[發明專利]基于改進YOLOv5網絡模型的車輛感知方法

在審

• 申請號: 202210856506.7
• 申請日: 2022-07-20
• 公開（公告）號: CN115171059A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 趙池航;諸雨;劉洋
• 申請（專利權）人: 東南大學
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/22;G06V10/24;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 景鵬飛

1.基于改進YOLOv5網絡模型的車輛感知方法，其特征在于：包括如下步驟：

S1：構建高速公路車輛感知數據集，包括訓練數據集和測試數據集；

S2：對模型添加一組小尺寸初始錨框，并向Neck中添加小目標檢測層；

S3：在YOLOv5網絡模型中引入CA注意力機制模塊，增強模型的特征表達和學習能力。

2.根據權利要求1所述的基于改進YOLOv5網絡模型的車輛感知方法，其特征在于：采用高速監控抓拍圖像構建車輛感知訓練數據集和測試數據集，所使用的均為真實拍攝圖像；訓練數據集由2440幅圖像組成，包含bus、car、truck三類樣本，并按照train：val：test＝6：2：2的比例劃分為訓練集1464幅、驗證集488幅、測試集488幅用于模型訓練、驗證及測試；測試數據集由兩日全天的高速公路監控抓拍圖像共20000幅組成，用于對訓練后的模型進行性能測試。

3.根據權利要求2所述的基于改進YOLOv5網絡模型的車輛感知方法，其特征在于：bus為中型客車、大型客車；car為包含轎車、面包車、SUV各種形態的小汽車；truck為包含皮卡在內的小、中、大型貨車。

4.根據權利要求1所述的基于改進YOLOv5網絡模型的車輛感知方法，其特征在于：對訓練數據集，使用labelImg對圖像中的目標車輛進行標注，標注類型為PascalVOC格式，標注方法為對每張圖像的中心車輛使用矩形框進行標注，將除車輪外的車輛及車身全部包含在框內，以避免車輪及車底陰影對模型邊界框位置回歸造成干擾和偏移。

5.根據權利要求1所述的基于改進YOLOv5網絡模型的車輛感知方法，其特征在于：所述在步驟S2中對模型添加一組小尺寸初始錨框，并向Neck中添加小目標檢測層的具體步驟如下：

S2-1：對模型添加一組小尺寸初始錨框，尺寸分別為5，6，8，14，15和11，用于對輸出最大特征圖進行檢測；

S2-2：在模型第18層后，添加一個上采樣層對特征圖進行上采樣操作，使特征圖的尺寸從80×80擴大至160×160；在第21層時，將獲取到的大小為160×160的特征圖與backbone中第2層特征圖進行concat融合，獲取更大的特征圖進行小目標檢測。

6.根據權利要求5所述的基于改進YOLOv5網絡模型的車輛感知方法，其特征在于：對模型中添加一組更小尺寸的初始錨框，尺寸分別為5，6，8，14，15和11，用于對最終輸出的尺寸最大的特征圖進行檢測。

7.根據權利要求5所述的基于改進YOLOv5網絡模型的車輛感知方法，其特征在于：在YOLOv5模型的第18層后，添加一個上采樣層對特征圖進行上采樣操作，使特征圖的尺寸從80×80擴大至160×160，獲得更大的特征圖以捕捉尺寸更小的目標和特征；在第21層時，將獲取到的大小為160×160的特征圖與backbone中第2層特征圖進行concat融合，使獲得的特征圖保留更多的原始特征信息，增強特征圖的表達能力；將上述改進引入YOLOv5模型即可得到改進后的YOLOv5_st模型。

8.根據權利要求1所述的基于改進YOLOv5網絡模型的車輛感知方法，其特征在于：所述在步驟S3中在YOLOv5網絡模型中引入CA注意力機制模塊的具體步驟如下：

S3-1：聲明CA注意力模塊；

S3-2：將CA注意力模塊添加至YOLOv5的backbone網絡中。