一种夜间车辆检测方法及装置制造方法及图纸

本发明专利技术公开了一种夜间车辆检测方法，该方法包括：获取待检测的图像；利用训练好的目标检测模型对所述待检测的图像进行检测，得到检测目标；其中，所述目标检测模型对待检测的图像的处理过程包括：对待检测的图像进行特征提取，得到图像特征；对所述图像特征进行特征增强，得到增强特征；将所述增强特征输入到RPN网络中，生成候选框；通过ROI Pooling层对所述候选框进行处理，得到固定大小的特征图；对所述特征图进行回归和分类，得到检测目标。本发明专利技术能有效提高夜间环境下车辆特征提取的准确度，更好地应对高速公路多尺度不均衡的样本情况，降低漏检率，最终实现在保证效率的同时提升检测精度。

【技术实现步骤摘要】
一种夜间车辆检测方法及装置
本专利技术涉及车辆检测领域，具体涉及公开了一种夜间车辆检测方法及装置。
技术介绍
车辆检测是计算机视觉任务中不可或缺的组成部分，而高速公路作为经济发展的连接脉络，具有封闭性和快速性的特点，其事故造成的损失远远高于城市道路，高速公路也因此更适合使用基于视频的车辆检测手段。基于视频的高速公路车辆检测容易受到光照条件的影响，夜间道路场景与白天相比有很大的不同：图像清晰度较差，前景和背景对比度低，缺少车辆外观细节。因此，现有夜间环境下车辆目标的检测一直都是研究的难点。
技术实现思路
有鉴于此，本专利技术提出一种夜间车辆检测方法及装置，用于解决现有技术中的至少一个缺陷。本专利技术的目的是通过以下技术方案来实现的：一种夜间车辆检测方法，包括获取待检测的图像；利用训练好的目标检测模型对所述待检测的图像进行检测，得到检测目标；其中，所述目标检测模型对待检测的图像的处理过程包括：对待检测的图像进行特征提取，得到图像特征；对所述图像特征进行特征增强，得到增强特征；将所述增强特征输入到RPN网络中，生成候选框；通过ROIPooling层对所述候选框进行处理，得到固定大小的特征图；对所述特征图进行回归和分类，得到检测目标。可选地，所述对待检测的图像进行特征提取，得到图像特征的步骤包括：通过ResNet50网络对所述待检测的图像进行特征提取；其中，在ResNet50的Conv3至Conv5阶段的残差模块中引入缩放点乘注意力。可选地，所述对所述图像特征进行特征增强，得到增强特征的步骤包括：特征金字塔结构FPN对所述图像特征进行特征增强，得到增强特征。可选地，所述特征金字塔结构FPN包括四个特征层P2，P3，P4，P5，对特征层P2、P3进行下采样操作，对特征层P5进行上采样。可选地，所述对所述特征图进行回归和分类，得到检测目标的步骤包括：将所述固定大小的特征图输入到两个并列的全连接层中，对特征图进行回归和分类，得到检测目标。可选地，使用Softmax分类器对特征图进行分类，其中，Softmax分类器的公式为：其中，Softmaxj是Softmax分类器输出向量的第j个值，aj为输入向量的第j个值，ak为输入向量的第k个值，T表示类别数。可选地，若存在多个重叠的候选框，采用Soft-NMS方法对候选框进行优化，Soft-NMS的公式为：其中，Nt为设定的阈值，M为置信度最高的候选框，bi为其他任一候选框，IoU()表示交并比。本专利技术的目的是通过以下技术方案来实现的：一种夜间车辆检测装置，包括：图像获取模块，用于获取待检测的图像；目标检测模块，用于利用训练好的目标检测模型对所述待检测的图像进行检测，得到检测目标；其中，所述目标检测模型包括：特征提取模块，用于对待检测的图像进行特征提取，得到图像特征；特征增强模块，用于对所述图像特征进行特征增强，得到增强特征；候选框生成模块，用于将所述增强特征输入到RPN网络中，生成候选框；特征图生生成模块，用于通过ROIPooling层对所述候选框进行处理，得到固定大小的特征图；分类回归模块，用于对所述特征图进行回归和分类，得到检测目标。由于采用了上述技术方案，本专利技术具有如下的优点：本专利技术提出了一种夜间车辆检测方法，包括：获取待检测的图像；利用训练好的目标检测模型对所述待检测的图像进行检测，得到检测目标；其中，所述目标检测模型对待检测的图像的处理过程包括：对待检测的图像进行特征提取，得到图像特征；对所述图像特征进行特征增强，得到增强特征；将所述增强特征输入到RPN网络中，生成候选框；通过ROIPooling层对所述候选框进行处理，得到固定大小的特征图；对所述特征图进行回归和分类，得到检测目标。本专利技术能有效提高夜间环境下车辆特征提取的准确度，更好地应对高速公路多尺度不均衡的样本情况，降低漏检率，最终实现在保证效率的同时提升检测精度。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。附图说明本专利技术的附图说明如下。图1为本专利技术一实施例一种夜间车辆检测方法的流程图；图2为本专利技术一实施例引入注意力机制的ResNet模块示意图；图3为本专利技术一实施例夜间高速公路图像特征金字塔平衡流程示意图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。现有的夜间车辆检测可以归纳为四大方向：①基于运动信息。这类方法从连续视频帧中分离出运动的检测目标，常用的基于运动信息的车辆检测算法有帧间差分法、背景差分法和光流法。②基于车灯。这类方法通常采用图像阈值化和形态学分析等操作提取出车灯，再根据车灯位置、形状等信息进行配对，以代替车身定位车辆。③基于机器学习。这类方法一般利用图片中的边缘、形状和颜色等特征来描述车辆或车灯区域，主要为特征提取、分类器训练和目标检测三个步骤。④基于深度学习。上述三种方式都采用人工设计的特征表达方式，需要大量的先验知识。在夜间高速公路场景下进行车辆检测时必须考虑夜间环境下的特征提取困难和监控摄像头下的尺度变化大的问题，本专利技术将在FasterR-CNN深度学习模型的基础上实现夜间高速公路场景下的车辆检测。首先，在FasterR-CNN模型的骨干网络部分，选用ResNet50，并在其基础上增强上下文信息，引入注意力机制，强化特征提取的语义信息。其次，加入特征金字塔网络FPN，以应对目标的变尺度检测，并构建了考虑特征平衡的特征增强结构，以实现不同尺度特征的提取，均衡金字塔层次间特征的联系，强化特征信息。最后，对初步检测结果采用考虑软阈值的Soft-NMS算法进行处理，去掉表示同一目标的多个重叠检测框，得到最终的检测结果。本申请一实施例提供一种夜间车辆检测方法，包括S1获取待检测的图像；S2利用训练好的目标检测模型对所述待检测的图像进行检测，得到检测目标；其中，所述目标检测模型对待检测的图像的处理过程包括：S3对待检测的图像进行特征提取，得到图像特征；S4对所述图像特征进行特征增强，得到增强特征；S5将所述增强特征输入到RPN网络中，生成候选框；S6通过ROIPooling层对所述候选框进行处理，得到固定大小的特征图；S7对所述特征图进行回归和分类，得到检测目标。...

