[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

本發明公開了一種基于Car?Det網絡模型的車輛檢測方法及裝置，Car?Det網絡模型包括RcNet主干特征提取模塊，HNet加強特征提取模塊以及YoloHead目標檢測模塊。檢測方法的具體步驟為：將待檢測的圖像或視頻輸入到特征提取模塊中得到圖像的多尺度特征，將所得的多尺度特征統一為中間尺度后，計算它們的平均特征，并通過空間通道注意力模塊對特征進行加強，最后將其疊加到原本多尺度特征的每一層，使用YoloHead目標檢測模塊定位圖中的目標物體。本發明通過使用深度可分離卷積，通道注意力機制以及殘差思想構建主干網絡，大幅減少參數量，通過HNet加強特征提取模塊和YoloHead目標檢測模塊提高了檢測目標的準確率。

技術領域

本發明屬于計算機視覺技術領域，具體涉及一種基于Car-Det網絡模型的車輛檢測方法及裝置。

背景技術

近幾年伴隨著人工智能的快速發展，以及城市化進程的不斷加快，智能交通系統已經成為社會的發展趨勢。車輛目標檢測是智能交通管理系統的重要組成部分之一，廣泛應用在智能監控系統領域，極大的緩解了交通壓力和交通事故死亡率，提高了交通管理的效率。所以，優化車輛目標檢測問題對增強交通管理系統具有重要意義和應用價值。

目前，車輛目標檢測算法被分為傳統的目標檢測算法和基于深度學習的目標檢測算法兩大類。傳統的目標檢測算法是基于機器學習的分類器與人工提取的局部特征相結合的算法，主要包括提取特征和分類兩個方面，提取的特征通常是梯度方向直方圖或類haar特征，結合支持向量機或AdaBoost進行目標檢測。容易損失信息從而造成誤差，不能滿足高精度和高檢測速度的場景。

與傳統的目標檢測算法相比，基于深度學習的目標檢測算法具有更高的準確率、更快的檢測速度和更強的魯棒性。例如RCNN、Fast?RCNN、Yolo等，但其在智能交通領域針對復雜環境和小目標的檢測仍然表現出檢測時間長，準確率低，魯棒性差等問題，難以滿足實際場景中的要求。

發明內容

發明目的：針對現有的車輛檢測魯棒性差，過程復雜，檢測時間較長，準確率低的問題，本發明提出一種基于Car-Det網絡模型的車輛檢測方法及裝置。

技術方案：一種基于Car-Det網絡模型的車輛檢測方法，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。