一种自适应场景变化的交通目标检测识别方法技术

一种自适应场景变化的交通目标检测识别方法，包括1)构建专属于道路交通的输入数据集，其中的输入数据包括彩色的交通场景的图像、图像对应的标签文件、以及用于训练和测试的图片的索引；1.1)针对图像，计算其对比度，对对比度低的图像进行去光增强处理，突出目标的边缘和轮廓信息；1.2)针对与图像对应的标签文件，利用统计和维度聚类的方法，确定训练数据中的标签文件包含的目标的尺寸和目标的分布规则；2)经增强处理后的图像进入改进的神经网络，生成不同尺度的特征图；3)在生成的特征图上，根据步骤1.2)的统计和维度聚类的结果，修改神经网络中预选框的比例和大小，生成预选框；4)通过非极大值抑制筛选输出结果；同时，将预测结果与标签文件中的真值相减计算损失函数，将误差反向传播，更新神经网络参数。

A Traffic Target Detection and Recognition Method Based on Adaptive Scene Change

【技术实现步骤摘要】
一种自适应场景变化的交通目标检测识别方法
：本专利技术属于计算机视觉、目标检测领域，更具体地，涉及一种解决自适应场景变化的交通目标识别方法。技术背景：随着科技的不断进步，计算机计算能力地增强，越来越多的基于深度学习的目标检测算法被应用到车辆检测中。面对日常出现的阴雨和昏暗等光线较差的情况，现有算法往往会有漏检和误检的问题。目前解决这一问题的思路主要分为两种，一种是补充训练样本，使模型有更好的泛化能力来适应不同光照条件下的场景；另一种是增加训练网络的复杂度，使其提取到训练样本中的深度特征。这两种思路都能在一定程度上解决由光照条件变差导致模型准确率低的问题，但并不能从根本上解决问题。
技术实现思路
：同样场景但不同光照条件下对模型来说是不同的，如果我们可以尽可能的消除或者降低自然光对图像的影响，那么光照条件的变化便不会影响模型的检测效果。本专利技术将这个思路应用到本算法中，在图像送入网络前计算其对比度，对对比度较低的图像进行去光增强处理突出目标的轮廓信息，并将增强后的图像送入网络，通过增强图像的质量提高模型的光照适应性。另外，现有算法在预选框的设置时几乎覆盖了生活中大多数目标的尺寸特征以使得训练出来的模型有更好的泛化能力，但在道路交通的目标检测中，那些不属于道路交通目标尺寸的预选框可能会导致一些明显的误检情况，如生成过大或过小的检测框。为了避免这一问题在预选框设置的时候我们采取维度聚类结合统计方法确定预选框的尺寸，减小初始误差加快模型收敛进而提高模型在道路交通场景下的检测准确率。具体如下：一种自适应场景变化的交通目标检测识别方法，包括以下步骤：1)构建专属于道路交通的输入数据集，其中的输入数据包括彩色的交通场景的图像、图像对应的标签文件、以及用于训练和测试的图片的索引；1.1)针对图像，计算其对比度，对对比度低的图像进行去光增强处理，突出目标的边缘和轮廓信息；1.2)针对与图像对应的标签文件，利用统计和维度聚类的方法，确定训练数据中的标签文件包含的目标的尺寸和目标的分布规则；2)经步骤1.1)增强处理后的图像进入改进的神经网络，生成不同尺度的特征图；(不同尺度的特征图的生成方法为，图像进入基础网络，每经过一层卷积或池化操作会得到新的尺度的特征图；)3)在生成的特征图上，根据步骤1.2)的统计和维度聚类的结果，修改神经网络中预选框的比例和大小，生成预选框；4)通过非极大值抑制筛选输出结果；同时，将预测结果与标签文件中的真值相减计算损失函数，将误差反向传播，更新神经网络参数。所述标签文件里包含：当前图片的名称；图片的宽、高、位深度；图片中包含的目标类别；目标的最小包围框，由目标的左上角和右下角的坐标围成；把数据集按照4:1:1的比例分成训练集、验证集和测试集。