基于改进CenterNet的交通监控视频车辆检测方法、系统及设备技术方案

基于改进CenterNet的交通监控视频车辆检测方法、系统及设备，其方法为：收集实验数据并将交通监控视频分成图像序列，对输入图像进行预处理，得到数据增强后的图像；对输入的图像提取不同尺度的特征，对提取出的不同尺度的特征进行融合并输出；对输出的特征图，经过检测头卷积网络分支，生成车辆中心点、车辆宽高信息和车辆中心点偏移量的预测结果，计算损失值；在测试阶段，将测试视频分成图像序列，输入到训练好的上述网络模型中，生成测试结果；其系统、设备利用基于改进CenterNet的交通监控视频对车辆进行检测；本发明专利技术有效缓解了在交通监控视频下车辆目标尺度变化大和车辆部分遮挡导致的检测精度降低的问题。挡导致的检测精度降低的问题。挡导致的检测精度降低的问题。

【技术实现步骤摘要】
基于改进CenterNet的交通监控视频车辆检测方法、系统及设备


[0001]本专利技术属于计算机视觉
，特别涉及一种基于改进CenterNet的交通监控视频车辆检测方法、系统及设备。

技术介绍

[0002]目标检测是计算机视觉领域的一个重要分支，其基本任务是找出图像或视频中所有感兴趣的目标，获得目标的类别和位置信息。车辆检测作为目标检测中的一个具体应用领域，对构建智慧交通系统起关键性作用，是车辆计数、异常检测和车辆精细识别等一系列操作的必须前提。
[0003]传统车辆检测算法主要分为三个部分：区域选择、特征提取、分类器分类。首先通过滑动窗口对图像进行扫描，根据车辆在图像中的位置及大小特征选择感兴趣的区域。然后从候选区域中提取特征，最后通过支持向量机等分类器对特征进行分类，完成车辆检测。虽然传统目标检测算法在车辆检测领域取得良好的效果，但传统的车辆检测算法需要人工构建特征，人工建立的特征对环境变化、光照强弱及物体形态变化的鲁棒性和泛化性差；同时，基于滑动窗口区域选择策略时间复杂度高，窗口冗余，无法满足对车辆实时性检测需求。因此，传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进CenterNet的交通监控视频车辆检测方法，其特征在于，包括以下步骤：步骤1，训练阶段开始前，收集实验数据并将交通监控视频分成图片序列，对输入图片进行预处理得到数据增强后的图片；步骤2，在训练阶段，对输入的图片使用深度特征提取网络，提取不同尺度的特征，对提取出的不同尺度的特征进行融合；步骤3，在训练阶段，对步骤2输出的特征图，经过检测头卷积网络分支，生成车辆中心点、车辆宽高信息和车辆中心点偏移量的预测结果，计算损失值；步骤4，在测试阶段，将测试视频分成图片序列，输入到已收敛的上述网络模型中，生成测试结果。2.如权利要求1所述的基于改进CenterNet的交通监控视频车辆检测方法，其特征在于，步骤1中所述图片预处理按以下步骤进行：步骤1.1，对输入图片进行Random Flipping操作；步骤1.2，对输入图片进行Random Scaling操作；步骤1.3，对输入图片进行GridMask操作。3.如权利要求1所述的基于改进CenterNet的交通监控视频车辆检测方法，其特征在于，步骤2中所述的特征提取网络及特征融合包括以下步骤：步骤2.1，将图片输入特征提取网络中得到特征C0、C1、C2、C3、C4；步骤2.2，将特征C4经过膨胀编码器输出具有多种感受野的特征，得到P4；步骤2.3，将特征P4通过可形变卷积和反卷积得到特征P4
′
，特征C4经过可形变卷积和特征P4
′
相加得到特征P3，特征P3在进一步经过可形变卷积和反卷积得到的特征P3
′
与经过可形变卷积的C3特征相加得到P2；以此类推，在P2与C1特征相融得到特征P1；步骤2.4，将步骤2.3得到的特征P3、P2、P1输入到自适应空间特征融合模块中，得到特征F。4.如权利要求3所述的一种基于改进CenterNet的交通监控视频车辆检测方法，其特征在于，步骤2.2中所述的膨胀编码器按以下步骤实施：步骤2.2.a，将输入的特征C4依次经过1x1卷积、BatchNorm层和Relu层来降低通道维数；步骤2.2.b，将步骤2.2.a得到的特征经过3x3卷积、BatchNorm层和Relu层来细化上下文语义特征；步骤2.2.c，为了使编码器输出的特征感受野能够覆盖各种尺度上的目标，本发明将步骤2.2.b得到的特征经过连续4个叠加的残差网络结构得到特征P4；其中，残差网络结构由3个连续卷积组成：第一个1x1卷积以4倍的缩减率减少通道数，然后使用3x3的膨胀卷积来扩大感受野，最后，使用1x1卷积来恢复通道数；4个连续膨胀卷积的膨胀率为[2,4,6,8]。5.如权利要求3所述的基于改进CenterNet的交通监控视频车辆检测方法，其特征在于，步骤2.3中所述的不同特征融合方法的具体方法为：步骤2.3.a，将步骤2.2.c得到的特征P4依次经过3x3可形变卷积、BatchNorm层和Relu层进一步提取特征；步骤2.3.b，将步骤2.3.a得到的特征依次经过4x4反卷积、BatchNorm层和Relu层提高特征图的分辨率得到特征P4
′
；
步骤2.3.c，将步骤2.2得到的特征C3依次经过3x3可形变卷积、BatchNorm层和Relu层来调整特征通道数；步骤2.3.d，将步骤2.3.b得到的特征P4
′
和步骤2.3.c得到的特征进行加和操作，经过3x3可形变卷积、BatchNorm层和Relu层后得到融合后的特征P3；步骤2.3.e，类似步骤2.3.a、步骤2.3.b、步骤2.3.c和步骤2.3.d的特征融合方式，融合特征P3和特征C2得到特征P2；步骤2.3.f，类似步骤2.3.a、步骤2.3.b、步骤2.3.c和步骤2.3.d的特征融合方式，融合特征P2和特征C1得到特征P1。6.如权利要求3所述的基于改进C...

【专利技术属性】
技术研发人员：刘如意，曹泽，苗启广，权义宁，刘向增，宋建锋，李宇楠，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：