[發明專利]一種基于無錨框檢測網絡改進的車輛檢測方法

在審

• 申請號: 202110254258.4
• 申請日: 2021-03-04
• 公開（公告）號: CN112966747A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 劉宏哲;劉騰;徐成;徐冰心;潘衛國;代松銀
• 申請（專利權）人: 北京聯合大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種基于無錨框檢測網絡改進的車輛檢測方法，包括：首先通過特征融合模塊將低維特征與高維特征進行特征融合；然后將特征融合處理后的特征送入無錨框檢測網絡框架中；該網絡中加入CBAM注意力機制模塊，增加檢測效果；再將識別結果輸出。該方法增加了特征融合模塊和注意力機制模塊，無錨框檢測網絡采用CenterNet網絡，并采用Resnet網絡的跳接連接方式，能夠快速進行車輛檢測的同時，保證有更好的檢測精度。

技術領域

本發明涉及深度學習目標檢測領域，特別是涉及一種基于無錨框檢測網絡改進的車輛檢測方法。

背景技術

隨著智慧城市、智能交通系統、無人駕駛的建設與發展，其中車輛檢測技術成為了關鍵。在交通管理、擁堵路段檢測等方面應用廣泛，并且在減少甚至避免交通事故具有重要的意義。

在傳統方法中，首先對圖像進行預處理，通過濾波器遍歷圖像得到車輛或者行人等目標的初步位置，再通過人工設計車輛目標的特征進行識別。其主要特征有梯度直方圖(Histogram ofOriented Gradient,HOG)，尺度不變特征(scale-invariant featuretransform,SIFT)和哈爾特征(Haar-link feature)等,最后通過正負樣本訓練支持向量機(Support VectorMachine,SVM)等分類器進行特征分類，完成最終的檢測。傳統方法受限于目標位置推測的效率，造成魯棒性不強，尤其是在實時檢測以及有遮擋的目標檢測時有明顯缺陷。

近些年來，深度學習技術不斷發展并取得了巨大的突破，通過卷積神經網絡自動提取出目標特征。得益于卷積神經網絡強大的特征提取能力，目標檢測算法的檢測準確度大幅提升，并且具有更強的魯棒性，可以適應更加復雜的識別場景。

2012年AlexNet的提出拉開了深度學習的發展大幕，之后2014年的VGGNet的提出使得深度神經網絡的實現成為可能，但在網絡加深的同時會出現梯度消失的問題。2015年ResNet的提出，通過殘差連接的方法解決了上述問題，減少了模型收斂時間，使得網絡更深而不容易出現梯度消失的問題。

現如今目標檢測算法主要分為兩類：onestage方法和two-stage方法。two-stage方法通過算法生成一系列候選框，然后在候選框上進行回歸和分類，其特點是準確度高，但識別速度相對較低。2014年Girshick等人提出R-CNN(RegionCNN)算法，Fast-RCNN,Faster-RCNN使用了選擇性搜索的方法生成候選框，之后通過卷積神經網絡提取候選框的特征，最后將特征輸入到SVM分類器進行分類回歸操作，得到識別結果。為了克服識別速度慢的問題，提出one-stage的方法，其主要通過取消候選框生成的步驟，直接使用卷積神經網絡對圖像數據進行卷積操作，直接通過提取的特征進行檢測和分類。該方法速度快，但是識別準確度相對two-stage方法普遍較低。2016年，YOLO系列算法的提出,在保證識別準確率的同時，解決了算法實時性的問題。該算法將檢測和分類過程整合為一個過程，并且在每個特征單元上預測檢測框位置和類別，最后結合圖像數據中的背景信息在整個圖像特征上進行預測，得到最終的識別結果。同樣one-stage算法的代表，SSD檢測算法結合了R-CNN算法和YOLO算法的優勢，通過再多尺度的特征檢圖上生成不同的大小的候選框，實現對各種尺寸目標的檢測。以上的兩類算法屬于Anchor-Base類算法，需要找到可能目標的錨框后對其進行類別預測。近年來出現了Anchor-Free類的方法，不需要錨框，直接通過關鍵點對目標進行檢測與定位，不僅提高了檢測速度，而且能更好的適應不同尺寸的目標。

基于以上問題，本發明根據無錨框網絡CenterNet的基礎上加入了特征融合和注意力機制模塊，在保證車輛檢測速度的同時，提高了檢測精度，對車輛出現的疊加，小目標等都有所提高。

發明內容

為解決上述問題，本發明實例提供了一種基于無錨框檢測網絡改進的車輛檢測方法，目的是提高車輛檢測的精度和速度，包括以下形成步驟：