本发明专利技术公开了一种基于DSLNet网络的车辆检测方法及装置，对预先获取的交通车辆原始图像进行预处理，分为训练图像和测试图像；构建DSLNet车辆目标检测网络；包括主干网络模块、UDM加强特征提取模块以及YoloHead目标检测头模块；主干网络模块用于提取车辆的特征信息，UDM加强特征提取模块进一步加强特征的提取能力，YoloHead目标检测头模块用于检测目标对象；将事先分配好的训练图像输入到DSLNet车辆目标检测网络中进行训练；将测试图像输入到训练好的DSLNet车辆目标检测网络中，进行评估。本发明专利技术提出的DSLNet网络，结构简单，采用大卷积和小卷积组合的方式进行特征提取，并采用深度可分离卷积来降低参数量，能够实现道路图像中实时的车辆的准确识别，且识别准确率较高。且识别准确率较高。且识别准确率较高。
【技术实现步骤摘要】
一种基于DSLNet网络的车辆检测方法及装置
[0001]本专利技术属于计算机视觉
，具体涉及一种基于DSLNet网络的车辆检测方法及装置。
技术介绍
[0002]近几年伴随着人工智能的快速发展，以及城市化进程的不断加快，智能交通系统已经成为社会的发展趋势。车辆目标检测是智能交通管理系统的重要组成部分之一，广泛应用在智能监控系统领域，极大的缓解了交通压力和交通事故死亡率，提高了交通管理的效率。所以，优化车辆目标检测问题对增强交通管理系统具有重要意义和应用价值。
[0003]目前，车辆目标检测算法被分为传统的目标检测算法和基于深度学习的目标检测算法两大类。传统的目标检测算法是基于机器学习的分类器与人工提取的局部特征相结合的算法，主要包括提取特征和分类两个方面，提取的特征通常是梯度方向直方图，结合支持向量机或AdaBoost等方法进行目标检测。容易损失信息从而造成误差，不能满足高精度和高检测速度的场景。
[0004]与传统的目标检测算法相比，基于深度学习的目标检测算法具有更高的准确率、更快的检测速度和更强的鲁棒性。例如RCNN、Fast RCNN、Yolo等，但其在智能交通领域针对复杂环境和小目标的检测仍然表现出检测时间长，准确率低，鲁棒性差等问题，难以满足实际场景中的要求。
技术实现思路
[0005]专利技术目的：针对现有的车辆检测鲁棒性差，过程复杂，检测时间较长，漏检率高的问题，本专利技术提出一种基于DSLNet网络模型的车辆检测方法及装置。
[0006]技术方案：本专利技术提供一种基于DSLNet网络模型的车辆检测方法，具体包括以下步骤：
[0007](1)对预先获取的交通车辆原始图像进行预处理，分为训练图像和测试图像；
[0008](2)构建DSLNet车辆目标检测网络；所述DSLNet车辆目标网络包括主干网络模块、UDM加强特征提取模块以及YoloHead目标检测头模块；所述主干网络模块用于提取车辆的特征信息，UDM加强特征提取模块进一步加强特征的提取能力，YoloHead目标检测头模块用于检测目标对象；
[0009](3)将事先分配好的训练图像输入到DSLNet车辆目标检测网络中进行训练；
[0010](4)将测试图像输入到训练好的DSLNet车辆目标检测网络中，进行评估DSLNet车辆目标检测网络的整体性能。
[0011]进一步地，步骤(2)所述的主干网络模块包括一个Focus模块、一个CBG模块和四个DLC模块；所述Focus模块对每张图像每隔一个像素选取一个值，获得四个独立的特征层，进行堆叠使通道数由原来的3扩充为12；所述CBG模块包含一个普通的卷积层，一个Batch Normalization层和一个GELU激活层；所述DLC模块将一条主干分为a，b两条支路，a支路依
次包含卷积核大小为1
×
1，步长为1，通道数为C，输入输出通道数不变的卷积层和一个卷积核大小为3的深度可分离卷积，输入通道数为C，输出通道数为2C；b支路依次包括一个卷积核大小为1
×
1，步长为1，输入输出通道数为C的普通卷积，一个卷积核大小7
×
7，步长为1，输入通道数为C，输出通道数为2C的深度可分离卷积和一个卷积核大小为1
×
1，步长为1，输入输出通道数为2C的普通卷积，使用GELU激活函数进行激活；再将a,b两支路通过concat操作合并为一条线路，经过一个普通的1
×
1卷积使其特征信息融合。
[0012]进一步地，步骤(2)所述UDM加强特征提取模块，首先，将主干网络中的第二层DLC模块提取的特征信息大小为4A
×
4A，通道数为C的图像，经过卷积和下采样的方式加强特征提取，采用卷积核大小为1
×
1，步长为1的普通卷积，并改变通道数，通过下采样使图像大小由为原来的4A
×
4A变为A
×
A，缩小为原来的四分之一，得到大小为A
×
A，通道数为4C和大小为4A
×
4A，通道数为C的图像；其次，通过主干网络中的第三层DLC模块提取的大小为2A
×
2A通道数为2C的特征图像，经过卷积核大小为1
×
1的卷积进一步提取特征；然后将主干网络中的最后一层DLC模块提取的大小为A
