，生成所述多級特征圖的多種尺度的特征圖，所述區域生成網絡層包括卷積核為5*5的卷積層以及輸出通道數為256、卷積核為1*1的卷積層；

通過所述環境信息增強層，對所述多級特征圖依次進行卷積處理和融合處理，得到環境信息增強特征；

通過所述空間注意力層和預置的卷積神經網絡，將所述多種尺度的特征圖和所述環境信息增強特征進行融合處理和分類處理，得到檢測信息。