进一步，所述步骤1.1)的步骤为：1.1.1)计算图像对比度，对于对比度低于50的图像进行去光增强处理，具体为：将获取到的图片I(x,y)(将图片看成是一个二维数组，(x,y)代表图像各个点的像素)分通道处理，并转换到对数域i(x,y)；1.1.2)将原始图片进行高斯低通滤波得到低频分量L(x,y)，并对其进行对数变换变为l(x,y)；1.1.3)用i(x,y)减去l(x,y)得到对数域上的高频分量h(x,y)；1.1.4)对进行指数变换得到最终的输出；所述步骤1.2)的步骤为：1.2.1)把标签文件作为输入的数据，计算输入数据中所有目标的面积，并将最大面积和最小面积区间n等分，得到n个不同尺寸的预选框作为初始聚类中心；1.2.2)计算训练数据中的边框和各个聚类中心的交集和并集的比值，将边界框划分到比值最大的聚类中心；1.2.3)计算所有数据与其聚类中心的比值的和，记为loss；1.2.4)选取新的聚类中心，并计算所有数据与其聚类中心的比值的和；1.2.5)通过多次迭代，直至loss值不再变化最终确定预选框的大小和比例。进一步，所述神经网络的结构为：①计算用来预测目标位置和分类的特征图对应的感受野，计算公式如下所示：Srf(t)＝(Srf(t-1)-1)NS+Sf式中Srf(t)为第t层卷积层感受野的大小；NS为第t层卷积核的步长；Sf为卷积核的大小；②将预选框的最小尺寸和最大尺寸与每个预选框映射图像区域进行匹配，确定用于预测的特征图；进一步，增强后的图像数据送入神经网络中训练，图像在神经网络的训练步骤为：①训练图像进入基础网络，通过卷积操作后得到几个不同尺度的特征图：②在特征图上生成根据预设的预选框比例生成预选框；③计算每个包围框的置信度，通过非极大值抑制筛选出n个框；每个包围框的置信度包括：框中是否含有目标、预测框和目标真值之间的IOU比值；④将筛选出来的框和其真值进行比较计算损失函数；损失函数包括边界框的损失、包围框的置信度的损失以及类别的损失；⑤将损失反向传播，利用梯度下降算法更新神经网络参数；⑥重复上述步骤①～⑤直至损失函数不再变化，得到最终的神经网络模型。进一步，所述步骤3)中，选取步骤2)中生成的三个尺度的特征图，并在特征图上根据聚类结果以每一个细胞单元的中心作为中心点生成初始预选框。具体到本方法中，所述步骤4)包括：将所有预选框按照分类器的类别分类概率结果做排序，假设从小到大属于交通目标(例如车辆)的概率的矩形框分别为A、B、C、D、E、F；4.1)从概率最大的矩形框F开始，分别判断A～E与F的重叠度IOU是否大于设定阈值T1；IOU为两个预选框的交集与两个预选框的并集的比值。4.2)如果B、D与F的重叠度超过阈值T1，则舍弃与F重叠度过高的B、D；并保留第一个矩形框F；4.3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，如果A,C与E重叠度大于的阈值T2，则舍弃A、C；并标记E是保留下来的第二个矩形框；4.4)重复步骤4.1)～4.3)过程，直到找出所有高于阈值的预选框筛选出指定个数的预选框；4.4)重复步骤4.1)～4.3)过程，直到找出所有高于阈值的预选框；将筛选出来的框与其对应的标签文件(即真值)进行比较计算损失函数，损失函数包括边界框的损失、包围框置信度的损失以及类别的损失；4.5)将损失反向传播，利用梯度下降算法更新网络参数；4.6)重复步骤4.1)～4.5)过程直至损失函数不再变化，得到最终的神经网络模型。本专利技术的原理效果说明如下：本专利技术提供的自适应场景变化的交通目标识别算法，实现多种复杂场景下交通目标的实时检测。现有的目标检测算法在光照充足的条件下会有良好的表现，但在昏暗、阴雨等光照条件不足的实际场景中，就会出现漏检和误检问题；另外在设置预选框时大多依赖经验，或者根据维度聚类的方法生成，但用这些方法设置的预选框会有与实际目标差距较大以及耗时严重等缺点。基于这两个问题，本专利技术的具有场景自适应性的交通目标识别方法的主要步骤为：首先计算图像的对比度，对对比度低的图像进行去光增强处理并将增强后的图像送入改进神经网络中，通过增强图像的质量提高模型的光照适应性；接着自动统计道路交通目标的尺寸的分布情况，并结合维度聚类结果修改网络中预选框的比例，减小初始误差、加速模型收敛，提高模型的检测准确率。本方法可根据检测的目标场景自动地调整网络结构，因此可以实现对多种复杂场景的道路交通目标的实时和高效检测，另外本文档来自技高网...

