一种基于SSD算法的车型目标检测网络及检测方法技术

本发明专利技术公开一种基于SSD算法的车型目标检测网络及检测方法，该检测网络先在原有的SSD网络基础上引入全局语义提取模块，融合了多个尺度特征图的特征，之后与来自低层特征融合，充分利用全局语义信息和位置信息，提高了车型目标检测的精度；同时设计了多尺度感受野模块增加网络宽度和深度，在网络高层使用不同空间间隔的空洞卷积，有效增强网络特征提取能力，提高网络对目标尺度的适应性。此外，将主干网VGG16后半段以及用于提取不同尺度特征的卷积核数量减半，并把特征提取部分的卷积用深度可分离卷积代替。经过图片数据集的验证，本发明专利技术基于SSD网络设计的车型目标检测网络在具备最小计算量和参数量的情况下，具有最高的检测精度。度。度。

【技术实现步骤摘要】
一种基于SSD算法的车型目标检测网络及检测方法


[0001]本专利技术涉及智能识别检测
，具体为一种基于SSD算法的车型目标检测网络及检测方法。

技术介绍

[0002]车型目标检测是计算机视觉领域中重要方向之一，是车辆跟踪、智能交通等诸多领域的研究基础，具有重要的研究意义及广阔的应用前景。在自动驾驶障碍物分析、公安机关车型筛选等场景下，车型目标检测可以提供各类车型的准确信息，可以有效地提高后续任务的效率。车型目标检测任务中，受交通环境的复杂程度、车辆行驶状态等因素的影响，传统算法检测精度较低，降低了车型检测的有效性。因此改善车型目标检测中的错检、漏检等问题并提高精度成为了车型检测领域的热点。
[0003]目前基于深度学习的车型目标检测算法主要分为两类。一类是两阶段的目标检测算法，具有代表性的为R
‑
CNN系列，此类算法检测精度较高，但由于两阶段的网络结构特点，检测速度较慢，不适用于实时检测。为了提高检测的速度，研究人员陆续提出了另一类可以快速实时的单阶段目标检测算法，如SSD系列、RFBNet、RetinaNet本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SSD算法的车型目标检测网络，其特征在于，该车型目标检测网络以SSD神经网络为基础，加入CBAM，以及自定义的GSE模块和MSRF模块；并且，将SSD神经网络的VGG16网络骨干部分的Pool2层之后的卷积层和四个特征提取模块的卷积核数量减半，同时将四个特征提取模块的卷积用深度可分离卷积代替；具体的，将VGG16网络骨干部分中的两个卷积层的输出中的Feature1做两种处理，第一种是将Feature1直接输入到Detector&Classifier层，第二种是将Feature1输入到CBAM；CBAM将处理Feature1后得到的特征输入到第一GSE模块；将VGG16网络骨干部分的两个卷积层的输出中的Feature2以及前三个特征提取模块的输出Feature3、Feature4、Feature5组合成两组，Feature2、Feature3、Feature4为第一组特征，Feature3、Feature4、Feature5为第二组特征；将第一组特征和CBAM的输出输入到第一GSE模块，将第二组特征和第一GSE模块的输出输入到第二GSE模块；第一GSE模块将两部分输入进行处理，得到的输出同时输入到第二GSE模块和Detector&Classifier层；第二GSE模块将两部分输入进行处理，得到的输出输入到Detector&Classifier层；同时，第二个、第三个特征提取模块的输出Feature4、Feature5均分别经过一个MSRF模块处理，MSRF模块的输出均输入到Detector&Classifier层，第四个特征提取模块的输出Feature6直接输入到Detector&Classifier层；最后，在后处理时，使用Soft
‑
NMS算法代替原有的NMS算法；GSE模块的输入包含两部分，分别为由三个特征图构成的一组特征和来自另一层的特征；GSE模块在对输入的一组特征处理时，首先使用1
×
1卷积对其中的两个尺度较大的特征图实施升维操作，升维之后再使用转置卷积将其中的两个尺度较小的特征图上采样至最低层的尺度；然后将处理后的三个特征图在第四个维度时间维度上拼接，并调换通道与时间维度的位置，得到维度为C
×
T
×
W
×
H的4维特征图；然后采用3D卷积网络对4维特征图进行卷积，合并前两个维度便还原成了三维特征图，尺寸为C
×
W
×
H；最后将GSE模块的另一个输入下采样后与上述还原后的三维特征图拼接并进行2D卷积，即可获得包含浅层特征和全局上下文信息的新特征层；MSRF...

【专利技术属性】
技术研发人员：王倩，马杰，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：