【技术实现步骤摘要】
一种基于CenterNet的用于交通场景的目标检测方法
[0001]本专利技术属于目标检测
，具体涉及一种基于CenterNet的用于交通场景的目标检测方法。
技术介绍
[0002]随着我国社会经济的迅速发展，机动车数量越来越多，各式多样的交通工具给人们的出行带来极大便利的同时还存在着许多交通安全隐患。数据统计显示，全球每年因交通事故的受伤人数已达到数千万人，大概有80％以上的交通事故是由于驾驶员来不及反应而导致的。如果汽车能够在行驶过程中提前检测到周围障碍物的情况，便能够在事故发生之前提醒驾驶员注意周围路况，从而在源头上大大的减少交通安全事故的发生。
[0003]随着深度学习的不断发展，目标检测已经成为计算机视觉领域的重要分支，同时也逐渐成为汽车自动驾驶的关键研究内容和重要前提。卷积神经网络的提出，解决了传统图像处理方法需要手动提取特征的问题，为目标分类、检测和分割提供了强有力的工具。Centernet作为Anchor
‑
free算法的经典网络框架，采用了关键点预测的方法，在预测时无需生成大...
【技术保护点】
【技术特征摘要】
1.基于CenterNet的用于交通场景的目标检测方法，其特征在于，所述方法具体过程为：步骤一、数据采集，数据集分为训练集和测试集，利用标注框标注训练集中的每一张图片的每一个目标，获得训练集图像中每一个目标的位置、类别信息；步骤二、对训练集图像进行预处理；步骤三、改进ResNet50主干特征网络模型，优化目标检测网络模型；步骤四、训练卷积神经网络，得到最终权重和训练完的卷积神经网络；步骤五、将步骤一中标注框标注的训练集图像作为卷积神经网络的输入，将步骤四中训练完成的权重作为预测模型的输入，得到预测结构，最后对比分析模型的最终预测结果，评估模型参数。2.根据权利要求1所述基于CenterNet的用于交通场景的目标检测方法，其特征在于：所述步骤一中数据采集，数据集分为训练集和测试集，利用标注框标注训练集中的每一张图片的每一个目标，获得训练集图像中每一个目标的位置、类别信息，具体过程为：步骤一一、从交通场景中截取一定数量图片作为数据集，数据集中图片分为训练集和测试集；数据集中图像信息为交通场景下的车辆前方视觉信息，图像包括行人、汽车、自行车等目标；步骤一二、利用标注框标注训练集中的每一张图片的每一个目标，获得训练集图像中每一个目标的位置、类别信息；其中位置信息为标注框中心点坐标和标注框宽、高，类别信息即为目标所属类别，存储方式为xml文件格式；步骤一三、将标注完成的xml格式文件转换为txt格式文件。3.根据权利要求1所述基于CenterNet的用于交通场景的目标检测方法，其特征在于：所述步骤二中对训练集图像进行预处理；具体过程为：将输入图片数据大小调整为512*512*3。4.根据权利要求1所述基于CenterNet的用于交通场景的目标检测方法，其特征在于：所述步骤三中改进优化Backbone主干特征网络，具体过程为：步骤三一、Centernet用边界框中心点代表目标，通过对关键点估算预测中心点，并利用中心点处提取的图像特征回归目标的尺寸和维度等信息实现目标预测。在预测时，将图像输入到卷积神经网络中，卷积神经网络输出热力图，热力图中的峰值点即为目标中心点，之后根据图像特征回归边界框的高和宽。Centernet目标检测网络的输入设为I，I∈R
W
×
H
×3为一个宽度为W、高度为H的输入图像。输入图像经过CenterNet主干网络后输出关键点热力图，记所生成的热力图为其中R是下采样倍数，通常取值为4，C是检测目标类别数。当预测结果时，表示对于类别c，在位置(x，y)处检测出该类别目标，而表示该点不存在类别c目标；步骤三二、结合激活函数Relu的输入值为负，神经元不能更新参数的现象，调整ResNet50网络中激活函数部分为LeakyReLU函数，保留神经元的梯度值，解决Relu函数中神经元死亡的问题；步骤三三、利用空间金字塔池化((Spatial Pyramid Pooling，SPP)增大感受野，融合多尺度特征，更好地分离出交通场景中最显著的上下文特征...
【专利技术属性】
技术研发人员：赵奉奎，周爱博，张涌，吕立亚，李冰林，
申请(专利权)人：南京林业大学，
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。