一种基于CycleGAN的夜间车辆识别方法技术

本发明专利技术公开了一种基于CycleGAN的夜间车辆识别方法，包括以下步骤：获取车辆图像的数据集，将数据集划分为训练集与测试集；基于CycleGAN与YOLOv4，获得改进后的YOLOv4；基于夜间车辆图像与白天车辆图像对CycleGAN进行训练，获得训练后的转换器；基于夜间车辆图像与训练后的转换器对改进后的YOLOv4进行训练，获得训练好的YOLOv4；基于训练好的YOLOv4对测试集进行测试，获得夜间车辆识别结果。本发明专利技术能够改善车辆与背景之间的对比度和抑制环境光的干扰，在夜间更准确地识别车辆，有效增强车辆特征，提高夜间车辆检测地准确性。提高夜间车辆检测地准确性。提高夜间车辆检测地准确性。

【技术实现步骤摘要】
一种基于CycleGAN的夜间车辆识别方法


[0001]本专利技术属于夜间车辆检测
，尤其涉及一种基于CycleGAN的夜间车辆识别方法。

技术介绍

[0002]车辆检测是目标检测领域的一个重要应用。在自动驾驶系统和辅助驾驶系统中，日夜条件的车辆检测准确性直接影响行车安全。在夜间条件下，由于城市道路及前方车辆的可视性变差，能利用的视觉信息较少，导致交通事故的概率增加。同时城市道路复杂光照环境下，现有的多数目标检测算法会受到各种其他灯光的干扰，使得车辆的前照灯和车尾灯混淆而产生误判，并对基于视觉的夜间车辆检测提出重大挑战而且严重影响自动驾驶系统和辅助驾驶系统的安全性。
[0003]前照灯和车尾灯作为夜间车辆的明显特征。传统的夜间车辆检测方法通过分割图像来对前照灯或车尾灯进行定位，得到车辆位置和预测车辆的边界框。首先使用图像分割、连通域分析等方法得到候选区域，然后在候选区域的信息中选取出灯光，最后利用灯光的对称性来进行配对，得到车辆的预测位置和预测边界框，来确定该候选区域是否有车辆。传统的夜间车辆检测方法有两个缺点：(1)由于城市地区的复杂光照条件，包括车辆灯光、路灯、建筑灯光以及车辆反射的灯光等，车辆检测性能不好，甚至增加误判率；(2)在车辆可能被其他车辆遮挡或只拍摄到车辆的侧面条件下，车灯可能无法进行配对，这样会增加漏检率。

