一种基于无锚框检测网络改进的车辆检测方法技术

本发明专利技术公开了一种基于无锚框检测网络改进的车辆检测方法，包括：首先通过特征融合模块将低维特征与高维特征进行特征融合；然后将特征融合处理后的特征送入无锚框检测网络框架中；该网络中加入CBAM注意力机制模块，增加检测效果；再将识别结果输出。该方法增加了特征融合模块和注意力机制模块，无锚框检测网络采用CenterNet网络，并采用Resnet网络的跳接连接方式，能够快速进行车辆检测的同时，保证有更好的检测精度。

【技术实现步骤摘要】
一种基于无锚框检测网络改进的车辆检测方法
本专利技术涉及深度学习目标检测领域，特别是涉及一种基于无锚框检测网络改进的车辆检测方法。
技术介绍
随着智慧城市、智能交通系统、无人驾驶的建设与发展，其中车辆检测技术成为了关键。在交通管理、拥堵路段检测等方面应用广泛，并且在减少甚至避免交通事故具有重要的意义。在传统方法中，首先对图像进行预处理，通过滤波器遍历图像得到车辆或者行人等目标的初步位置，再通过人工设计车辆目标的特征进行识别。其主要特征有梯度直方图(HistogramofOrientedGradient,HOG)，尺度不变特征(scale-invariantfeaturetransform,SIFT)和哈尔特征(Haar-linkfeature)等,最后通过正负样本训练支持向量机(SupportVectorMachine,SVM)等分类器进行特征分类，完成最终的检测。传统方法受限于目标位置推测的效率，造成鲁棒性不强，尤其是在实时检测以及有遮挡的目标检测时有明显缺陷。近些年来，深度学习技术不断发展并取得了巨大的突破，通过卷积神经网络本文档来自技高网...

【技术保护点】
1.一种基于无锚框检测网络改进的车辆检测方法，其特征在于，包括以下形成步骤：/n步骤一，将图像输入到网络中，通过特征提取模块对输入图像进行特征提取，得到特征图；/n步骤二，对所述特征图输入给特征融合模块，将低维特征与高维特征进行特征融合，得到特征融合后特征图；/n步骤三，对所述特征融合后的特征图输入给无锚框检测网络，进行车辆目标的检测识别，得到识别后的结果并输出，所述无锚框检测网络使用CenterNet检测网络；/n步骤四，所述CenterNet网络的骨干网络使用ResNet101的结构，使用跳接方式连接各个卷积层，并在跳接中使用卷积注意力模块CBAM。/n

【技术特征摘要】
1.一种基于无锚框检测网络改进的车辆检测方法，其特征在于，包括以下形成步骤：
步骤一，将图像输入到网络中，通过特征提取模块对输入图像进行特征提取，得到特征图；
步骤二，对所述特征图输入给特征融合模块，将低维特征与高维特征进行特征融合，得到特征融合后特征图；
步骤三，对所述特征融合后的特征图输入给无锚框检测网络，进行车辆目标的检测识别，得到识别后的结果并输出，所述无锚框检测网络使用CenterNet检测网络；
步骤四，所述CenterNet网络的骨干网络使用ResNet101的结构，使用跳接方式连接各个卷积层，并在跳接中使用卷积注意力模块CBAM。


2.根据权利要求1所述的一种基于无锚框检测网络改进的车辆检测方法，其特征在于，步骤一中所述特征提取模块采用深度可分离卷积替代标准卷积操作，首先对输入图像使用卷积核为3×3的卷积进行逐通道卷积，得到特征图，然后使用卷积核为1×1的卷积对所述特征图进行逐点卷积，得到最终的图像特征，减少计算量和提高特征提取，所述深度可分离卷积后接批归一化层增加模型的泛化能力，在所述批归一化层后接ReLU激活函数，上述三部分构成特征提取模块。


3.根据权利要求1所述的一种基于无锚框检测网络改进的车辆检测方法，其特征在于，步骤二中使用特征融合模块，通过将浅层特征与深层特征进行融合来增加小目标、重叠目标检测的精度，将Conv3-3层的特征图下采样到38×38的大小，特征图通道数不变；将Conv4-3层的特征图进行降维，通道数由512个降至256个，特征图大小不变；将Conv7层的特征图上采样到38×38的大小，并将特征通道数由1024个降至256个；将Conv3-3层、Con...

【专利技术属性】
技术研发人员：刘宏哲，刘腾，徐成，徐冰心，潘卫国，代松银，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：北京;11