一种基于车联网的道路检测方法技术

本发明专利技术公开了一种基于车联网的道路检测方法，应用于车载端，包括：获取图像采集端拍摄的目标道路图像；输入改进型YOLOv3网络中，利用密集连接形式的主干网络进行特征提取，得到x个不同尺度的特征图；x为大于等于4的自然数；利用改进型FPN网络对x个不同尺度的特征图进行自顶向下、密集连接方式的特征融合，得到各尺度对应的预测结果；基于所有预测结果，得到目标道路图像的属性信息，属性信息包括目标道路图像中目标的位置和类别；改进型YOLOv3网络是在YOLOv3网络基础上，将主干网络中的残差模块改为密集连接模块、增加特征提取尺度、优化FPN网络的特征融合方式，进行剪枝及结合知识蒸馏引导网络恢复处理后形成的。蒸馏引导网络恢复处理后形成的。蒸馏引导网络恢复处理后形成的。

【技术实现步骤摘要】
一种基于车联网的道路检测方法


[0001]本专利技术属于图像检测领域，具体涉及一种基于车联网的道路检测方法及车载电子设备。

技术介绍

[0002]近年来，车联网技术得到了快速发展。利用该技术，行驶中的车辆，能够借助新一代信息通信技术，实现车辆、行人、路面设施、服务平台之间的网络连接，提升车辆整体的智能驾驶水平及交通运行效率。
[0003]为了向驾驶者提供有效的道路信息，以便驾驶者及时规划路线、紧急避让，实现安全驾驶。一些研究者将基于神经网络的目标检测算法与车联网技术相结合，通过拍摄道路图像，上传至云端进行图像检测，识别出其中车辆的类型和位置，再将检测结果传输给对应的车辆以供驾驶员使用。但数据上传至云端，以及从云端下载是需要占用一定的网络带宽资源的，并且需要较长的时间；同时，云端对图像进行处理，也需要耗费一定的时间。因此会带来较长的传输时延，导致检测实时性较差。但道路状况是瞬息万变的，许多交通事故在极短的时间内就会发生。
[0004]并且，随着车辆密集化、道路复杂化，对道路图像的检测精度提出了更高的要求，尤其是需要准确检测出图像中的小目标，比如小型车辆，或者由于拍摄距离远在图像中尺寸较小的车辆等等。而现有检测方法的检测精度，尤其是对于小目标的检测精度并不理想。
[0005]因此，急需提出一种基于车联网的道路检测方法，以实现高精度和高实时性检测。

