本发明专利技术提供了一种无人驾驶目标检测方法、装置、设备及介质，所述方法包括获取路面图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；构建改进YOLOv5模型；将所述训练集和所述验证集输入到所述改进YOLOv5模型中进行训练，得到训练好的改进YOLOv5模型；将所述测试集输入到所述训练好的改进YOLOv5模型中，对所述测试集中的每一图像进行检测，得到目标检测结果。采用本发明专利技术实施例，能够通过在主干网络中引入协同注意力机制，添加小目标检测层，并使用CIoU作为边界框回归的损失函数，能够在原有YOLOv5算法的基础上，提高了检测精度与检测速率，优化了YOLOv5对小目标检测。优化了YOLOv5对小目标检测。优化了YOLOv5对小目标检测。
【技术实现步骤摘要】
无人驾驶目标检测方法、装置、设备及介质
[0001]本专利技术涉及目标检测
，尤其涉及一种无人驾驶目标检测方法、装置、设备及介质。
技术介绍
[0002]随着车联网技术的迅速发展，无人自动驾驶系统中的目标检测已成为研究焦点之一。目前，为克服传统机器学习方法的局限，卷积神经网络(CNN)应运而生。与传统方法相比，CNN可以准确地提取出合适的特征，无需额外设计特定的特征。基于CNN的检测方法可以分为one
‑
stage和two
‑
stage两大类。YOLO系列属于one
‑
stage的检测方法，因其检测速度快而被广泛应用于目标检测任务中。最新发布的Yolov5中，给出了四个应用于目标检测的模型，分别是Yolov5s、Yolov5m、Yolov5l和Yolov5x。这四个模型的参数量从小到大依次递增，相比于two
‑
stage检测方法，Yolov5由于网络深度较浅因而速度更快，但同时其目标识别精度也有所下降。其中，Yolov5s的模型参数最少，但是检测精度不高，在实际应用时无法保证识别的可靠性；而Yolov5l、Yolov5x其识别准确率提高后检测速度则无法满足实时要求。
技术实现思路
[0003]本专利技术提供一种无人驾驶目标检测方法、装置、设备及介质，能够在原有YOLOv5算法的基础上，提高检测精度与检测速率，优化YOLOv5对小目标检测的有效性。
[0004]为实现上述目的，本专利技术实施例提供了一种无人驾驶目标检测方法，包括以下步骤：
[0005]获取路面图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述路面图像是由无人驾驶汽车上的图像采集设备采集到的；
[0006]构建改进YOLOv5模型；其中，改进主要包括：对BottleneckCSP的模块数量进行修改；在SPP结构后引入协同注意力机制；在PANet中采用双线性插值法进行上采样；在原有网络结构三层检测层的基础上，增加小目标检测层，以对小目标物体进行检测；将PANet中的低层特征与高层特征进行融合；在PANet中使用基于分离的卷积运算；采用CIoUloss作为目标检测任务的回归损失函数；在预测阶段利用DIoU作为NMS的评判标准；
[0007]将所述训练集和所述验证集输入到所述改进YOLOv5模型中进行训练，得到训练好的改进YOLOv5模型；
[0008]将所述测试集输入到所述训练好的改进YOLOv5模型中，对所述测试集中的每一图像进行检测，得到目标检测结果。
[0009]作为上述方案的改进，所述对BottleneckCSP的模块数量进行修改，包括：
[0010]将YOLOv5模型的主干网络中BottleneckCSP的模块数量由(
×
3，
×
9，
×
9，
×
3)修改为(
×
2，
×
6，
×
6，
×
2)。
[0011]作为上述方案的改进，所述在SPP结构后引入协同注意力机制，包括：
[0012]将位置信息嵌入到通道注意力中，以捕获跨通道的信息、方向感知和位置感知信息，使模型更加精准地定位和识别感兴趣的目标；其中，所述协同注意力机制将通道注意力分解为两个一维特征进行编码，沿着不同的空间方向，分别捕获长程依赖与精确的位置信息，编码形成方向感知和位置敏感的注意力特征图来互补地应用到输入特征图，以增强感兴趣目标的表示。
[0013]作为上述方案的改进，所述将PANet中的低层特征与高层特征进行融合，包括：
[0014]将原始YOLOv5模型中14与18层的特征融合改为12与26层，并配合增加检测层之后16与23层的特征融合操作；其中，特征融合操作使用Concat方法。
[0015]作为上述方案的改进，所述采用CIoUloss作为目标检测任务的回归损失函数具体为：
[0016][0017][0018]其中：
[0019][0020][0021]式中，为GIoU损失，IoU表示PB和GT的交并比，PB中心点用b表示，GT中心点用b
gt
表示，ρ2(
·
)表示欧氏距离，c代表PB与GT的最小包围框的最短对角线长度，α是一个正平衡参数，υ代表长宽比一致性的参数，ω
gt
、h
gt
