一种交通场景目标检测方法及系统技术方案

本发明专利技术公开了一种交通场景目标检测方法及系统，包括：获取交通场景中的待检测图像；对待检测图像进行特征提取，提取出若干特征；对已提取的若干特征进行特征融合，得到融合特征；对融合特征进行特征增强处理，得到初步分类特征和初步回归特征；对初步分类特征进行边界特征提取，得到边界分类特征和边界回归特征；将初步分类特征与边界分类特征进行融合，得到最终分类特征；将初步回归特征与边界回归特征进行融合，得到最终回归特征；基于最终分类特征和训练后的分类器，得到最终的分类预测结果；基于最终回归特征和训练后的回归器，得到最终的回归预测结果。解决了以往方法存在的检测精度低、速度慢、误检、漏检等问题，具有良好的泛化能力。好的泛化能力。好的泛化能力。

【技术实现步骤摘要】
一种交通场景目标检测方法及系统


[0001]本专利技术涉及目标检测
，特别是涉及一种交通场景目标检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]交通场景目标检测作为智能交通系统中的一项基本任务，需要实时、准确地对交通场景目标进行定位与分类。因此，完善交通场景目标检测工作具有极大的现实意义与应用价值。传统的目标检测方法是先在给定的图像上选择一些候选区域，然后对这些区域进行特征提取，最后再使用分类器进行分类。然而，这种基于滑动窗口的区域选择策略会导致过高的时间复杂度以及窗口冗余问题，而且手工设计的特征对于多样性的变化并没有很好的鲁棒性。
[0004]随着深度卷积神经网络的快速发展，目标检测的性能虽然得到了显著提升，但是仍然会存在一些问题。目前，基于卷积神经网络的目标检测方法可以分为基于锚的方法和无锚方法。在基于锚的方法中，Faster R
‑
CNN采用两段式结构先生成目标候选框，然后再对候选框进行分类和回归。这类方法使用大量的锚作为先验框不仅会引入额外的超参数，还会造成正负样本的极度不平衡。虽然其检测精度有所提升，但是检测速度却不理想。在无锚方法中，CenterNet采用关键点估计来找到中心点，并回归到其他目标属性。这类方法不以任何预定义的先验框作为参考，而是通过确定目标的关键点和对四条边框的预测来解决检测问题。然而，无锚检测方法为了追求速度而牺牲了精度，这意味着其检测速度提升的同时，检测精度却不如基于锚的检测方法，并且当它面对一些较复杂的交通场景时，检测效果并不理想。因此，针对交通场景目标检测的研究仍然具有很大的发展空间，实现检测精度与速度之间的权衡是本专利技术需要解决的一个重要问题。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术提供了一种交通场景目标检测方法及系统；
[0006]第一方面，本专利技术提供了一种交通场景目标检测方法；
[0007]一种交通场景目标检测方法，包括：
[0008]获取交通场景中的待检测图像；对待检测图像进行特征提取，提取出若干特征；
[0009]对已提取的若干特征进行特征融合，得到融合特征；对融合特征进行特征增强处理，得到初步分类特征和初步回归特征；
[0010]对初步分类特征进行边界特征提取，得到边界分类特征和边界回归特征；将初步分类特征与边界分类特征进行融合，得到最终分类特征；将初步回归特征与边界回归特征进行融合，得到最终回归特征；
[0011]基于最终分类特征和训练后的分类器，得到最终的分类预测结果；基于最终回归特征和训练后的回归器，得到最终的回归预测结果。
[0012]第二方面，本专利技术提供了一种交通场景目标检测系统；
[0013]一种交通场景目标检测系统，包括：
[0014]特征提取模块，其被配置为：获取交通场景中的待检测图像；对待检测图像进行特征提取，提取出若干特征；
[0015]特征融合与增强模块，其被配置为：对已提取的若干特征进行特征融合，得到融合特征；对融合特征进行特征增强处理，得到初步分类特征和初步回归特征；
[0016]边界特征提取模块，其被配置为：对初步分类特征进行边界特征提取，得到边界分类特征和边界回归特征；将初步分类特征与边界分类特征进行融合，得到最终分类特征；将初步回归特征与边界回归特征进行融合，得到最终回归特征；
[0017]预测模块，其被配置为：基于最终分类特征和训练后的分类器，得到最终的分类预测结果；基于最终回归特征和训练后的回归器，得到最终的回归预测结果。
[0018]第三方面，本专利技术还提供了一种电子设备，包括：
[0019]存储器，用于非暂时性存储计算机可读指令；以及
[0020]处理器，用于运行所述计算机可读指令，
[0021]其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
[0022]第四方面，本专利技术还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
[0023]与现有技术相比，本专利技术的有益效果是：
[0024]通过融合多尺度特征获得了更加丰富的语义信息，通过提取边界特征增强了头部的分类和回归。
