一种基于Air-Net的目标检测方法技术

本发明专利技术涉及一种基于Air

【技术实现步骤摘要】
一种基于Air
‑
Net的目标检测方法


[0001]本专利技术涉及一种基于Air
‑
Net的目标检测方法，属于图像识别分类


技术介绍

[0002]随着人们生活水平的提高，汽车在人们的生活中扮演着越来越重要的角色，然而汽车保有量的增加导致发生的交通事故越来越多，为了保障行车安全，自动驾驶功能受到越来越多的重视，车辆检测是自动驾驶功能中重要的组成部分。
[0003]车辆检测算法分为基于传统机器学习的方法和基于深度学习的方法两大类，其中，传统机器学习方法使用滑动窗口对图像进行遍历，同时提取当前窗口中使用手工设计的特征，然后使用分类器进行分类；使用传统方式检测鲁棒性较差，难以适应复杂环境。
[0004]基于深度学习的检测方法相对于传统方法适应性更强一些，例如RCNN， Fast RCNN算法能够适应较为复杂的环境，但是这种算法参数量较大，导致运算时间较长，网络运行过程较为复杂，耗时较长，难以满足实际场景中的要求。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种基于Air
‑
Net的目标检测方法，基于全新模型结构设计，实现对道路捕获图像中各目标对象的检测，克服现有技术鲁棒性差、过程复杂、检测时间较长的问题。
[0006]本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种基于Air
‑
Net的目标检测方法，按如下步骤A至步骤E，获得目标检测模型；然后应用目标检测模型，实现对道路捕获图像中属于预设各指定移动目标类型的各目标对象的检测；步骤A. 基于依次串联连接的各个子特征提取模块DS Block，构建特征提取网络模块，并由第一个子特征提取模块DS Block的输入端构成特征提取网络模块的输入端，用于接收道路捕获图像，由至少两个子特征提取模块DS Block的输出端构成特征提取网络模块的各个输出端，输出道路捕获图像所对应的各特征图，然后进入步骤B；步骤B. 基于特征提取网络模块输出端的数量，构建同数量输入端、同数量输出端的特征统一融合与分配模块，用于针对其各输入端分别所接收的特征图进行融合、并进一步针对融合结果进行二次特征提取，获得各二次特征提取图，由各输出端分别输出，然后进入步骤C；步骤C. 基于特征统一融合与分配模块输出端的数量，构建同数量输入端的目标检测模块，目标检测模块以各二次特征提取图分别一一对应各输入端进行输入，各二次特征提取图中属于各指定移动目标类型的各目标对象为输出，然后进入步骤D；步骤D. 以特征提取网络模块的各输出端分别一一对应对接特征统一融合与分配模块的各输入端，特征统一融合与分配模块的各输出端分别一一对应对接目标检测模块的各输入端，构成以道路捕获图像为输入，道路捕获图像中属于各指定移动目标类型的各目标对象为输出的待训练模型，然后进入步骤E；
步骤E. 基于预设数量道路捕获样本图像，且已知各幅道路捕获样本图中属于各指定移动目标类型的各目标对象，以道路捕获样本图像为输入，道路捕获样本图像中属于各指定移动目标类型的各目标对象为输出，针对待训练模型进行训练，获得目标检测模型。
[0007]作为本专利技术的一种优选技术方案：所述步骤A中，各个子特征提取模块DS Block的结构彼此相同，各子特征提取模块DS Block分别均包括轻量级特征提取模块EG Block、深度可分离卷积模块Dwise Block、通道注意力模块SeNet Attention、卷积模块、残差层、以及下采样特征提取模块DS DownSampling；各子特征提取模块DS Block结构中：轻量级特征提取模块EG Block的输入端构成子特征提取模块DS Block的输入端，轻量级特征提取模块EG Block的输出端连接深度可分离卷积模块Dwise Block的输入端，深度可分离卷积模块Dwise Block的输出端连接通道注意力模块SeNet Attention的输入端，通道注意力模块SeNet Attention的输出端连接卷积模块的输入端，残差层的输入端对接卷积模块的输出端、轻量级特征提取模块EG Block的输入端，残差层的输出端对接下采样特征提取模块DS DownSampling的输入端，下采样特征提取模块DS DownSampling的输出端构成子特征提取模块DS Block的输出端。
[0008]作为本专利技术的一种优选技术方案：所述各子特征提取模块DS Block中下采样特征提取模块DS DownSampling的结构彼此相同，各下采样特征提取模块DS DownSampling分别均包括轻量级特征提取模块EG Block、预设步长的深度可分离卷积模块Dwise Block、卷积模块、残差层、以及最大池化层Max Polling；各下采样特征提取模块DS DownSampling结构中：轻量级特征提取模块EG Block的输入端与最大池化层Max Polling的输入端相连，构成下采样特征提取模块DS DownSampling的输入端，轻量级特征提取模块EG Block的输出端对接深度可分离卷积模块Dwise Block的输入端，预设步长的深度可分离卷积模块Dwise Block的输出端对接卷积模块的输入端，残差层的输入端对接卷积模块的输出端、最大池化层Max Polling的输出端，残差层的输出端构成下采样特征提取模块DS DownSampling的输出端。
