一种目标车辆检测方法、装置及计算机制造方法及图纸

本发明专利技术属于图像识别技术领域，具体涉及一种轻量车辆检测的方法、装置及计算机，包括如下步骤：获取待检测车辆环境图像数据；对所述待检测车辆环境图像数据进行图像处理，得到416

【技术实现步骤摘要】
一种目标车辆检测方法、装置及计算机


[0001]本专利技术属于图像识别
，具体涉及一种目标车辆检测方法、装置及计算机。

技术介绍

[0002]目标检测技术已经在人脸识别、车辆检测等多个领域内广泛应用。基于深度学习的目标检测算法主要分为一阶目标检测与两阶目标检测，前者采用端到端的方式直接获得物体位置并进行类别预测，计算速度快，但精度略有损失，典型算法有SSD、RetinaNet和YOLO系列。两阶目标检测算法相比于一阶网络可以更充分地提取特征，得到目标物体的精准位置和分类，代表算法有Fast R
‑
CNN、Cascade R
‑
CNN。此外CornerNet和CenterNet这些依靠关键点来检测目标的算法也受到了研究人员和业界的广泛关注。
[0003]基于深度学习的目标检测算法在车辆检测领域的应用一直是研究的热点。有学者使用Faster
‑
RCNN网络检测车辆，用卷积特征代替人工提取特征，避免了传统检测问题中设计手工特征的问题；有学者使用Cascade RCNN算法进行目标检测，引入空洞卷积来减少下采样过程中的特征丢失，可以有效的检测出小目标和遮挡目标，改进后的网络准确率有所提高，但在速度方面略有损失；有学者将Darknet53改进为30个卷积层的卷积神经网络，使用K
‑
means聚类选取车辆锚框，可以实现道路车辆的实时检测。有学者使用深度残差网络作为主干网络，利用软化非极大抑制解决车辆尺度变化大以及遮挡问题；有学者提出的Vehicle
‑
YOLO模型是在YOLOv3的基础上采用7次深度残网络输出五种不同大小的特征图，对潜在车辆的边界框进行提取，从而提升车辆检测的精度和普适性；有学者将YOLOv3
‑
tiny的主干网络与BiFPN特征金字塔结构相结合，并提出了一种新的上采样结构，来解决采样过程中信息丢失的问题；还有学者使用残差网络和反残差网络作为基础模型，使用Focal loss改进损失函数，平衡正负样本，提高了目标检测的准确度。
[0004]目前，车辆检测多用于智能网联和自动驾驶汽车感知交通环境信息，大量研究使用KITTI数据集完成模型训练与测试。通常这类数据集基于车载设备、从平视或小倾角俯视角度采集，与交通管理场景下的路侧监控图像视角存在明显差异，相关模型不能很好适应大倾角俯视视角下的车辆检测任务。

