一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质技术方案

本发明专利技术公开了一种基于SF

【技术实现步骤摘要】
一种基于SF
‑
YOLOv4网络模型的车辆检测方法、系统及存储介质


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于SF
‑
YOLOv4网络模型的车辆检测方法、系统及存储介质。

技术介绍

[0002]随着经济的发展，高速公路历程和汽车保有量也不断增加，汽车不仅提高了人类现代化的生活水平，也推动了经济发展。但是，随着汽车数量的增加，使得高速公路的事故发生率也不断攀升，对人民的生命财产安全构成了极大威胁，同时，由于高速公路上长期保持紧张驾驶状态，容易造成疲劳，对行车过程中的前方车辆进行错误判断。因此，对高速公路上行驶车辆的前方车辆进行实施检测、识别显得尤为重要。
[0003]现有的对高速公路上的车辆进行检测的方法主要包括RCNN、Fast
‑
R CNN和Faster
‑
R CNN算法，该类算法为两阶段的目标检测算法，即该方法主要分为两步进行，第一步利用图像分割技术选出候选区域，第二步采用滑动窗口思想，将图像输入到神经网络中进行分类、回归操作。该方法可以充分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SF
‑
YOLOv4网络模型的车辆检测方法，用于对目标道路视频图像中的车辆目标进行检测，其特征在于，方法包括如下步骤：步骤1：使用预构建的样本集对SF
‑
YOLOv4网络模型进行训练，获取训练好的SF
‑
YOLOv4网络模型；所述预构建的样本集中包含一组已进行车辆目标标记的道路视频图像；SF
‑
YOLOv4网络模型包括特征提取网络Darknet
‑
17、F
‑
FPN结构；所述特征提取网络Darknet
‑
17用于提取输入图像的特征图，提取的特征图包括104
×
104尺度的特征图、52
×
52尺度的特征图、26
×
26尺度的特征图、13
×
13尺度的特征图；所述F
‑
FPN结构用于将特征提取网络Darknet
‑
17提取的13
×
13尺度的特征图进行卷积，将该卷积结果作为13
×
13尺度的输出预测；所述F
‑
FPN结构还用于将对13
×
13尺度的特征图进行卷积得到的卷积结果进行卷积和上采样操作，然后与特征提取网络Darknet
‑
17提取的26
×
26尺度的特征图进行拼接，将该拼接结果作为26
×
26特征图的输出预测；所述F
‑
FPN结构还用于将26
×
26尺度的特征图进行拼接得到的拼接结果进行卷积和上采样操作后，然后与特征提取网络Darknet
‑
17提取的52
×
52尺度的特征图进行拼接，将拼接结果进行卷积和上采样操作，将其作为与52
×
52尺度的特征图所对应的处理结果，然后将所述与52
×
52尺度的特征图所对应的处理结果和特征提取网络Darknet
‑
17提取的104
×
104尺度的特征图进行拼接后再进行卷积和下采样操作，然后与52
×
52尺度的特征图所对应的处理结果进行进一步拼接，将拼接结果作为52
×
52尺度特征图的输出预测；步骤2：将目标道路视频图像输入训练好的SF
‑
YOLOv4网络模型中，获取该图像中的车辆目标。2.根据权利要求1所述的基于SF
‑
YOLOv4网络模型的车辆检测方法，其特征在于，所述特征提取网络Darknet
‑
17中与各提取尺度所对应的特征提取层的残差和卷积操作次数分别均为1次。3.根据权利要求1所述的基于SF
‑
YOLOv4网络模型的车辆检测方法，其特征在于，在步骤1之前，所述方法还包括根据如下方法获取预构建的样本集：步骤A、对拍摄装置捕获的预设时间段内的道路视频进行预处理，获取有效道路视频；步骤B、使用计算机视觉技术对有效道路视频进行差帧处理，获取待标记道路视频图像；步骤C、通过标记工具对待标记道路视频图像中的车辆目标进行标记，获取进行车辆目标标记的道路视频图像。4.根据权利要求3所述的基于SF
‑
YOLOv4网络模型的车辆检测方法，其特征在于，在步骤C中，利用LabelImg标记工具对道路视频图像中的车辆目标进行标记，标记内容包括用于标识车辆目标位置的矩形框，以及车辆目标的类别。5.根据权利要求1所述的基于SF
‑
YOLOv4网络模型的车辆检测方法，其特征在于，在对SF
‑
YOLOv4网络模型进行训练时，基于余弦退火衰减...

【专利技术属性】
技术研发人员：高尚兵，汪长春，蔡创新，相林，陈浩霖，于永涛，周君，朱全银，张正伟，郝明阳，胡序洋，张骏强，李少凡，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：