[0009]作为本专利技术的一种优选技术方案：所述各子特征提取模块DS Block中下采样特征提取模块DS DownSampling所包括的深度可分离卷积模块Dwise Block的步长为2。
[0010]作为本专利技术的一种优选技术方案：所述各子特征提取模块DS Block中各轻量级特征提取模块EG Block的结构彼此相同，各轻量级特征提取模块EG Block分别均包括彼此串联连接、且通道数彼此不同的两个卷积层，且第一个卷积层的输入端构成轻量级特征提取模块EG Block的输入端，第二个卷积层的输出端构成轻量级特征提取模块EG Block的输出端。
[0011]作为本专利技术的一种优选技术方案：所述第一个卷积层的通道数小于第二个卷积层的通道数。
[0012]作为本专利技术的一种优选技术方案：所述步骤A中，由所述特征提取网络模块中倒数预设数量个子特征提取模块DS Block的输出端构成特征提取网络模块的各个输出端。
[0013]作为本专利技术的一种优选技术方案：所述步骤B中，基于特征提取网络模块输出端的数量，所述特征统一融合与分配模块包括同数量的输入支路、同数量的输出支路、以及融合层，其中，各输入支路与各输出支路彼此一一对应；各输入支路的结构彼此相同，各输入支路分别均包括彼此串联连接的卷积层与注意力层，卷积层的输入端构成输入支路的输入
端，注意力层的输出端构成输入支路的输出端；各输入支路的输入端构成特征统一融合与分配模块的各输入端，各输入支路的输出端分别对接融合层的输入端；各输出支路分别均由卷积层构成，由该各卷积层的输入端、输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Air
‑
Net的目标检测方法，其特征在于：按如下步骤A至步骤E，获得目标检测模型；然后应用目标检测模型，实现对道路捕获图像中属于预设各指定移动目标类型的各目标对象的检测；步骤A. 基于依次串联连接的各个子特征提取模块DS Block，构建特征提取网络模块，并由第一个子特征提取模块DS Block的输入端构成特征提取网络模块的输入端，用于接收道路捕获图像，由至少两个子特征提取模块DS Block的输出端构成特征提取网络模块的各个输出端，输出道路捕获图像所对应的各特征图，然后进入步骤B；步骤B. 基于特征提取网络模块输出端的数量，构建同数量输入端、同数量输出端的特征统一融合与分配模块，用于针对其各输入端分别所接收的特征图进行融合、并进一步针对融合结果进行二次特征提取，获得各二次特征提取图，由各输出端分别输出，然后进入步骤C；步骤C. 基于特征统一融合与分配模块输出端的数量，构建同数量输入端的目标检测模块，目标检测模块以各二次特征提取图分别一一对应各输入端进行输入，各二次特征提取图中属于各指定移动目标类型的各目标对象为输出，然后进入步骤D；步骤D. 以特征提取网络模块的各输出端分别一一对应对接特征统一融合与分配模块的各输入端，特征统一融合与分配模块的各输出端分别一一对应对接目标检测模块的各输入端，构成以道路捕获图像为输入，道路捕获图像中属于各指定移动目标类型的各目标对象为输出的待训练模型，然后进入步骤E；步骤E. 基于预设数量道路捕获样本图像，且已知各幅道路捕获样本图中属于各指定移动目标类型的各目标对象，以道路捕获样本图像为输入，道路捕获样本图像中属于各指定移动目标类型的各目标对象为输出，针对待训练模型进行训练，获得目标检测模型。2.根据权利要求1所述一种基于Air
‑
Net的目标检测方法，其特征在于：所述步骤A中，各个子特征提取模块DS Block的结构彼此相同，各子特征提取模块DS Block分别均包括轻量级特征提取模块EG Block、深度可分离卷积模块Dwise Block、通道注意力模块SeNet Attention、卷积模块、残差层、以及下采样特征提取模块DS DownSampling；各子特征提取模块DS Block结构中：轻量级特征提取模块EG Block的输入端构成子特征提取模块DS Block的输入端，轻量级特征提取模块EG Block的输出端连接深度可分离卷积模块Dwise Block的输入端，深度可分离卷积模块Dwise Block的输出端连接通道注意力模块SeNet Attention的输入端，通道注意力模块SeNet Attention的输出端连接卷积模块的输入端，残差层的输入端对接卷积模块的输出端、轻量级特征提取模块EG Block的输入端，残差层的输出端对接下采样特征提取模块DS DownSampling的输入端，下采样特征提取模块DS DownSampling的输出端构成子特征提取模块DS Block的输出端。3.根据权利要求2所述一种基于Air
‑
Net的目标检测方法，其特征在于：所述各子特征提取模块DS Block中下采样特征提取模块DS DownSampling的结构彼此相同，各下采样特征提取模块DS DownSampling分别均包括轻量级特征提取模块EG Block、预设步长的深度可分离卷积模块Dwise Bloc...

【专利技术属性】
技术研发人员：高尚兵，胡序洋，李杰，李少凡，张骏强，张秦涛，张莹莹，张海艳，于永涛，张正伟，张浩，朱全银，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：