技术实现思路

[0005]为了解决现有技术存在的问题，本专利技术实施例提供以下技术方案：
[0006]第一方面，本申请提供一种轻量车辆检测的方法，包括如下步骤：
[0007]获取待检测车辆环境图像数据；
[0008]对所述待检测车辆环境图像数据进行图像处理，得到416
×
416的车辆环境图像数据；
[0009]将YOLOv4网络结构算法与GhostNet模型结合，在GhostNet模型中加入注意力机制模块，得到GS
‑
YOLO模型；
[0010]将所述416
×
416的车辆环境图像数据输入至所述GS
‑
YOLO模型，得到特征提取结
果，获得图像中车辆的位置。
[0011]进一步地，基于YOLOv4网络结构算法结合GhostNet模型，在GhostNet模型中加入注意力机制模块，得到GS
‑
YOLO模型，包括：
[0012]将GhostNet模型与所述YOLOv4网络结构融合，所述Ghost模型中的Ghost模块采用卷积核为1
×
1的传统卷积和深度卷积的轻量卷积。
[0013]进一步地，所述GhostNet模型包括多个Ghost BottleNeck模块，其中Ghost BottleNeck模块包括多个Ghost模块。
[0014]进一步地，所述基于YOLOv4网络结构算法结合GhostNet模型，在GhostNet模型中加入注意力机制模块，得到GS
‑
YOLO模型，包括：
[0015]在Ghost BottleNeck模块之间添加注意力机制模块，得到GS
‑
YOLO模型。
[0016]进一步地，还包括多尺度检测模块，所述多尺度检测模块改进为在PANet网络中使用五次卷积块的3
×
3卷积，下采样过程中使用的3
×
3卷积以及在预测网络Yolo
‑
head中使用3
×
3深度可分离卷积。
[0017]进一步地，还包括Fire Module模块，在SPPNet结构的输入输出部分加入Fire Module模块。
[0018]第二专利技术，本申请提供一种轻量车辆检测的装置，包括：
[0019]获取模块，用于获取待检测车辆环境图像数据；
[0020]图像处理模块，用于对所述待检测车辆环境图像数据进行图像处理，得到416
×
416的车辆环境图像数据；
[0021]构建GS
‑
YOLO模型模块，用于将YOLOv4网络结构算法与GhostNet模型结合，在GhostNet模型中加入注意力机制模块，得到GS
‑
YOLO模型；
[0022]特征提取模块，将所述416
×
416的车辆环境图像数据输入至所述GS
‑
YOLO模型，得到特征提取结果，所述特征结果包括图像中车辆的位置。第三方面，本专利技术提供一种计算机，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任意一项所述的方法步骤。
[0023]本专利技术具有以下有益效果：
[0024]本专利技术实施例提供的本专利技术提供一种轻量车辆检测的方法，包括如下步骤：获取待检测车辆环境图像数据；对所述待检测车辆环境图像数据进行图像处理，得到416
×
416的车辆环境图像数据；将YOLOv4网络结构算法与GhostNet模型结合，在GhostNet模型中加入注意力机制模块，得到GS
‑
YOLO模型；将所述416
×
416的车辆环境图像数据输入至所述GS
‑
YOLO模型，得到特征提取结果，所述特征结果包括图像中车辆的位置。本专利技术使用GhostNet结构思想，利用轻量操作降低模型计算量，压缩模型大小，在主干网络中增加注意力机制，筛选重要特征，提高模型的检测能力。
附图说明
[0025]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是本专利技术实施例中一种轻量车辆检测的方法的流程示意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量车辆检测的方法，其特征在于，包括如下步骤：获取待检测车辆环境图像数据；对所述待检测车辆环境图像数据进行图像处理，得到416
×
416的车辆环境图像数据；将YOLOv4网络结构算法与GhostNet模型结合，在GhostNet模型中加入注意力机制模块，得到GS
‑
YOLO模型；将所述416
×
416的车辆环境图像数据输入至所述GS
‑
YOLO模型，得到特征提取结果，获得图像中车辆的位置。2.根据权利要求1所述的方法，其特征在于，基于YOLOv4网络结构算法结合GhostNet模型，在GhostNet模型中加入注意力机制模块，得到GS
‑
YOLO模型，包括：将GhostNet模型与所述YOLOv4网络结构融合，所述GhostNet模型中的Ghost模块采用卷积核为1
×
1的传统卷积和深度卷积的轻量卷积。3.根据权利要求2所述的方法，其特征在于，所述GhostNet模型包括多个Ghost BottleNeck模块，其中Ghost BottleNeck模块包括多个Ghost模块。4.根据权利要求2所述的方法，其特征在于，所述基于YOLOv4网络结构算法结合GhostNet模型，在GhostNet模型中加入注意力机制模块，得到GS
‑
YOLO模型，包括：在Ghost BottleNeck模块中添加注意力机制模块，得...

【专利技术属性】
技术研发人员：胡伟超，赵玉娟，于鹏程，郭宇阳，张奇，陈彬，赵洹琪，胡雁宾，
申请(专利权)人：公安部道路交通安全研究中心，
类型：发明
国别省市：