[發明專利]一種基于Car-Det網絡模型的車輛檢測方法及裝置

有效

• 申請號: 202210373395.4
• 申請日: 2022-04-11
• 公開（公告）號: CN114882449B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 高尚兵;張秦濤;劉宇;張瑩瑩;胡序洋;李杰;李少凡;劉步實;任珂;張海艷;汪長春
• 申請（專利權）人: 淮陰工學院
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06V20/54;G06V10/77;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于Car-Det網絡模型的車輛檢測方法，其特征在于，包括以下步驟：

(1)對預先獲取的交通標志原始圖像進行預處理，分為訓練圖像和測試圖像；

(2)構建Car-Det網絡模型；所述Car-Det網絡模型包括RcNet主干網絡模塊、HNet加強特征提取模塊以及三個YoloHead目標檢測模塊；所述RcNet主干網絡模塊用于提取圖像中的目標特征信息，HNet模塊用于加強特征信息提取，YoloHead目標檢測模塊用于檢測目標對象；

(3)將訓練圖像輸入到Car-Det網絡模型中進行訓練；

(4)將測試圖像輸入到訓練好的Car-Det網絡模型中，評估模型的性能；

步驟(2)所述RcNet主干網絡模塊包括一個Focus模塊、一個CBS模塊和四個RcBlock模塊；所述Focus模塊在一張圖片中每隔一個像素取一個值，獲得四個獨立的特征層，將其進行堆疊使輸入通道數擴充為原來的四倍；所述CBS模塊包含一個卷積層，一個BatchNormalization層和一個SiLu激活層；

所述RcBlock模塊將一條主干分為a，b，c三條支路，a支路包含卷積核大小為1×1,步長為2，輸入通道為C，輸出通道為2C的卷積層；b支路包括一個卷積核大小為3×3，步長為1，輸入輸出通道數為C的Depthwise卷積和一個卷積核大小1×1，步長為1，輸入通道數為C，輸出通道數為2C的普通卷積；c支路包括一個卷積核大小為5×5，步長為1，輸入輸出通道數為C的Depthwise卷積和一個卷積核大小1×1，步長為1，輸入通道數為C，輸出通道數為2C的普通卷積；將b支路和c支路進行相加操作使其合并為一條線路，再將一個普通的1×1卷積之后分為d,e兩條支路，d支路包含一個SE通道注意力模塊，通道數為2C和一個卷積核大小為3×3，步長為2通道數為2C的卷積層，e支路包含一個MaxPooling層，最后使其a支路和d、e兩條支路進行相加操作，使其更好的特征融合；

步驟(2)所述HNet加強特征提取模塊首先對第一層大小為4A×4A，通道數為C的特征層進行卷積核大小為1×1，步長為1，輸入通道數為C，輸出通道數為2C的卷積操作，再進行向下采樣使其特征大小降為原來的一半，最終得到大小為2A×2A，通道數為2C的特征；對第三層大小為A×A，通道數為4C的特征層進行卷積核大小為1×1，步長為1，輸入通道數為4C，輸出通道數為2C的卷積操作，再進行向上采樣使其特征大小變為原來的2倍，最終得到大小為2A×2A，通道數為2C的特征；讓其第一層、第三層得到的大小為2A×2A，通道數為2C的特征與第二層特征進行融合，再進行空間通道注意力機制和卷積核大小為1×1的卷積操作讓其融合的更加充分；之后再分出編號為f，h，g三條支路，h支路使其與初始的第二層大小為2A×2A，通道數為2C的特征進行融合；f支路首先進行上采樣使其恢復為第一層的特征大小再與其初始的第一層大小為4A×4A，通道數為C的特征層進行融合；對g支路進行下采樣使其恢復為第三層的特征大小再與其初始的第三層大小為A×A，通道數為4C的特征層進行融合，最終分配到檢測器中。

2.根據權利要求1所述的基于Car-Det網絡模型的車輛檢測方法，其特征在于，所述步驟(3)包括以下步驟：

(31)把訓練樣本輸入到Car-Det網絡模型中使其進行訓練；

(32)計算Car-Det網絡的損失函數，以損失函數最小作為目標對網絡中的參數進行優化；

(33)當損失值收斂時保存網絡模型參數，得到最終的Car-Det檢測模型。

3.一種基于Car-Det網絡模型的車輛檢測裝置，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述計算機程序被加載至處理器時實現根據權利要求1-2任一項所述的基于Car-Det網絡模型的車輛檢測方法。