[發明專利]一種智慧交通圖像檢測方法

在審

• 申請號: 202011147625.2
• 申請日: 2020-10-23
• 公開（公告）號: CN112288701A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 劉晨;陳晨
• 申請（專利權）人: 西安科銳盛創新科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 王海棟

1.一種智慧交通圖像檢測方法，其特征在于，包括：

獲取待檢測的目標交通圖像；所述目標交通圖像中含有至少一個目標；

將所述目標交通圖像輸入預先訓練得到的交通圖像檢測網絡中，利用密集連接形式的主干網絡進行特征提取，得到x個不同尺度的特征圖；x為大于等于4的自然數；

將所述x個不同尺度的特征圖利用FPN網絡進行特征融合，得到各尺度對應的預測結果；

將所有預測結果經由分類網絡和非極大值抑制模塊進行處理，得到所述目標交通圖像的檢測結果，所述檢測結果包括目標的位置和類別；

輸出所述檢測結果。

其中，所述交通圖像檢測網絡包括密集連接形式的主干網絡、FPN網絡、分類網絡和非極大值抑制模塊；所述交通圖像檢測網絡是根據樣本交通圖像，以及所述樣本交通圖像對應目標的位置和類別訓練得到的。

2.根據權利要求1所述的方法，其特征在于，所述密集連接形式的主干網絡包括多個間隔串接的密集連接模塊和過渡模塊；所述密集連接模塊的數量為y個；所述密集連接模塊包括串行連接的卷積網絡模塊和密集連接單元組；所述卷積網絡模塊包括串行連接的卷積層、BN層、Leaky relu層；所述密集連接單元組包括m個密集連接單元；每個密集連接單元包括多個采用密集連接形式連接的所述卷積網絡模塊，并采用級聯方式融合多個卷積網絡模塊輸出的特征圖；其中，y和m為大于等于4的自然數；y大于等于x。

所述得到x個不同尺度的特征圖，包括：

得到沿輸入逆向的x個密集連接模塊輸出的、尺度依次增大的特征圖。

3.根據權利要求2所述的方法，其特征在于，所述過渡模塊包括所述卷積網絡模塊和最大池化層；所述卷積網絡模塊的輸入和所述最大池化層的輸入共用，所述卷積網絡模塊輸出的特征圖和所述最大池化層輸出的特征圖采用級聯方式融合。

4.根據權利要求3所述的方法，其特征在于，所述過渡模塊包括的所述卷積網絡模塊的數量為兩個或三個，且各個卷積網絡模塊之間采用串接方式。

5.根據權利要求2所述的方法，其特征在于，所述FPN網絡包括尺度依次增大的x個預測支路Y₁～Y_x；其中，所述預測支路Y₁～Y_x的尺度與所述x個特征圖的尺度一一對應；

所述將所述x個不同尺度的特征圖利用FPN網絡進行特征融合，包括：

預測支路Y_i從所述x個特征圖中，獲取對應尺度的特征圖作為所述預測支路Y_i的待融合特征圖F_i；其中，i＝2、3，…，x；

并且獲取預測支路Y_i-1中經卷積網絡模塊組輸出的特征圖，并進行卷積和上采樣處理，得到所述預測支路Y_i的待融合特征圖F_i-1；

將所述待融合特征圖F_i和所述待融合特征圖F_i-1進行級聯融合；

其中，所述卷積網絡模塊組包括k個卷積網絡模塊，k為自然數；每一預測支路均含有所述卷積網絡模塊組，預測支路Y_i的所述卷積網絡模塊組設置于該預測支路的級聯融合處理之后。

6.根據權利要求2所述的方法，其特征在于，所述FPN網絡包括尺度依次增大的x個預測支路Y₁～Y_x；其中，所述預測支路Y₁～Y_x的尺度與所述x個特征圖的尺度一一對應；

所述將所述x個不同尺度的特征圖利用FPN網絡進行特征融合，包括：

改進所述FPN網絡，得到改進型FPN網絡；

利用所述改進型FPN網絡，采用自頂向下、密集連接的方式將所述x個不同尺度的特征圖進行特征融合。