[0025]通过聚合多个注意力模块提高了网络的表示能力，解决了以往方法存在的检测精度低、速度慢、误检、漏检等问题，具有良好的泛化能力。
[0026]本专利技术附加方面的优点将在下面的描述中部分给出，或通过本专利技术的实践了解到。
附图说明
[0027]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0028]图1为第一个实施例的SABNet的网络结构图；
[0029]图2为第一个实施例的尺度融合模块的结构图；
[0030]图3为第一个实施例的注意力聚合模块的结构图；
[0031]图4为第一个实施例的边界特征提取模块的结构图；
[0032]图5(a)～图5(p)为第一个实施例的我们的方法在BDD100K测试集上的检测结果；
[0033]图6(a)～图6(c)为第一个实施例的我们的方法在KITTI测试集上的P
‑
R曲线；
[0034]图7为第一个实施例的方法流程图。
具体实施方式
[0035]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0037]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0038]本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
[0039]为了平衡交通场景目标的检测精度与速度，本专利技术设计了一种以CenterNet作为基线的无锚检测方法用来检测交通场景目标。网络结构如图1所示。首先，本专利技术将图像输入到骨干网络ResNet
‑
101中来提取特征，提取到的特征经尺度融合模块(SFM)生成具有高分辨率和高级语义信息的融合特征。其次，融合后的特征经过注意力聚合模块(AAM)来增强目标检测头部的特征表示。此外，注意力聚合模块将输出得到的初步分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通场景目标检测方法，其特征是，包括：获取交通场景中的待检测图像；对待检测图像进行特征提取，提取出若干特征；对已提取的若干特征进行特征融合，得到融合特征；对融合特征进行特征增强处理，得到初步分类特征和初步回归特征；对初步分类特征进行边界特征提取，得到边界分类特征和边界回归特征；将初步分类特征与边界分类特征进行融合，得到最终分类特征；将初步回归特征与边界回归特征进行融合，得到最终回归特征；基于最终分类特征和训练后的分类器，得到最终的分类预测结果；基于最终回归特征和训练后的回归器，得到最终的回归预测结果。2.如权利要求1所述的一种交通场景目标检测方法，其特征是，对待检测图像进行特征提取，提取出若干特征；具体采用RestNet 101网络对待检测图像进行特征提取，提取出若干特征；或者，RestNet 101网络，包括：依次连接的卷积层a1、卷积层a2、卷积层a3和卷积层a4；所述卷积层a1的输入值为待检测图像；所述卷积层a1的输出值为特征B2；所述卷积层a2的输入值为特征B2；所述卷积层a2的输出值为特征B3；所述卷积层a3的输入值为特征B3；所述卷积层a3的输出值为特征B4；所述卷积层a4的输入值为特征B4；所述卷积层a4的输出值为特征B5。3.如权利要求1所述的一种交通场景目标检测方法，其特征是，对已提取的若干特征进行特征融合，得到融合特征；具体采用尺度融合模块，对已提取的若干特征进行特征融合，得到融合特征；或者，所述采用尺度融合模块SFM，其网络结构包括：依次连接的卷积层b1、上采样层c1、加法器d1、卷积层b2、上采样层c2、加法器d2、卷积层b3、上采样层c3、加法器d3和卷积层b4；卷积层b1，还通过卷积层f1与卷积层a4连接；加法器d1，还通过卷积层f2与卷积层a3连接；加法器d2，还通过卷积层f3与卷积层a2连接；加法器d3，还通过卷积层f4与卷积层a1连接；卷积层b2和卷积层b3，还与加法器d4连接；卷积层b1、卷积层b4和加法器d4，还与拼接器连接。4.如权利要求3所述的一种交通场景目标检测方法，其特征是，所述采用尺度融合模块，对已提取的若干特征进行特征融合，得到融合特征；工作原理包括：通过ResNet
‑
101的卷积操作得到了不同尺度的特征B2、B3、B4和B5；对特征B2、B3、B4和B5，分别进行1
×
1卷积操作，得到特征F2、F3、F4和F5；对特征F5经过3
×
3卷积操作，得到特征S5；对特征S5进行上采样操作；对特征F4与上采样操作后的特征S5进行融合，得到第一融合结果，将第一融合结果经过3
×
3卷积操作，得到特征S4；对特征S4进行上采样操作；对特征F3与上采样操作后的特征S4进行融合，得到第二融合结果，将第二融合结果经过3
×
3卷积操作，...

【专利技术属性】
技术研发人员：李天平，丁同贺，刘智风，霍文晓，冯凯丽，魏艳军，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：