[發明專利]車載圖像目標檢測方法、系統及計算機可讀存儲介質

在審

• 申請號: 202210210487.0
• 申請日: 2022-03-04
• 公開（公告）號: CN114663831A
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 樊盛華;瞿濤;鄭昱津;陳曦;汪鼎文
• 申請（專利權）人: 武漢大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06K9/62;G06N3/04;G06N3/08;G06V10/774;G06V10/82
• 代理公司: 武漢智權專利代理事務所(特殊普通合伙) 42225
• 代理人: 張凱

本發明公開了一種基于車載AI芯片的城市目標檢測的深度學習方法、系統及計算機可讀存儲介質，涉及計算機視覺中的目標檢測領域。方法包括以下步驟：對訓練后的所述深度卷積神經網絡進行模型轉換與量化處理，生成車載端芯片支持的WK格式文件；車載端芯片讀取、加載所述WK格式文件，并初始化NNIE對象；讀取待檢測的目標圖像，使用所述NNIE對象對所述目標圖像進行轉化并將數據轉移到所述車載端芯片中進行推理，獲得推理的多維向量數組；對所述多維向量數組進行NMS處理，去除冗余框，得到最終結果。可以解決現有的車載目標檢測方法對于復雜場景，難以滿足實時使用的問題。

技術領域

本發明涉及計算機視覺中的目標檢測領域，具體是涉及一種車載圖像目標檢測方法、系統及計算機可讀存儲介質。

背景技術

隨著社會經濟的發展及城市化進程的加快，機動車保有量逐年激增，行人運動軌跡復雜，導致城市道路承載能力逐漸無法滿足機動車無限增長的需求，交通擁堵、交通違章以及交通事故等問題亦隨之不斷衍生。從交通管理部門的人力資源配置與行車安全角度出發，一方面，車輛與行人的智能檢測與感知以及行為分析在保證檢測準確率與實時性的同時，可以極大程度地減少交通管理部門人力資源的浪費以及工作人員的壓力；另一方面，智能化檢測方法的不斷提高，可以有效地阻止車禍發生率。從規范化管理與合理調度的角度出發，車輛與行人的智能檢測可以獲得車輛的類別、位置信息，并依據該信息進一步計算交通流量，分析當前路段的行車狀況以及估計車輛行為以方便管理部門從全局的視角統一管理、合理調度，從而保證道路的通行能力。長久以來，車輛的檢測與分析之所以成為智能交通領域的研究熱點與難點，正是由場景的復雜性以及車輛行為的隨機性所導致。雨、霧、擁堵、光照等都會造成車輛的漏檢率高且魯棒性差，為了提高復雜場景下車載車輛檢測的準確性、實時性與魯棒性，對交通管制、行為分析以及智能城市管理具有重要的研究價值，實現通用可移植的車載端邊緣計算的智能車輛以及行人的目標檢測是一個十分迫切的需求。

發明內容

本發明的目的是為了克服上述背景技術的不足，提供一種車載圖像目標檢測方法、系統及計算機可讀存儲介質，用于解決現有的車載目標檢測方法對于復雜場景檢測過程中出現的目標重度遮擋、快速移動、大雨大霧惡劣天氣等情況下，容易導致檢測準確率低、虛警率高、檢測時間長、難以滿足實時使用的問題。

第一方面，提供一種車載圖像目標檢測方法，包括以下步驟：

使用測試場景相同的數據作為訓練集，設定檢測的目標類別數，對預設的深度卷積神經網絡進行訓練；

對訓練后的所述深度卷積神經網絡進行模型轉換與量化處理，生成車載端芯片支持的WK格式文件；

車載端芯片讀取、加載所述WK格式文件，并初始化NNIE對象；

讀取待檢測的目標圖像，使用所述NNIE對象對所述目標圖像進行轉化并將數據轉移到所述車載端芯片中進行推理，獲得推理的多維向量數組；

對所述多維向量數組進行NMS處理，去除冗余框，得到最終結果。

在第一方面的一種可能實施例中，所述深度卷積神經網絡包括基于darknet53的YOLO V3神經網絡模型。

在第一方面的一種可能實施例中，所述對訓練后的所述深度卷積神經網絡進行模型轉換與量化處理的步驟包括：

將訓練好的YOLO V3神經網絡模型利用darknet2caffe工具，轉換為caffemodel；

利用RuyiStudio工具，對caffemodel進行量化操作，將所述YOLO V3神經網絡模型量化為所述車載端芯片支持的8bit的WK格式文件。

在第一方面的一種可能實施例中，所述對所述多維向量數組進行NMS處理，去除冗余框，得到最終結果的步驟包括：