技术实现思路

[0006]为了提出一种基于车联网的道路检测方法，以实现高精度和高实时性检测，本专利技术实施例提供了一种基于车联网的道路检测方法及车载电子设备。
[0007]具体技术方案如下：
[0008]第一方面，本专利技术实施例提供了一种基于车联网的道路检测方法，应用于车载端，包括：
[0009]获取图像采集端拍摄的目标道路图像；将所述目标道路图像输入预先训练得到的改进型YOLOv3网络中，利用密集连接形式的主干网络对所述目标道路图像进行特征提取，得到x个不同尺度的特征图；x为大于等于4的自然数；利用改进型FPN网络对所述x个不同尺度的特征图进行自顶向下、密集连接方式的特征融合，得到各尺度对应的预测结果；基于所有预测结果，得到所述目标道路图像的属性信息，所述属性信息包括所述目标道路图像中目标的位置和类别；其中，所述改进型YOLOv3网络包括所述密集连接形式的主干网络、所述改进型FPN网络；所述改进型YOLOv3网络是在YOLOv3网络基础上，将主干网络中的残差模块更换为密集连接模块、增加特征提取尺度、优化FPN网络的特征融合方式，以及进行剪枝及结合知识蒸馏引导网络恢复处理后形成的；所述改进型YOLOv3网络是根据样本道路图像，以及所述样本道路图像对应的目标的位置和类别训练得到的。
[0010]第二方面，本专利技术实施例提供了一种车载电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0011]存储器，用于存放计算机程序；
[0012]处理器，用于执行存储器上所存放的程序时，实现上述第一方面提供的任意一种基于车联网的道路检测方法的步骤。
[0013]本专利技术实施例所提供的方案中，一方面，将YOLOv3网络的主干网络中的残差模块更换为密集连接模块，将特征融合方式从并行改为了串行，使得主干网络在进行特征提取时，能够直接将早期的特征图作为后面每一层的输入，获得的特征图的信息量更多，强化了特征的传递，因此在进行目标道路图像检测时，能够提高检测精度。并且，通过复用浅层网络的特征图参数能够减少参数的数量以及运算量。另一方面，采用多个特征提取尺度，为小目标增加细粒度的特征提取尺度，能够提升目标道路图像中小目标的检测精度。又一方面，改变FPN网络的特征融合方式，对主干网络提取的特征图采用自顶向下、密集连接的方式进行特征融合，将深层特征直接进行不同倍数的上采样，以此来使得传递的所有特征图具有相同的尺寸，将这些特征图和浅层的特征图通过串联的方式融合起来，可以利用到更多的原始信息，在浅层网络中也有高维语义信息的参与，有助于提高检测的精度；同时通过直接接收更浅层网络的特征，可以得到更加具体的特征，将有效的减少特征的损失，可以减少需要运算的参数量，提高检测速度，实现实时检测。再一方面，通过对预训练的网络进行层剪枝、稀疏化训练、通道剪枝，以及知识蒸馏处理，并在各个处理过程选取优化的处理参数，可以精简网络体积，摒除大部分的冗余计算，能够在维持检测精度的情况下大幅度提升检测速度。本专利技术将云端的检测过程部署在了存储资源和计算资源都非常有限的边缘设备当中，由车载设备就可以实现超视距道路检测，可以对道路上的目标实现高精度和高实时性检测，有利于驾驶者进行安全驾驶。
[0014]当然，实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
[0015]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术实施例提供的一种基于车联网的道路检测方法的流程示意图；
[0018]图2为现有技术中的YOLOv3网络的结构示意图；
[0019]图3为本专利技术实施例所提供的改进型YOLOv3网络的结构示意图；
[0020]图4为本专利技术实施例所提供的一种过渡模块的结构示意图；
[0021]图5-1为YOLOv3和本专利技术实施例的Dense-YOLO-1的mAP曲线对比图；图5-2为YOLOv3和本专利技术实施例的Dense-YOLO-1的loss曲线对比图；
[0022]图6-1为本专利技术实施例的Dense-YOLO-1和MultiScale-YOLO-1的mAP曲线对比图；图6-2为本专利技术实施例的Dense-YOLO-1和MultiScale-YOLO-1的loss曲线对比图；
[0023]图7-1为本专利技术实施例的Dense-YOLO-1和Dense-YOLO-2的mAP曲线对比图；图7-2为本专利技术实施例的Dense-YOLO-1和Dense-YOLO-2的loss曲线对比图；
[0024]图8-1为本专利技术实施例的Dense-YOLO-1和MultiScale-YOLO-2的mAP曲线对比图；图8-2为本专利技术实施例的Dense-YOLO-1和MultiScale-YOLO-2的loss曲线对比图；
[0025]图9-1为本专利技术实施例选择的参数组合5的权重偏移图；图9-2为本专利技术实施例选择的参数组合5的权重交叠图；
[0026]图10为本专利技术实施例的改进型YOLOv3网络(YOLO-Terse)与YOLOv3网络的性能对比图；
[0027]图11为本专利技术实施例所提供的一种车载电子设备的结构示意图。
具体实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车联网的道路检测方法，其特征在于，应用于车载端，包括：获取图像采集端拍摄的目标道路图像；将所述目标道路图像输入预先训练得到的改进型YOLOv3网络中，利用密集连接形式的主干网络对所述目标道路图像进行特征提取，得到x个不同尺度的特征图；x为大于等于4的自然数；利用改进型FPN网络对所述x个不同尺度的特征图进行自顶向下、密集连接方式的特征融合，得到各尺度对应的预测结果；基于所有预测结果，得到所述目标道路图像的属性信息，所述属性信息包括所述目标道路图像中目标的位置和类别；其中，所述改进型YOLOv3网络包括所述密集连接形式的主干网络、所述改进型FPN网络；所述改进型YOLOv3网络是在YOLOv3网络基础上，将主干网络中的残差模块更换为密集连接模块、增加特征提取尺度、优化FPN网络的特征融合方式，以及进行剪枝及结合知识蒸馏引导网络恢复处理后形成的；所述改进型YOLOv3网络是根据样本道路图像，以及所述样本道路图像对应的目标的位置和类别训练得到的。2.根据权利要求1所述的方法，其特征在于，所述密集连接形式的主干网络，包括：间隔串接的密集连接模块和过渡模块；所述密集连接模块的数量为y；所述密集连接模块包括串行连接的卷积网络模块和密集连接单元组；所述卷积网络模块包括串行连接的卷积层、BN层、Leaky relu层；所述密集连接单元组包括m个密集连接单元；每个密集连接单元包括多个采用密集连接形式连接的所述卷积网络模块，并采用级联方式融合多个卷积网络模块输出的特征图；其中，y为大于等于4的自然数，m为大于1的自然数。3.根据权利要求2所述的方法，其特征在于，所述得到x个不同尺度的特征图，包括：得到沿输入逆向的x个密集连接模块输出的、尺度依次增大的x个特征图。4.根据权利要求2所述的方法，其特征在于，所述过渡模块包括所述卷积网络模块和最大池化层；所述卷积网络模块的输入和所述最大池化层的输入共用，所述卷积网络模块输出的特征图和所述最大池化层输出的特征图采用级联方式融合。5.根据权利要求4所述的方法，其特征在于，所述过渡模块包括的所述卷积网络模块的数量为两个或三个，且各个卷积网络模块之间采用串接方式。6.根据权利要求3所述的方法，其特征在于，所述利用改进型FPN网络对所述x个不同尺度的特征图进行自顶向下、密集连接方式的特征融合，包括：针对预测支路Y

【专利技术属性】
技术研发人员：刘晨，左瑜，
申请(专利权)人：西安科锐盛创新科技有限公司，
类型：发明
国别省市：