[發(fā)明專利]基于SML-YOLOV5的行駛途中被遮擋車輛的識(shí)別方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202310162664.7
• 申請(qǐng)日: 2023-02-24
• 公開(kāi)（公告）號(hào): CN116311156A
• 公開(kāi)（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）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(qǐng)（專利權(quán)）人: 淮陰工學(xué)院
• 主分類號(hào): G06V20/58
• 分類號(hào): 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(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

本發(fā)明公開(kāi)了一種基于SML?YOLOV5的行駛途中被遮擋車輛的識(shí)別方法及裝置，對(duì)預(yù)先獲取的交通車輛原始圖像進(jìn)行預(yù)處理，分為訓(xùn)練圖像和測(cè)試圖像；構(gòu)建基于SML?YOLOV5的車輛目標(biāo)識(shí)別網(wǎng)絡(luò)，包括主干網(wǎng)絡(luò)模塊、NECK模塊以及YoloHead目標(biāo)檢測(cè)頭模塊；將事先分配好的訓(xùn)練圖像輸入到目標(biāo)識(shí)別網(wǎng)絡(luò)進(jìn)行訓(xùn)練；將測(cè)試圖像輸入到訓(xùn)練好的目標(biāo)識(shí)別網(wǎng)絡(luò)中，進(jìn)行評(píng)估。本發(fā)明提出的基于SML?YOLOV5的車輛目標(biāo)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，采用輕量級(jí)網(wǎng)絡(luò)的方式進(jìn)行特征提取，并采用深度可分離卷積來(lái)降低參數(shù)量，能夠?qū)崿F(xiàn)道路圖像中實(shí)時(shí)的車輛的準(zhǔn)確識(shí)別，且識(shí)別準(zhǔn)確率較高；本發(fā)明通過(guò)重組通道網(wǎng)絡(luò)和空間注意力機(jī)制的方法，對(duì)于復(fù)雜環(huán)境中的被遮擋車輛的檢測(cè)，可以保證較高的檢測(cè)準(zhǔn)確性和快速性。

技術(shù)領(lǐng)域

本發(fā)明屬于物體檢測(cè)領(lǐng)域及智能交通領(lǐng)域，具體涉及一種基于SML-YOLOV5的行駛途中被遮擋車輛的識(shí)別方法及裝置。

背景技術(shù)

隨著現(xiàn)代經(jīng)濟(jì)社會(huì)發(fā)展，人們生活水平日益提高，汽車擁有量也越來(lái)越多。在實(shí)際生活中，車輛擁堵的現(xiàn)象也隨之增加，引起了車輛被障礙物遮擋導(dǎo)致與后車相撞，或是轉(zhuǎn)彎車輛被遮擋導(dǎo)致兩車相撞等問(wèn)題，從而導(dǎo)致許多事故的發(fā)生，給城市治理帶來(lái)了很大的挑戰(zhàn)。隨著無(wú)人駕駛汽車的增加、輔助駕駛技術(shù)的普及，被遮擋車輛的目標(biāo)識(shí)別也成為一項(xiàng)重大挑戰(zhàn)。

近些年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)(CNNs)在圖像分類、檢測(cè)和分割等任務(wù)上占據(jù)愈來(lái)愈重要的地位，在眾多模型中脫穎而出并占據(jù)一席之地，但目前的被遮擋車輛檢測(cè)任務(wù)中存在噪聲干擾和檢測(cè)速度慢等問(wèn)題，現(xiàn)有的先進(jìn)檢測(cè)模型在檢測(cè)精度和效率指標(biāo)上也有待提高。

與傳統(tǒng)的目標(biāo)檢測(cè)算法相比，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法具有更高的準(zhǔn)確率、更快的檢測(cè)速度和更強(qiáng)的魯棒性。例如RCNN、Fast?RCNN、Yolo等，但其在智能交通領(lǐng)域針對(duì)復(fù)雜環(huán)境和小目標(biāo)的檢測(cè)仍然表現(xiàn)出檢測(cè)時(shí)間長(zhǎng)，準(zhǔn)確率低，魯棒性差等問(wèn)題，難以滿足實(shí)際場(chǎng)景中的要求。

發(fā)明內(nèi)容

發(fā)明目的：針對(duì)行駛途中被遮擋車輛的檢測(cè)識(shí)別問(wèn)題，本發(fā)明提供一種基于SML-YOLOV5的行駛途中被遮擋車輛的識(shí)別方法及裝置，可以智能、快速、準(zhǔn)確地的進(jìn)行小目標(biāo)識(shí)別檢測(cè)。

技術(shù)方案：本發(fā)明提供一種基于SML-YOLOV5的行駛途中被遮擋車輛的識(shí)別方法，具體包括以下步驟：

(1)對(duì)預(yù)先獲取的交通車輛原始圖像進(jìn)行預(yù)處理，分為訓(xùn)練圖像和測(cè)試圖像；

(2)構(gòu)建基于SML-YOLOV5的車輛目標(biāo)識(shí)別網(wǎng)絡(luò)，包括主干網(wǎng)絡(luò)模塊、NECK模塊以及YoloHead目標(biāo)檢測(cè)頭模塊；所述主干網(wǎng)絡(luò)模塊使用輕量級(jí)網(wǎng)絡(luò)ShuffleNet來(lái)提取車輛的特征信息，NECK模塊通過(guò)利用深度可分離卷積和注意力機(jī)制改進(jìn)過(guò)的BI-FPN進(jìn)一步加強(qiáng)特征的提取能力，YoloHead目標(biāo)檢測(cè)頭模塊用于檢測(cè)目標(biāo)對(duì)象；

(3)將訓(xùn)練圖像輸入到基于SML-YOLOV5的車輛目標(biāo)識(shí)別網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；

(4)將測(cè)試圖像輸入到訓(xùn)練好的SML-YOLOV5車輛目標(biāo)檢測(cè)網(wǎng)絡(luò)中，評(píng)估基于SML-YOLOV5的車輛目標(biāo)識(shí)別網(wǎng)絡(luò)的整體性能。

進(jìn)一步地，步驟(2)所述主干網(wǎng)絡(luò)模塊包括一個(gè)CBR模塊，七個(gè)BLK模塊；所述CBR模塊包含一個(gè)普通的卷積層，一個(gè)Batch?Normalization層，一個(gè)RELU激活層和一個(gè)最大池化層；