技术实现思路

[0004]随着深度学习的发展，给予卷积神经网络的车辆检测方法在准确性比传统方法有极大的提高。针对上述存在的技术问题，本专利技术采用YOLOv4来进行夜间车辆识别任务，同时将CycleGAN转换方法加入其中，以增强夜间车辆特征。
[0005]为实现上述目的，本专利技术提供了一种基于CycleGAN的夜间车辆识别方法，包括以下步骤：
[0006]获取车辆图像的数据集，将所述数据集划分为训练集与测试集，所述训练集包括CycleGAN的训练集与YOLOv4的训练集；
[0007]基于CycleGAN与YOLOv4，获得改进后的YOLOv4；
[0008]基于所述CycleGAN的训练集对所述CycleGAN进行训练，获得训练后的转换器的权重；
[0009]基于所述YOLOv4的训练集与所述训练后的转换器对所述改进后的YOLOv4进行训练，获得训练好的YOLOv4；
[0010]基于训练好的YOLOv4对所述测试集进行测试，获得夜间车辆识别结果。
[0011]可选地，所述CycleGAN的训练集为夜间车辆图像与白天车辆图像；
[0012]所述YOLOv4的训练集为夜间车辆图像。
[0013]可选地，所述训练后的转换器为将夜间车辆特征转换成白天车辆特征的转换器。
[0014]可选地，基于所述YOLOv4的训练集与所述训练后的转换器对所述改进后的YOLOv4进行训练的步骤包括：
[0015]基于所述YOLOv4的训练集对所述改进后的YOLOv4进行训练，获得多尺度夜间车辆特征图；
[0016]基于所述训练后的转换器与所述多尺度夜间车辆特征图，获得多尺度融合的增强夜间车辆特征图，完成所述改进后的YOLOv4的训练。
[0017]可选地，所述多尺度夜间车辆特征图包括：第一尺度特征图、第二尺度特征图以及第三尺度特征图；
[0018]所述第一尺度特征图、第二尺度特征图以及第三尺度特征图为三个不同尺度大小的特征图。
[0019]可选地，所述多尺度融合的增强夜间车辆特征图包括：增强后的第一尺度特征图、增强后的第二尺度特征图以及增强后的第三尺度特征图；
[0020]获得多尺度融合的增强夜间车辆特征图的步骤包括：
[0021]对所述第三尺度特征图进行最大池化和堆叠处理，获得处理后的第三尺度特征图；
[0022]基于所述第二尺度特征图与所述处理后的第三尺度特征图进行特征融合，获得融合后的第二尺度特征图；
[0023]基于所述训练后的转换器对所述第一尺度特征图进行转换，获得转换后的第一尺度特征图，基于所述融合后的第二尺度特征图与所述转换后的第一尺度特征图进行特征融合，获得所述增强后的第一尺度特征图；
[0024]基于所述增强后的第一尺度特征图与所述融合后的第二尺度特征图进行特征融合，获得所述增强后的第二尺度特征图；
[0025]基于所述增强后的第二尺度特征图与所述处理后的第三尺度特征图进行特征融合，获得所述增强后的第三尺度特征图。
[0026]可选地，基于所述YOLOv4的训练集与所述训练后的转换器对所述改进后的YOLOv4进行训练还包括：设置损失函数对改进后的YOLOv4进行训练；
[0027]所述损失函数为CycleGAN的损失函数和YOLOv4的损失函数之和。
[0028]可选地，所述YOLOv4的损失函数包括：
[0029][0030][0031][0032]其中，K2为网格总数量，表示目标存在于候选框中的含义值，是预测的概率，P
i
(c)为网格内目标为c类的真实概率，M为在每个网格中生成的候选框数量，为实际置信度，λ
noobj
为不存在目标的候选框的权重，表示目标不存在于候选框中的含义值，C
i
为预测置信度，w
gt
与h
gt
为真实框的宽度与高度，IOU为真实框与候选框的交集和并集的比值，d为欧几里德的距离，c为对角线的距离，α为权衡参数，ν为衡量长宽比的一致性。
[0033]可选地，所述CycleGAN的损失函数包括：
[0034][0035][0036]其中，G
night
为夜间图像转换为白天图像的生成器，G
day
为白天图像转换为夜间图像的生成器，D
day
为判断白天图像是真是假。
[0037]与现有技术相比，本专利技术具有如下优点和技术效果：
[0038]本专利技术在YOLOv4中，加入CycleGAN的转换器，利用CycleGAN实现风格转换，将夜间特征转换成白天特征，增强了夜间车辆特征。在通过CycleGAN转换器后，得到的白天车辆特征与夜间车辆特征进行多尺度特征融合，增强车辆特征的同时降低远距离车辆的漏检率和误判率。损失函数变为CycleGAN的损失和YOLOv4损失之和，以提高夜间特征转换白天特征转换性能。本专利技术能有效增强车辆特征，提高夜间车辆检测地准确性。
附图说明
[0039]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0040]图1为本专利技术实施例一的一种基于CycleGAN的夜间车辆识别方法流程示意图；
[0041]图2为本专利技术实施例一的YOLOv4网络结构示意图；
[0042]图3为本专利技术实施例一的CycleGAN模型示意图；
[0043]图4为本专利技术实施例一的改进后的YOLOv4网络结构示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CycleGAN的夜间车辆识别方法，其特征在于，包括以下步骤：获取车辆图像的数据集，将所述数据集划分为训练集与测试集，所述训练集包括CycleGAN的训练集与YOLOv4的训练集；基于CycleGAN与YOLOv4，获得改进后的YOLOv4；基于所述CycleGAN的训练集对所述CycleGAN进行训练，获得训练后的转换器；基于所述YOLOv4的训练集与所述训练后的转换器对所述改进后的YOLOv4进行训练，获得训练好的YOLOv4；基于训练好的YOLOv4对所述测试集进行测试，获得夜间车辆识别结果。2.根据权利要求1所述的基于CycleGAN的夜间车辆识别方法，其特征在于，所述CycleGAN的训练集为夜间车辆图像与白天车辆图像；所述YOLOv4的训练集为夜间车辆图像。3.根据权利要求2所述的基于CycleGAN的夜间车辆识别方法，其特征在于，所述训练后的转换器为将夜间车辆特征转换成白天车辆特征的转换器。4.根据权利要求2所述的基于CycleGAN的夜间车辆识别方法，其特征在于，基于所述YOLOv4的训练集与所述训练后的转换器对所述改进后的YOLOv4进行训练的步骤包括：基于所述YOLOv4的训练集对所述改进后的YOLOv4进行训练，获得多尺度夜间车辆特征图；基于所述训练后的转换器与所述多尺度夜间车辆特征图，获得多尺度融合的增强夜间车辆特征图，完成所述改进后的YOLOv4的训练。5.根据权利要求4所述的基于CycleGAN的夜间车辆识别方法，其特征在于，所述多尺度夜间车辆特征图包括：第一尺度特征图、第二尺度特征图以及第三尺度特征图；所述第一尺度特征图、第二尺度特征图以及第三尺度特征图为三个不同尺度大小的特征图。6.根据权利要求5所述的基于CycleGAN的夜间车辆识别方法，其特征在于，所述多尺度融合的增强夜间车辆特征图包括：增强后的第一尺度特征图、增强后的第二尺度特征图以及增强后的第三尺度特征图；获得多尺度融合的增强夜间车辆特征图的步骤包括：对所述第三尺度特征图进行最大池化和堆叠处理，获得处理后的第三尺度特征图；基于所述第二尺度特征图与所述处理后的第三尺度特征图进行特...

【专利技术属性】
技术研发人员：刘军清，余利君，李菁，康维，
申请(专利权)人：三峡大学，
类型：发明
国别省市：