[發(fā)明專利]一種交通目標(biāo)檢測方法及電子設(shè)備

在審

• 申請?zhí)枺?/td>: 202211324421.0
• 申請日: 2022-10-27
• 公開（公告）號: CN115690698A
• 公開（公告）日: 2023-02-03
• 發(fā)明（設(shè)計）人: 付邦鵬;陳東亮;杜慶雨;陳磊;杜曉琳;唐波
• 申請（專利權(quán)）人: 天地偉業(yè)技術(shù)有限公司
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 天津麥芽知識產(chǎn)權(quán)代理有限公司 12269
• 代理人: 姚遠(yuǎn)方

本發(fā)明提供了一種交通目標(biāo)檢測方法及電子設(shè)備，屬于交通監(jiān)控的技術(shù)領(lǐng)域，緩解了現(xiàn)有技術(shù)存在的對車輛、行人和非機(jī)動車的檢測效率較低的問題。該方法包括：生成訓(xùn)練數(shù)據(jù)集，其中包括每個樣本的目標(biāo)類別以及位置信息，所述目標(biāo)類別包括非機(jī)動二輪車、行人、小汽車、貨車、公交車、三輪車、工程車中的至少兩種；準(zhǔn)備神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)模型包括至少五組卷積模塊，每組卷積模塊包括至少兩個卷積層；利用所述訓(xùn)練數(shù)據(jù)集對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得交通目標(biāo)檢測模型。

技術(shù)領(lǐng)域

本發(fā)明涉及交通監(jiān)控技術(shù)領(lǐng)域，尤其是涉及一種交通目標(biāo)檢測方法及電子設(shè)備。

背景技術(shù)

隨著人工智能技術(shù)的發(fā)展和進(jìn)步，目標(biāo)檢測已在諸多領(lǐng)域應(yīng)用。在交通領(lǐng)域，不可避免的是對車輛、行人、非機(jī)動車的檢測分離，然后分別進(jìn)行監(jiān)控，進(jìn)行違法事件的預(yù)警與記錄，可以說是交通監(jiān)控技術(shù)領(lǐng)域的核心，對于車輛檢測，比較成熟的是基于車牌的車輛檢測，準(zhǔn)確度可以高達(dá)99％，但是對于一些無牌車輛以及一些工程車，無法通過車牌識別有效定位抓拍車輛，這樣造成一些事后取證工作的難度；行人和非機(jī)動車檢測，由于目標(biāo)相對較小，并且姿態(tài)特征復(fù)雜度遠(yuǎn)高于車輛檢測，到目前為止，也仍舊處于不斷探索優(yōu)化中。

行人和非機(jī)動車，同樣作為交通中的主體對象，進(jìn)行有效地檢測成分為必不可少的部分，對于交通領(lǐng)域的進(jìn)步有著重要作用，但現(xiàn)有技術(shù)存在對車輛、行人和非機(jī)動車的檢測效率較低的問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種交通目標(biāo)檢測方法及電子設(shè)備，緩解了現(xiàn)有技術(shù)存在的對車輛、行人和非機(jī)動車的檢測效率較低的問題。

第一方面，本發(fā)明提供一種交通目標(biāo)檢測方法，包括：

生成訓(xùn)練數(shù)據(jù)集，其中包括每個樣本的目標(biāo)類別以及位置信息，所述目標(biāo)類別包括非機(jī)動二輪車、行人、小汽車、貨車、公交車、三輪車、工程車中的至少兩種；

準(zhǔn)備神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)模型包括至少五組卷積模塊，每組卷積模塊包括至少兩個卷積層；

利用所述訓(xùn)練數(shù)據(jù)集對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得交通目標(biāo)檢測模型。

進(jìn)一步的，生成訓(xùn)練數(shù)據(jù)集的步驟之后，還包括：

通過改變亮度、改變飽和度、旋轉(zhuǎn)、鏡像或圖像裁剪的方式，對樣本進(jìn)行數(shù)據(jù)增強(qiáng)處理。

進(jìn)一步的，所述神經(jīng)網(wǎng)絡(luò)模型包括八組卷積模塊。

進(jìn)一步的，第五組至第八組卷積模塊均為兩個卷積層，且第二卷積層的通道數(shù)是第一卷積層的通道數(shù)的2倍。

進(jìn)一步的，第一組至第三組卷積模塊均為兩個卷積層，第四組卷積模塊為三個卷積層。

進(jìn)一步的，利用所述訓(xùn)練數(shù)據(jù)集對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的步驟，包括：

對第四組至第八組卷積模塊的第二卷積層輸出的特征圖，進(jìn)行位置回歸計算和分類概率計算，獲得位置誤差和置信度誤差；

基于位置誤差和置信度誤差建立損失函數(shù)，通過損失函數(shù)對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

進(jìn)一步的，該方法還包括：

利用交通目標(biāo)檢測模型對待檢測圖像進(jìn)行檢測。

進(jìn)一步的，利用交通目標(biāo)檢測模型對待檢測圖像進(jìn)行檢測的步驟，包括：

將待檢測圖像轉(zhuǎn)換為BGR格式；

將BGR格式的待檢測圖像輸入交通目標(biāo)檢測模型，得到的目標(biāo)類別、目標(biāo)位置以及目標(biāo)置信度；

通過限制目標(biāo)置信度，濾除誤檢的目標(biāo)類別；

通過交并比限定，對目標(biāo)類別的檢測結(jié)果進(jìn)行過濾；

通過非極大值抑制，對目標(biāo)位置的檢測結(jié)果進(jìn)行過濾。