【技术实现步骤摘要】
一种基于改进的YOLO多尺度检测的车辆目标识别方法
[0001]本专利技术属于信息
，具体涉及一种基于改进的YOLO多尺度检测的车辆目标识别方法。
技术介绍
[0002]近年来深度学习算法发展迅速，人工智能已经在很多学科领域得到广泛应用，取得了丰硕的成果。智能交通所依赖的目标检测等技术目前都得到了长足进步，并在PascalVOC、MSCOCO、KITTI等数据集上取得了优异的成绩。SSD、YOLO等一阶段检测算法不需要提取候选框，直接提取图像中的特征，将目标物体的识别与定位转换为回归问题，只需要一次检测就能够识别目标的位置位和类别，大幅度提升了检测速度。因此，YOLO目标检测网络成为车辆目标识别领域应用最广泛的模型之一。
[0003]智能辅助驾驶技术中需要大量的图像识别与处理工作，往往将摄像头采集到的视频或者图像作为输入，目标检测网络识别出其中有价值的目标与内容，为下一步的车辆行为决策提供保障。另一方面，鉴于车辆等目标在摄像头画面中不同位置的尺度差异，如何正确、快速地识别图像中的目标，是智能辅助驾驶技术的基础。...
【技术保护点】
【技术特征摘要】
1.一种基于改进的YOLO多尺度检测的车辆目标识别方法，其特征在于：包括以下步骤：步骤1)自制数据集预处理；步骤2)主干网络特征提取；步骤3)改进后的Neck结构进行特征融合；步骤4)NMS非极大抑制；步骤5)输出检测结果图。2.根据权利要求1所述的一种基于改进的YOLO多尺度检测的车辆目标识别方法，其特征在于：所述的主干网络特征提取，具体包括：设计卷积模块、设计瓶颈层模块、引入ECA注意力机制、设计空间金字塔池化结构。3.根据权利要求2所述的一种基于改进的YOLO多尺度检测的车辆目标识别方法，其特征在于：所述的设计卷积模块，具体包括：在卷积模块中封装三个功能：包括Conv2d卷积运算、归一化以及激活，同时通过autopad函数自动调整padding，确保输出图像拥有预设的通道数；Conv2d卷积运算是指输出图像中每个像素都由输入图像的对应位置的区域的像素通过加权平均所得，这个区域叫做卷积核；通过图像与卷积核做卷积运算，提取出图像的某些特征；经过卷积层后，使用BatchNorm2d函数进行数据的归一化处理，调整数据的均值和方差，使得数据在进行激活之前不会因为分布范围过大而导致网络性能的不稳定；经过归一化之后，使用激活函数将数据非线性化，提高模型的表达能力。4.根据权利要求2所述的一种基于改进的YOLO多尺度检测的车辆目标识别方法，其特征在于：所述的设计瓶颈层模块，具体包括：输入图像经过卷积模块后，将输入瓶颈层的原数据分成两个分支；一个分支先通过一次卷积模块，再经过一个残差结构，再进行一次卷积；另一个分支直接进行卷积；然后两个分支进行拼接融合，再经过BatchNorm2d归一化函数和SiLU激活函数，最后再进行一次卷积模块的运算。5.根据权利要求2所述的一种基于改进的YOLO多尺度检测的车辆目标识别方法，其特征在于：所述的引入ECA注意力机制，具体包括：注意力机制是一种特征图信息资源分配的机制，通过注意力机制对特征图进行加权处理，突出图像中车辆集中的区域的特征。6.根据权利要求2所述的一种基于改进的YOLO多尺度检测的车辆目标识别方法，其特征在于：所述的设计空间金字塔池化结构，具体包括：引入SPPF模块，建立候选区域与输入特征图之间的映射关系；将经过ECA注意力模块处理后的特征图相继经过卷积模块、一次最大池化、两次最大池化和三次最大池化，将上述4个输出的特征图进行拼接融合，然后再通过卷积模块提取特征。7.根据权利要求1所述的一种基于改进的YOLO多尺度检测的车辆目标识别方法，其特征在于：所述的改进后的Neck结构进行特征融合，具体包括添加小目标检测层、设计COT3模块。8.根据权利要求7所述的一种基于改进的YOLO多尺度检测的车辆目标识别方法，其特
征在于：所述的添加小目标检测层，具体包括：对Neck结构中经过两次上采样输出的80
×
80的特征图再进行上采样，获取到更浅层的特征信息；再将得到更浅层特征信息与骨干网络中对应尺度的浅层特征卷积层的输出进行拼接融合，并经过一个1
×
1的卷积...
【专利技术属性】
技术研发人员：易安林，雷荣森，姚涛，闫连山，蒲桂东，
申请(专利权)人：西南交通大学烟台新一代信息技术研究院，
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。