×
A，通道数为4C的图像，使用1
×
1的卷积进一步提取特征和上采样，得到大小为4A
×
4A，通道数为C和大小为A
×
A，通道数为4C的图像；将提取到的4A
×
4A，通道数为C和A
×
A，通道数为4C各自组合，通过add和卷积来进行融合，将融后的特征又重新分配到其他的卷积层上，中间层信息再次汇总融合，其余特征层信息使用融合和卷积提取特征信息，最终分配到检测头中进行检测目标。
[0013]进一步地，所述步骤(3)包括以下步骤：
[0014](31)把分配好的训练样本数据输入到的DSLNet车辆目标检测网络中使其从头开始进行训练；
[0015](32)计算DSLNet车辆目标检测网络的损失函数，以损失函数最小作为目标对网络中的参数进行优化：
[0016][0017]其中，n表示数据的类别个数，t
i
表示每个真实框对应的特征点，p
i
表示特征点的种类预测结果；根据真实框的种类和特征点的种类预测结果计算交叉熵损失；
[0018](33)当训练的目标损失值收敛时保存网络模型参数，得到最终的DSLNet车辆目标检测网络。
[0019]基于相同的专利技术构思，本专利技术还提供一种基于DSLNet网络的车辆检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现上述的基于DSLNet网络模型的车辆检测方法。
[0020]有益效果：与现有技术相比，本专利技术的有益效果：本专利技术提出的DSLNet模型架构，结构简单，采用大卷积和小卷积组合的方式进行特征提取，并采用深度可分离卷积来降低参数量，能够实现道路图像中实时的车辆的准确识别，且识别准确率较高；主干网络和UDM加强特征提取网络提取了不同尺度的特征信息，并做了有效的融合，大幅度提高了检测的效率和准确度。
附图说明
[0021]图1为本专利技术构建的的DSLNet车辆目标检测网络结构示意图；
[0022]图2为DLC网络结构示意图；
[0023]图3为UDM网络结构示意图；
[0024]图4为采用本专利技术检测的效果图。
具体实施方式
[0025]下面结合附图对本专利技术作进一步详细说明。
[0026]本专利技术提供一种基于DSLNet网络模型的车辆检测方法，首先对训练图像进行预处理，对数据进行数据增强，避免过拟合提升模型的鲁棒性和泛化能力，主要采用mixup，归一化，缩放等方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于DSLNet网络的车辆检测方法，其特征在于，包括以下步骤：(1)对预先获取的交通车辆原始图像进行预处理，分为训练图像和测试图像；(2)构建DSLNet车辆目标检测网络；所述DSLNet车辆目标网络包括主干网络模块、UDM加强特征提取模块以及YoloHead目标检测头模块；所述主干网络模块用于提取车辆的特征信息，UDM加强特征提取模块进一步加强特征的提取能力，YoloHead目标检测头模块用于检测目标对象；(3)将事先分配好的训练图像输入到DSLNet车辆目标检测网络中进行训练；(4)将测试图像输入到训练好的DSLNet车辆目标检测网络中，进行评估DSLNet车辆目标检测网络的整体性能。2.根据权利要求1所述的一种基于DSLNet网络的车辆检测方法，其特征在于，步骤(2)所述的主干网络模块包括一个Focus模块、一个CBG模块和四个DLC模块；所述Focus模块对每张图像每隔一个像素选取一个值，获得四个独立的特征层，进行堆叠使通道数由原来的3扩充为12；所述CBG模块包含一个普通的卷积层，一个BatchNormalization层和一个GELU激活层；所述DLC模块将一条主干分为a，b两条支路，a支路依次包含卷积核大小为1
×
1，步长为1，通道数为C，输入输出通道数不变的卷积层和一个卷积核大小为3的深度可分离卷积，输入通道数为C，输出通道数为2C；b支路依次包括一个卷积核大小为1
×
1，步长为1，输入输出通道数为C的普通卷积，一个卷积核大小7
×
7，步长为1，输入通道数为C，输出通道数为2C的深度可分离卷积和一个卷积核大小为1
×
1，步长为1，输入输出通道数为2C的普通卷积，使用GELU激活函数进行激活；再将a,b两支路通过concat操作合并为一条线路，经过一个普通的1
×
1卷积使其特征信息融合。3.根据权利要求1所述的一种基于DSLNet网络的车辆检测方法，其特征在于，步骤(2)所述UDM加强特征提取模块，首先，将主干网络中的第二层DLC模块提取的特征信息大小为4A
×
4A，通道数为C的图像，经过卷积和下采样的方式加强特征提取，采用卷积核大小为1<...
【专利技术属性】
技术研发人员：高尚兵，张秦涛，刘宇，张莹莹，张海艳，王媛媛，胡序洋，李杰，李少凡，陈晓兵，
申请(专利权)人：淮阴工学院，
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。