【技术保护点】
1.一种自适应场景变化的交通目标检测识别方法，其特征是包括以下步骤：1)构建专属于道路交通的输入数据集，其中的输入数据包括彩色的交通场景的图像、图像对应的标签文件、以及用于训练和测试的图片的索引；1.1)针对图像，计算其对比度，对对比度低的图像进行去光增强处理，突出目标的边缘和轮廓信息；1.2)针对与图像对应的标签文件，利用统计和维度聚类的方法，确定训练数据中的标签文件包含的目标的尺寸和目标的分布规则；2)经步骤1.1)增强处理后的图像进入改进的神经网络，生成不同尺度的特征图；3)在生成的特征图上，根据步骤1.2)的统计和维度聚类的结果，修改神经网络中预选框的比例和大小，生成预选框；4)通过非极大值抑制筛选输出结果；同时，将预测结果与标签文件中的真值相减计算损失函数，将误差反向传播，更新神经网络参数。

【技术特征摘要】
1.一种自适应场景变化的交通目标检测识别方法，其特征是包括以下步骤：1)构建专属于道路交通的输入数据集，其中的输入数据包括彩色的交通场景的图像、图像对应的标签文件、以及用于训练和测试的图片的索引；1.1)针对图像，计算其对比度，对对比度低的图像进行去光增强处理，突出目标的边缘和轮廓信息；1.2)针对与图像对应的标签文件，利用统计和维度聚类的方法，确定训练数据中的标签文件包含的目标的尺寸和目标的分布规则；2)经步骤1.1)增强处理后的图像进入改进的神经网络，生成不同尺度的特征图；3)在生成的特征图上，根据步骤1.2)的统计和维度聚类的结果，修改神经网络中预选框的比例和大小，生成预选框；4)通过非极大值抑制筛选输出结果；同时，将预测结果与标签文件中的真值相减计算损失函数，将误差反向传播，更新神经网络参数。2.根据权利要求1所述的自适应场景变化的交通目标检测识别方法，其特征是所述标签文件里包含：当前图片的名称；图片的宽、高、位深度；图片中包含的目标类别；目标的最小包围框，由目标的左上角和右下角的坐标围成；把数据集按照4:1:1的比例分成训练集、验证集和测试集。3.根据权利要求1所述的自适应场景变化的交通目标检测识别方法，其特征是所述步骤1.1)的步骤为：1.1.1)计算图像对比度，对于对比度低于50的图像进行去光增强处理，具体为：将获取到的图片I(x,y)分通道处理，并转换到对数域i(x,y)；对于图片I(x,y)，是将图片看成是一个二维数组，(x,y)代表图像各个点的像素；1.1.2)将原始图片进行高斯低通滤波得到低频分量L(x,y)，并对其进行对数变换变为l(x,y)；1.1.3)用i(x,y)减去l(x,y)得到对数域上的高频分量h(x,y)；1.1.4)对进行指数变换得到最终的输出；所述步骤1.2)的步骤为：1.2.1)把标签文件作为输入的数据，计算输入数据中所有目标的面积，并将最大面积和最小面积区间n等分，得到n个不同尺寸的预选框作为初始聚类中心；1.2.2)计算训练数据中的边框和各个聚类中心的交集和并集的比值，将边界框划分到比值最大的聚类中心；1.2.3)计算所有数据与其聚类中心的比值的和，记为loss；1.2.4)选取新的聚类中心，并计算所有数据与其聚类中心的比值的和；1.2.5)通过多次迭代，直至loss值不再变化最终确定预选框的大小和比例。4.根据权利要求1所述的自适应场景变化的交通目标检测识别方法，其特征是所述神经网络的结构为：①计算用来预测目标位置和分类的...

【专利技术属性】
技术研发人员：魏运，田青，仝淑贞，
申请(专利权)人：魏运，田青，
类型：发明
国别省市：北京,11