[發明專利]一種基于多層特征融合的車輛檢測方法

有效

• 申請號: 202110755187.6
• 申請日: 2021-07-05
• 公開（公告）號: CN113420706B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 王玉;李涵宇;申鉉京;黃永平;劉同壯
• 申請（專利權）人: 吉林大學
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/762;G06V10/774;G06V10/82;G06K9/62;G08G1/017;G06N3/04
• 代理公司: 吉林省中玖專利代理有限公司 22219
• 代理人: 李泉宏

本發明公開了一種基于多層特征融合的車輛檢測方法，包括如下步驟：步驟一：獲取帶有標注的車輛檢測數據集；步驟二：針對訓練集中車輛的尺寸重新設計先驗框大小；步驟三：使用YOLO v4的主干特征提取網絡CSPdarknet 53，將提取到的四個不同尺度的特征作為輸入傳入多層特征融合網絡，經過兩次多層特征融合網絡，將輸出的三個不同尺度特征圖傳入分類回歸預測網絡得到最終預測結果；步驟四：訓練網絡模型并測試網絡性能。因此本發明能夠提高網絡對于小目標車輛的檢測準確率并提高了檢測速度。

技術領域

本發明涉及圖像目標檢測領域，特別涉及一種基于多層特征融合的車輛檢測方法。

背景技術

隨著計算機技術以及人工智能的快速發展，圖像目標檢測技術近年來取得了突破性進展。車輛檢測作為目標檢測的一個分支，其目標是在圖像或視頻中檢測出車輛相關信息，其在城市智能交通建設、自動駕駛等領域發揮著重要作用。

目標檢測技術主要基于卷積神經網絡，包括兩個分支：兩階段檢測方法與一階段檢測方法。兩階段檢測方法包括R-CNN,Fast R-CNN,Faster R-CNN等，特點是精度高，但是檢測速度較慢。一階段檢測方法包括SDD,YOLO系列等，特點是速度快，但是精度不如二階段檢測方法。由于車輛檢測對于速度、精度有一定要求，所以一階段方法更適合用于車輛檢測。YOLO v4是YOLO系列第四代算法，它通過CSPDarknet53網絡提取圖像不同尺度特征并進行融合，通過不同尺度特征分別檢測不同大小目標，使得它在檢測速度和精度之間達到了較好的平衡。但是YOLO v4對于小目標的檢測效果不夠優秀，而車輛檢測會包含大量小目標車輛，這使得YOLO v4不能很好的滿足車輛檢測要求。

發明內容

本發明的目的是在于提供一種基于多層特征融合的車輛檢測方法，基于YOLO v4網絡結構，通過加入新的特征層以及使用多層特征融合網絡，提高網絡對于小目標的檢測精度和檢測速度。

本發明提供的技術方案為：

一種基于多層特征融合的車輛檢測方法，包括如下步驟：

步驟一：獲取帶有標注的車輛檢測數據集，劃分訓練集、驗證集、測試集。

步驟二：針對訓練集中車輛的尺寸重新設計先驗框大小，使用k-means聚類方法，得到9個聚類中心作為先驗框的尺寸。

步驟三：使用YOLO v4的主干特征提取網絡CSPdarknet 53，將提取到的四個不同尺度的特征作為輸入傳入多層特征融合網絡，經過兩次多層特征融合網絡，將輸出的三個不同尺度特征圖傳入分類回歸預測網絡得到最終預測結果。

步驟四：通過訓練集訓練網絡模型并在訓練過程中使用驗證集對模型進行驗證。最后通過測試集評估網絡性能。

優選的，所述步驟一中的數據集獲取通過提取coco2017數據集中的車輛類別得到，將coco2017-train中提取的車輛圖片90％作為訓練集，10％作為驗證集，將coco2017-test中提取的車輛圖片作為測試集。

優選的，所述步驟二中的針對訓練集中車輛的尺寸重新設計先驗框大小包含如下步驟：

(1)隨機選取九個框作為聚類中心框。

(2)計算真實框和聚類中心框的距離，公式如下：

d(B,C)＝1-IOU(B,C)

其中B代表真實框，C代表聚類中心框，IOU代表交并比，d代表聚類中心心框和真實框的距離。將真實框劃分到距離最近的一個簇中。

(3)所有真實框劃分完畢后，對每個簇重新計算聚類中心。

(4)重復步驟(2)和(3)，直到聚類中心收斂，將9個聚類中心作為先驗框。

優選的，所述步驟三包括如下步驟：