一种道路场景车辆和行人的目标检测算法制造技术

本发明专利技术公开了一种道路场景车辆和行人的目标检测算法，步骤为：加入注意力机制，加强网络对于特征图和重要通道间的相关表达，在特征提取时重点关注高价值信息，抑制无效信息，加强网络的特征提取能力，提高网络在实际道路场景中的检测精度；引入空间金字塔池化结构提取不同感受野的多尺度深层特征信息，增强网络提取特征的表达能力提升网络检测准确率；优化损失函数，反映预测框和真实框的重叠区域和距离，解决原网络中梯度消失无法优化的问题，提高网络对于小目标的敏感性和检测精度。本发明专利技术提升了检测速度和准确度，为解决道路场景中车辆行驶安全问题、发展道路图像监控系统以及自动驾驶、辅助驾驶等提供了现实指导意义。辅助驾驶等提供了现实指导意义。辅助驾驶等提供了现实指导意义。

【技术实现步骤摘要】
一种道路场景车辆和行人的目标检测算法


[0001]本专利技术属于目标检测的
，尤其涉及一种道路场景车辆和行人 的目标检测算法。

技术介绍

[0002]传统的目标检测方法主要分为区域选择、特征提取、分类器三个部分， 这些传统方法是基于底层视觉特征进行检测，因此很难获取复杂图像中的 语义信息。为了更好的提取目标特征信息，Hinton在2006年提出了深度学 习，深度学习是人工智能领域的研究重心和最新热点，它被广泛的应用在 目标检测、语义分割、物理分类等方面；近年来，随着深度学习的发展， 神经网络在计算机视觉领域取得突破性进展，卷积神经网络是神经网络的 一种，包括输入层、卷积层、池化层、全连接层和分类器，主要通过权值 共享将网络的层次不断加深，使网络具有更强的解析能力。人工智能和新 一代汽车技术发展已经加快了汽车同互联网之间的紧密联系，自动驾驶和 辅助系统已经成为了目前各大汽车公司研究的研究方向和重要课题，因此， 将卷积神经网络应用到道路场景，对车辆和行人进行目标检测，可以做到 实时性和准确性检测，为解决道路场景中车辆行驶安全问题、发展道路图 像监控系统以及自动驾驶、辅助驾驶等提供了现实指导意义。
[0003]目标检测由图像处理发展而来，是计算机视觉研究的重点和热点之一。 传统目标检测方法主要分为预处理、窗口滑动、特征提取、特征选择、特 征分类和后处理六个步骤。
[0004]传统目标检测方法的研究重点是在特征提取(提高目标的表征能力) 和特征分类(提高分类器的精度和速度)上。由此，研究人员提出了多种 形式的特征描述子和分类器：1999年由David Lowe提出的SITF是一种局 部特征描述子，其对旋转、尺度缩放、对视角变化、噪声等具有一定的稳 定性；2005由Navneet Dalal和Bill Triggs在CVPR上提出的梯度方向直 方图(HOG)，通过计算和统计图像局部的梯度方向来构成特征；1995年 Freund and Schapire提出AdaBoost算法是机器学习方法的一种，通过不断 的对训练集训练不同的弱分类器，再将其集合起来构成一个强分类器筛选 特征；1964年，Vapnik和Alexey Y.Chervonenkis提出并建立了支持向量机 (SVM)，是一种二分类模型，通过使用监督学习的方式对数据进行分类 的线性分类器；2010年由Felzenszwalb提出的DPM算法是一种基于部件 的检测方法，对目标的形变具有很强的鲁棒性，它结合了改进后的HOG 特征描述子和SVM分类器，采用了基于图结构的部件模型策略进行特征 融合和分类。
[0005]但是，由于传统目标检测方法使用设计的特征，即使运用最好的非线 性分类器进行特征分类，目标检测的准确度也达不到实际需求。2014年， Girshick等人提出的R
‑
CNN算法在PSACAL VOC检测数据集上以绝对优 势击败了传统的DPM算法，为目标检测开启了一个新的里程碑。自此， 深度学习算法在目标检测的研究领域里占据了绝对的主导地位，并一直持 续至今。由R
‑
CNN网络改进的Fast R
‑
CNN及Faster R
‑
CNN开始的二阶段 算法虽然已经实现了端到端训练的完整流程，但是与真正满足实时性需求 仍有相当大的差距。因此，以YOLO算法为代表的一阶段检测器便登上了 舞台。这一类算法不再单独设计生成候选区