【技术保护点】
1.一种夜间车辆检测方法，其特征在于，该方法包括：/n获取待检测的图像；/n利用训练好的目标检测模型对所述待检测的图像进行检测，得到检测目标；其中，所述目标检测模型对待检测的图像的处理过程包括：/n对待检测的图像进行特征提取，得到图像特征；/n对所述图像特征进行特征增强，得到增强特征；/n将所述增强特征输入到RPN网络中，生成候选框；/n通过ROIPooling层对所述候选框进行处理，得到固定大小的特征图；/n对所述特征图进行回归和分类，得到检测目标。/n

【技术特征摘要】
1.一种夜间车辆检测方法，其特征在于，该方法包括：
获取待检测的图像；
利用训练好的目标检测模型对所述待检测的图像进行检测，得到检测目标；其中，所述目标检测模型对待检测的图像的处理过程包括：
对待检测的图像进行特征提取，得到图像特征；
对所述图像特征进行特征增强，得到增强特征；
将所述增强特征输入到RPN网络中，生成候选框；
通过ROIPooling层对所述候选框进行处理，得到固定大小的特征图；
对所述特征图进行回归和分类，得到检测目标。


2.根据权利要求1所述的夜间车辆检测方法，其特征在于，所述对待检测的图像进行特征提取，得到图像特征的步骤包括：
通过ResNet50网络对所述待检测的图像进行特征提取；其中，在ResNet50的Conv3至Conv5阶段的残差模块中引入缩放点乘注意力。


3.根据权利要求1所述的夜间车辆检测方法，其特征在于，所述对所述图像特征进行特征增强，得到增强特征的步骤包括：
特征金字塔结构FPN对所述图像特征进行特征增强，得到增强特征。


4.根据权利要求3所述的夜间车辆检测方法，其特征在于，所述特征金字塔结构FPN包括四个特征层P2，P3，P4，P5，对特征层P2、P3进行下采样操作，对特征层P5进行上采样。


5.根据权利要求1所述的夜间车辆检测方法，其特征在于，所述对所述特征图进行回归和分类，得到检测目标的步骤包括：
将所述固定大...

【专利技术属性】
技术研发人员：赵敏，孙棣华，国祎晴，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50