一种车辆目标检测方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种车辆目标检测方法、装置及计算机可读存储介质，对训练数据集的标注框尺寸进行聚类，根据聚类结果配置理论感受野；基于理论感受野构建骨干网络；针对骨干网络所有输出特征层分层配置不同损失函数，构建车辆检测模型；基于训练数据集中训练样本对车辆检测模型进行训练；将待检测数据输入至训练完成的车辆检测模型，输出车辆目标检测结果。通过本发明专利技术的实施，引入感受野大小与场景车辆尺寸大小的匹配策略对车辆检测模型进行构建，有效降低了车辆检测模型的参数量和计算量，提高了模型对车辆的检测精度，并增强了车辆检测的鲁棒性。棒性。棒性。

【技术实现步骤摘要】
一种车辆目标检测方法、装置及计算机可读存储介质


[0001]本专利技术涉及目标检测
，尤其涉及一种车辆目标检测方法、装置及计算机可读存储介质。

技术介绍

[0002]随着智慧城市、智能交通等概念的提出，在道路交通监控场景下对过往车辆进行准确的检测需求愈加的强烈。但目前研究者一般使用基于深度学习的通用目标检测模型在交通监控场景下对车辆进行检测，这就避免不了模型计算量大且对远处小物体检测不佳的情况。
[0003]面对上述问题，一般的解决方案是在模型结构上进行改进，以深度可分离卷积作为基础模块进行轻量化模型结构的设计。这种设计虽然能够提高推理速度，但是依然存在参数冗余和检测精度大幅下降的问题。由此可见，亟需一种对道路交通监控场景下进行适应性设计的轻量级车辆检测模型，来解决当前道路交通监控场景下通用目标检测模型在车辆检测任务中存在的精度与速度不平衡的问题。

技术实现思路

[0004]本专利技术实施例的主要目的在于提供一种车辆目标检测方法、装置及计算机可读存储介质，至少能够解决相关技术中所提供的目标检测模型无法兼顾检测精度和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆目标检测方法，其特征在于，包括：对训练数据集的标注框尺寸进行聚类，根据聚类结果配置理论感受野；基于所述理论感受野构建骨干网络；其中，所述骨干网络的输出特征层的感受野与道路场景下车辆尺寸相匹配；针对所述骨干网络所有输出特征层分层配置不同损失函数，构建车辆检测模型；基于所述训练数据集中训练样本对所述车辆检测模型进行训练；将待检测数据输入至训练完成的所述车辆检测模型，输出车辆目标检测结果；其中，所述车辆目标检测结果包括：位置信息、类别信息。2.如权利要求1所述的车辆目标检测方法，其特征在于，所述对训练数据集的标注框尺寸进行聚类，根据聚类结果配置理论感受野的步骤，包括：对训练数据集的标注框尺寸大小分布进行统计，得到标注框的尺寸范围分布信息；根据所述尺寸范围分布信息选定输出特征层的个数和下采样率；针对选定下采样率的所述输出特征层，对所述训练数据集中的标注框进行聚类；将聚类得到的锚框作为相应尺寸范围下的代表性标注框，并通过所述锚框的尺寸配置理论感受野；所述基于所述理论感受野构建骨干网络的步骤，包括：参考所述理论感受野的大小设计网络模型深度；根据所述网络模型深度构建骨干网络。3.如权利要求1所述的车辆目标检测方法，其特征在于，所述针对所述骨干网络所有输出特征层分层配置不同损失函数的步骤，包括：将所述骨干网络所有输出特征层区分为浅层特征层与深层特征层；针对所述浅层特征层配置高斯热图损失函数，以及针对所述深层特征图配置YOLO置信度损失函数。4.如权利要求3所述的车辆目标检测方法，其特征在于，所述基于所述训练数据集中训练样本对所述车辆检测模型进行训练的步骤之前，还包括：在层内与层间进行正负样本分配时，针对分配有歧义的训练样本，采用与标注框最大交并比的规则分配于对应单个输出特征层进行预测。5.如权利要求4所述的车辆目标检测方法，其特征在于，所述采用与标注框最大交并比的规则分配于对应单个输出特征层进行预测的步骤，包括：针对不同输出特征层的真实标签特征张量采用预设分配公式进行分配，所述分配公式表示为：对于使用所述高斯热图损失函数的所述浅层特征层，将α
ij
修改为：
对于使用所述YOLO置信度损失函数的所述深层特征层，将N
ij
修改为：其中，表示真实标签特征张量，IOU(...

【专利技术属性】
技术研发人员：李良群，谢渊良，
申请(专利权)人：深圳大学，
类型：发明
国别省市：