域的初始阶段，而是在整张图像上一次性完成所有目标的定位与分类。Sermanent等人于2013年提出的OverFeat是最早的一阶段检测器。虽然它的精度不如同期R
‑
CNN，但其思想很有前瞻性；(1)采用卷积层替代全连接层实现全卷积神经网络，适应不同分辨率的图像作为输入，相当于用卷积来快速实现滑动窗口算法；(2)采用同一个卷积神经网络作为共享的骨架网络，通过更改网络头部分别实现分类、定位和检测任务，这使得OverFeat比R
‑
CNN的检测速度快了9倍。2015年，Redmon等人提出的YOLO算法则真正地实现了实时性目标检测，YOLO是一种端到端的算法，没有候选框这一概念，输入一张图片，在检测到前景的同时就回归得到了需要的属性。从实验结果来看，YOLO的检测速度能够达到45FPS，FastYOLO甚至能到155FPS，比二阶段检测器快了一个数量级。除此以外，YOLO在检测时考虑了更多的背景信息，因此将背景误判为前景的概率比FastR
‑
CNN要低很多。
[0006]2014年RossB.Girshick等人在CNN的基础上设计了R
‑
CNN模型，R
‑
CNN(摒弃了传统的滑动窗口(通过多尺度滑动窗口确定所有可能的目标区域)和人工选取特征的方法如将候选区域算法和卷积神经网络相结合，使得检测速度和精度明显提升。
[0007](1)区域推荐(regionproposal)即候选区域：给定一张图片，通过选择性搜索算法产生1000～2000个候选边框，但形状和大小是不相同的，这些框之间是可以互相重叠互相包含的；利用图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口的情况下保持较高的召回率；
[0008](2)特征提取：利用卷积神经网络(CNN)对每一个候选边框提取深层特征；
[0009](3)分类：利用线性支持向量机(SVM)对卷积神经网络提取的深层特征进行分类；
[0010](4)去除重叠：将非极大值抑制方法应用于重叠的候选边框，挑选出支持向量机得分较高的边框(boundingbox)。
[0011]上述方案的缺点在于：
[0012](1)重复计算：重复为每个候选框提取特征是非常耗时的。SelectiveSearch为每张图像产生大约2000个候选框，那么每张图像需要经过2000次的完整的CNN前向传播得到特征，而且这2000个候选框有很多重叠的部分，造成很多计算都是重复的，这将导致计算量大幅上升，相当耗时；
[0013](2)训练占用内存大：对于每一类分类器和回归器，都需要大量的特征作为训练样本；
[0014](3)训练过程是多阶段的：首先对卷积神经网络微调训练；然后提取全连接层特征作为SVM的输入，训练得到目标检测器；最后训练边框回归器；
[0015](4)目标检测速度慢；
[0016](5)输入CNN网络的图像大小固定为227*227，在输入网络前需要对候选区域图像进行归一化，容易使物体产生截断或拉伸，会导致输入CNN的信息丢失。
[0017]FasterR
‑
cnn是在FastR
‑
cnn和R
‑
cnn的基础上进行了改进之后，由ShaoqingRen在2016年发表。FasterR
‑
cnn将特征提取、候选区域生成、边界框回归、目标分类整合到一个网络模型当中，不仅是网络模型的性能有了进一步提高，还在检测精度和速度方面有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路场景车辆和行人的目标检测算法，其特征在于，包括以下步骤：步骤1：加入注意力机制，加强网络对于特征图和重要通道间的相关表达，在特征提取时重点关注高价值信息，抑制无效信息，加强网络的特征提取能力，提高网络在实际道路场景中的检测精度；步骤2：引入空间金字塔池化结构提取不同感受野的多尺度深层特征信息，增强网络提取特征的表达能力提升网络检测准确率；步骤3：优化损失函数，反映预测框和真实框的重叠区域和距离，解决原网络中梯度消失无法优化的问...

【专利技术属性】
技术研发人员：王光，计思璐，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：