[發明專利]基于SML-YOLOV5的行駛途中被遮擋車輛的識別方法及裝置

在審

• 申請號: 202310162664.7
• 申請日: 2023-02-24
• 公開（公告）號: CN116311156A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 高尚兵;趙可釩;張秦濤;胡序洋;張海艷;王媛媛;于永濤;張浩淼;王騰;蔣東山
• 申請（專利權）人: 淮陰工學院
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/774;G06V10/82;G06V10/40;G06V10/80;G06V10/776;G06N3/0464;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SML-YOLOV5的行駛途中被遮擋車輛的識別方法，其特征在于，包括以下步驟：

(1)對預先獲取的交通車輛原始圖像進行預處理，分為訓練圖像和測試圖像；

(2)構建基于SML-YOLOV5的車輛目標識別網絡，包括主干網絡模塊、NECK模塊以及YoloHead目標檢測頭模塊；所述主干網絡模塊使用輕量級網絡ShuffleNet來提取車輛的特征信息，NECK模塊通過利用深度可分離卷積和注意力機制改進過的BI-FPN進一步加強特征的提取能力，YoloHead目標檢測頭模塊用于檢測目標對象；

(3)將訓練圖像輸入到基于SML-YOLOV5的車輛目標識別網絡中進行訓練；

(4)將測試圖像輸入到訓練好的SML-YOLOV5車輛目標檢測網絡中，評估基于SML-YOLOV5的車輛目標識別網絡的整體性能。

2.根據權利要求1所述的基于SML-YOLOV5的行駛途中被遮擋車輛的識別方法，其特征在于，步驟(2)所述主干網絡模塊包括一個CBR模塊，七個BLK模塊；所述CBR模塊包含一個普通的卷積層，一個Batch?Normalization層，一個RELU激活層和一個最大池化層；

所述BLK模塊中ShuffleNet網絡中包含兩個單元，分別為步長為1的ShuffleNet單元和步長為2的ShuffleNet單元；所述步長為1的ShuffleNet單元使用了一個1*1的小卷積，之后進行一個3*3深度可分離卷積，以此在迭代一次后再加使用一個1*1的小卷積恢復通道維度；與此同時，在每個深度可分離卷積層后都接一個BN層，每一個小卷積之后除了BN層還需要一個ReLU函數，最后加上通道重排；所述步長為2的ShuffleNet單元在上述步長為1的ShuffleNet單元旁路上增加了一個3*3深度可分離卷積和一個1*1的小卷積，并將操作替換為級聯操作，增加維度。

3.根據權利要求1所述的基于SML-YOLOV5的行駛途中被遮擋車輛的識別方法，其特征在于，步驟(2)所述NECK模塊，首先將主干網絡中的BLK模塊提取的特征信息大小為4A×4A，通道數為C的圖像，經過卷積和下采樣的方式加強特征提取，采用卷積核大小為1×1，步長為1的普通卷積，并改變通道數，通過下采樣使圖像大小由為原來的4A×4A變為A×A，縮小為原來的四分之一，得到大小為A×A，通道數為4C和大小為4A×4A，通道數為C的圖像；其次，通過主干網絡中的BLK模塊提取的大小為2A×2A通道數為2C的特征圖像，經過卷積核大小為1×1的卷積進一步提取特征；然后將主干網絡中的BLK模塊提取的大小為A×A，通道數為4C的圖像，使用1×1的卷積進一步提取特征和上采樣，得到大小為4A×4A，通道數為C和大小為A×A，通道數為4C的圖像；將提取到的4A×4A，通道數為C和A×A，通道數為4C各自組合，通過add和卷積來進行融合，將融后的特征又重新分配到其他的卷積層上，中間層信息再次匯總融合進行卷積操作再次分配到上下兩層，其余特征層信息使用融合和卷積提取特征信息，最終采用到檢測頭中進行檢測目標。

4.根據權利要求1所述的基于SML-YOLOV5的行駛途中被遮擋車輛的識別方法，其特征在于，所述步驟(3)包括以下步驟：

(31)把分配好的訓練樣本數據輸入到的基于SML-YOLOV5的車輛目標識別網絡中使其從頭開始進行訓練；

(32)計算基于SML-YOLOV5的車輛目標識別網絡的損失函數，以損失函數最小作為目標對網絡中的參數進行優化：

其中，y_i為標簽值，y_i'為預測值；

(33)當訓練的目標損失值收斂時保存網絡模型參數，得到最終的基于SML-YOLOV5的車輛目標識別網絡。

5.一種基于SML-YOLOV5的行駛途中被遮擋車輛的識別裝置，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1-4任一項所述的基于SML-YOLOV5的行駛途中被遮擋車輛的識別方法。