一种基于知识增强型深度学习的交通场景目标检测方法及系统技术方案

本发明专利技术属于目标检测领域，具体涉及到一种基于知识增强型深度学习的交通场景目标检测方法及系统，所述方法包括：获取待检测交通场景图像；建立单阶段目标检测模型并进行训练；将获取的待检测交通场景图像输入到训练好的单阶段目标检测模型，得到图片中目标物体的二维目标坐标以及对应的类别结果，完成目标检测。本发明专利技术通过建立单阶段目标检测模型结合共现关系，引入动态卷积层，提高网络对遮挡目标的检测准确率；通过目标检测对道路上的物体进行检测能够与汽车系统联合辅助驾驶，大大提高了夜间行车的安全性。了夜间行车的安全性。了夜间行车的安全性。

【技术实现步骤摘要】
一种基于知识增强型深度学习的交通场景目标检测方法及系统


[0001]本专利技术属于目标检测领域，具体涉及到一种基于知识增强型深度学习的交通场景目标检测方法及系统。

技术介绍

[0002]目标检测是计算机视觉最基本的问题之一，具有极为广泛的应用，它的任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置。尽管在交通场景下的目标检测进行了持续的研究，学术界和工业界都致力于算法设计、建模、数据收集、系统性能测试和有效的评估协议，但平衡目标检测器的有效性和效率仍面临许多挑战，当前交通场景下的目标检测存在以下几个问题：交通场景下的目标检测通常涉及多个目标，目标的分类不同，大大增加了检测的难度。交通场景中的目标检测对象处于多变场景的情况，例如雨、雪、夜晚的天气条件下；交通场景存在大量小目标，例如远处的人或较小的交通标志等，难以检测；在交通拥堵的场景下存在大量遮挡的情况。在夜晚环境下，图像质量低下，检测难度更大。
[0003]现在目标检测算法主要分为三种类型：two stage、single stage和Transformer。two sta本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识增强型深度学习的交通场景目标检测方法，其特征在于，包括：获取待检测交通场景图像，并输入到训练好的单阶段目标检测模型，得到图片中目标物体的二维目标坐标以及对应的类别结果，完成目标检测；所述的单阶段目标检测模型包括：预处理模块、主干网络模块、颈部模块和检测头模块；所述单阶段目标检测模型的训练过程，包括：S1：获取原始的图片数据与标签数据，采用预处理模块对图像进行预处理并统计标签信息；S2：通过主干网络模块进行连续的卷积操作捕获预处理后的图片特征；S3：通过颈部模块对特征进行多尺度特征融合，并把这些特征结合标签信息传递给检测头模块；S4：通过检测头模块进行目标位置和类别的预测；S5：根据分类损失、回归损失以及置信度损失建立单阶段目标检测模型的损失函数，将目标预测的位置和类别对应原图片的标注信息进行损失求解，迭代训练直到收敛，完成模型训练。2.根据权利要求1所述的一种基于知识增强型深度学习的交通场景目标检测方法，其特征在于，预处理模块对图像进行预处理并统计标签信息，包括：S11：统计数据集标签的类别，将类别用glove词向量模型进行向量化，同时统计数据集不同类别的共现次数和频率得到共现矩阵；S12：采用Mosaic数据增强方式对图分别进行随机缩放、随机裁剪、随机排布，并对处理后的图片进行拼接；S13：对处理后的图片使用kmeans聚类算法进行自适应锚框，在初始锚框的基础上输入预测框，和真实框进行比较，计算两者差距并进行调整，得到带有锚框信息的图片；S14：对带有锚框信息的图片自适应图像缩放，将原始图像统一缩放到标准尺寸，空白部分用灰色填充。3.根据权利要求1所述的一种基于知识增强型深度学习的交通场景目标检测方法，其特征在于，所述主干网络模块包括stem模块、三个ELAN
‑
MP串联模块、ELANwithDConv模块；所述stem模块由4个串联的CBS模块组成，所述CBS模块由Conv1d层、BatchNorm1d层和silu激活函数层组成；ELAN模块由连续卷积层聚合得到，包括两条分支，第一条分支是经过一个1x1的卷积做通道数的变化；第二条分支先经过一个1x1的卷积模块做通道数的变化，然后再经过四个3x3的卷积模块做特征提取；第三个ELAN模块将第二分支中做特征提取的四个3x3的卷积模块中的第一个3x3的卷积模块替换成可形变卷积，通道维度保持不变；MP模块包括两个分支，第一条分支先经过一个maxpool最大池化层，然后再经过一个1x1的卷积进行通道数的改变；第二条分支先经过一个1x1的卷积，做通道数的变化，然后再经过一个3x3卷积核、步长为2的卷积块，最后将两个分支聚合。4.根据权利要求1所述的一种基于知识增强型深度学习的交通场景目标检测方法，其特征在于，所述颈部模块包括SPPCSPC模块、FPN+PAN组合结构；所述SPPCSPC模块用于增大感受野，包括两个分支，在第一条分支中有四个池化分支，
下采样倍率分别是5，9，13，1；第二个分支为常规的下卷积层，最后将两个分支聚合；FPN为自顶向下的金字塔结构，重复经过CBS模块、上采样模块、ELAN
‑
W模块两次，上采样模块采用的CARAFE轻量级通用上采样算子，ELAN
‑
W模块为ELAN的变种，在ELAN第二条分支每个卷积模块都进行相加，在上采样模块和ELAN
‑
W模块之间引入骨干网络对应相同维度的特征进行cat操作，将第二个ELAN
‑
W模块的特征图输入到下一阶段；FPN是自底向上金字塔结构，重复两次经过MP模块和ELAN
...

【专利技术属性】
技术研发人员：钟福金，卢展韬，于洪，吴旖旎，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：