和ω、h分别表示GT和PB的宽度和高度，预测边界框为(Predicted Box，PB)，真实边界框为(Ground Truth，GT)。
[0022]作为上述方案的改进，所述在预测阶段利用DIoU作为NMS的评判标准，包括：
[0023]DIoU在IoU的基础上考虑了两个边界框中心点的距离，如公式：
[0024][0025]其中，DIoU
‑
NMS的定义为：
[0026][0027]表示预测分数最高的一个预测框，B
i
表示判断是否需要被移除的预测框，s
i
表示分类分数，ε表示NMS的阈值。
[0028]本专利技术另一实施例对应提供了一种无人驾驶目标检测装置，包括：
[0029]数据获取模块，用于获取路面图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述路面图像是由无人驾驶汽车上的图像采集设备采集到的；
[0030]模型构建模块，用于构建改进YOLOv5模型；其中，改进主要包括：对BottleneckCSP的模块数量进行修改；在SPP结构后引入协同注意力机制；在PANet中采用双线性插值法进
行上采样；在原有网络结构三层检测层的基础上，增加小目标检测层，以对小目标物体进行检测；将PANet中的低层特征与高层特征进行融合；在PANet中使用基于分离的卷积运算；采用CIoUloss作为目标检测任务的回归损失函数；在预测阶段利用DIoU作为NMS的评判标准；
[0031]模型训练模块，用于将所述训练集和所述验证集输入到所述改进YOLOv5模型中进行训练，得到训练好的改进YOLOv5模型；
[0032]目标检测模块，用于将所述测试集输入到所述训练好的改进YOLOv5模型中，对所述测试集中的每一图像进行检测，得到目标检测结果。
[0033]本专利技术另一实施例对应提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述专利技术实施例所述的无人驾驶目标检测方法。
[0034]本专利技术另一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述专利技术实施例所述的无人驾驶目标检测方法。
[0035]与现有技术相比，本专利技术实施例提供的一种无本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种无人驾驶目标检测方法，其特征在于，包括以下步骤：获取路面图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述路面图像是由无人驾驶汽车上的图像采集设备采集到的；构建改进YOLOv5模型；其中，改进主要包括：对BottleneckCSP的模块数量进行修改；在SPP结构后引入协同注意力机制；在PANet中采用双线性插值法进行上采样；在原有网络结构三层检测层的基础上，增加小目标检测层，以对小目标物体进行检测；将PANet中的低层特征与高层特征进行融合；在PANet中使用基于分离的卷积运算；采用CIoUloss作为目标检测任务的回归损失函数；在预测阶段利用DIoU作为NMS的评判标准；将所述训练集和所述验证集输入到所述改进YOLOv5模型中进行训练，得到训练好的改进YOLOv5模型；将所述测试集输入到所述训练好的改进YOLOv5模型中，对所述测试集中的每一图像进行检测，得到目标检测结果。2.根据权利要求1所述的无人驾驶目标检测方法，其特征在于，所述对BottleneckCSP的模块数量进行修改，包括：将YOLOv5模型的主干网络中BottleneckCSP的模块数量由(
×
3，
×
9，
×
9，
×
3)修改为(
×
2，
×
6，
×
6，
×
2)。3.根据权利要求1所述的无人驾驶目标检测方法，其特征在于，所述在SPP结构后引入协同注意力机制，包括：将位置信息嵌入到通道注意力中，以捕获跨通道的信息、方向感知和位置感知信息，使模型更加精准地定位和识别感兴趣的目标；其中，所述协同注意力机制将通道注意力分解为两个一维特征进行编码，沿着不同的空间方向，分别捕获长程依赖与精确的位置信息，编码形成方向感知和位置敏感的注意力特征图来互补地应用到输入特征图，以增强感兴趣目标的表示。4.根据权利要求1所述的无人驾驶目标检测方法，其特征在于，所述将PANet中的低层特征与高层特征进行融合，包括：将原始YOLOv5模型中14与18层的特征融合改为12与26层，并配合增加检测层之后16与23层的特征融合操作；其中，特征融合操作使用Concat方法。5.根据权利要求1所述的无人驾驶目标检测方法，其特征在于，所述采用CIoUloss作为目标检测任务的回归损失函数具体为：目标检测任务的回归损失函数具体为：其...
【专利技术属性】
技术研发人员：林凡，李沐，黄俊贤，
申请(专利权)人：广州杰赛科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。