[發(fā)明專(zhuān)利]一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110254258.4
• 申請(qǐng)日: 2021-03-04
• 公開(kāi)（公告）號(hào): CN112966747A
• 公開(kāi)（公告）日: 2021-06-15
• 發(fā)明（設(shè)計(jì)）人: 劉宏哲;劉騰;徐成;徐冰心;潘衛(wèi)國(guó);代松銀
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京聯(lián)合大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

1.一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法，其特征在于，包括以下形成步驟：

步驟一，將圖像輸入到網(wǎng)絡(luò)中，通過(guò)特征提取模塊對(duì)輸入圖像進(jìn)行特征提取，得到特征圖；

步驟二，對(duì)所述特征圖輸入給特征融合模塊，將低維特征與高維特征進(jìn)行特征融合，得到特征融合后特征圖；

步驟三，對(duì)所述特征融合后的特征圖輸入給無(wú)錨框檢測(cè)網(wǎng)絡(luò)，進(jìn)行車(chē)輛目標(biāo)的檢測(cè)識(shí)別，得到識(shí)別后的結(jié)果并輸出，所述無(wú)錨框檢測(cè)網(wǎng)絡(luò)使用CenterNet檢測(cè)網(wǎng)絡(luò)；

步驟四，所述CenterNet網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)使用ResNet101的結(jié)構(gòu)，使用跳接方式連接各個(gè)卷積層，并在跳接中使用卷積注意力模塊CBAM。

2.根據(jù)權(quán)利要求1所述的一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法，其特征在于，步驟一中所述特征提取模塊采用深度可分離卷積替代標(biāo)準(zhǔn)卷積操作，首先對(duì)輸入圖像使用卷積核為3×3的卷積進(jìn)行逐通道卷積，得到特征圖，然后使用卷積核為1×1的卷積對(duì)所述特征圖進(jìn)行逐點(diǎn)卷積，得到最終的圖像特征，減少計(jì)算量和提高特征提取，所述深度可分離卷積后接批歸一化層增加模型的泛化能力，在所述批歸一化層后接ReLU激活函數(shù)，上述三部分構(gòu)成特征提取模塊。

3.根據(jù)權(quán)利要求1所述的一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法，其特征在于，步驟二中使用特征融合模塊，通過(guò)將淺層特征與深層特征進(jìn)行融合來(lái)增加小目標(biāo)、重疊目標(biāo)檢測(cè)的精度，將Conv3-3層的特征圖下采樣到38×38的大小，特征圖通道數(shù)不變；將Conv4-3層的特征圖進(jìn)行降維，通道數(shù)由512個(gè)降至256個(gè)，特征圖大小不變；將Conv7層的特征圖上采樣到38×38的大小，并將特征通道數(shù)由1024個(gè)降至256個(gè)；將Conv3-3層、Conv4-3層、Conv7層；的特征圖進(jìn)行拼接，拼接后特征圖的通道數(shù)有768個(gè)，并把特征圖每個(gè)位置對(duì)應(yīng)的默認(rèn)框數(shù)量由4個(gè)變?yōu)?個(gè)。

4.根據(jù)權(quán)利要求2所述的一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法，其特征在于，步驟三中采用無(wú)錨框網(wǎng)絡(luò)CenterNet進(jìn)行車(chē)輛目標(biāo)的檢測(cè)，所述CenterNet采用無(wú)錨框的設(shè)計(jì)。

5.根據(jù)權(quán)利要求2所述的一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法，其特征在于，步驟三中所述無(wú)錨框檢測(cè)網(wǎng)絡(luò)CenterNet網(wǎng)絡(luò)使用ResNet結(jié)構(gòu)作為骨干網(wǎng)絡(luò)，并使用所述跳接結(jié)構(gòu)。

6.根據(jù)權(quán)利要求3所述一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法，其特征在于，所述ResNet網(wǎng)絡(luò)的跳接結(jié)構(gòu)中加入所述CBAM注意力模塊，所述CBAM模塊是一種輕量、通用的注意力模型，同時(shí)在空間和通道上進(jìn)行特征的注意力機(jī)制。

7.根據(jù)權(quán)利要求1所述一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法，其特征在于，所述CenterNet網(wǎng)絡(luò)的損失函數(shù)如下所示；

L_det＝L_k+λ_sizeL_size+λ_offL_off

其中，λ_size＝0.1，λ_off＝1，中心點(diǎn)損失L_k、大小損失L_size與偏置損失L_off。

8.根據(jù)權(quán)利要求4所述一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法，其特征在于，訓(xùn)練時(shí)使用數(shù)據(jù)增強(qiáng)方法，增加數(shù)據(jù)的擴(kuò)展性；所述數(shù)據(jù)增強(qiáng)方法包括對(duì)訓(xùn)練圖片進(jìn)行隨機(jī)角度旋轉(zhuǎn)、亮度變化、噪聲干擾、適度變換。

9.根據(jù)權(quán)利要求4所述一種基于無(wú)錨框檢測(cè)網(wǎng)絡(luò)改進(jìn)的車(chē)輛檢測(cè)方法，其特征在于，訓(xùn)練和預(yù)測(cè)出車(chē)輛的位置，和中心點(diǎn)以及類(lèi)別概率，中心點(diǎn)位置偏移，從而完成檢測(cè)。