一种轻量化红外车辆目标检测方法技术

本发明专利技术公开了一种轻量化红外车辆目标检测方法，包括步骤一

【技术实现步骤摘要】
一种轻量化红外车辆目标检测方法


[0001]本专利技术属于视觉目标检测
，具体涉及一种轻量化红外车辆目标检测方法
。

技术介绍

[0002]道路交通安全是不可忽视的公共交通安全问题
。
目前对于车辆驾驶及道路检测主要基于可见光成像，但可见光检测极易受到不可抗力的影响
。
例如：暴雨暴雪天气
、
雾天
、
光照较差的夜间等，几乎很难正确识别到待检测物体
。
红外热成像具有较强的穿透力，可以透过粉尘
、
雾霾
、
烟等
。
与可见光成像相比，红外成像受天气与光照变化影响较小，探测距离较远的等优点，可从背景复杂的情况下正确识别待检测目标
。
目前基于红外目标检测算法的实时性
、
鲁棒性
、
稳定性
、
轻量性仍不能满足驾驶场景的需求，因此，针对红外目标检测算法的准确性与轻量性显得尤为重要了
。
[0003]近年来目标检测技术发展迅速
。
基于深度学习的目标检测主要分为两类，一类是基于候选框的
Two
‑
stage
算法，如
SPPNet、FasterR
‑
CNN
等，
Two
‑
stage
算法通常精度较高但检测速度较慢，并不适合进行实时检测；
One
‑
stage
算法则直接把检测图像生成候选区域，通过卷积神经网络来预测物体的类别和位置，如
SSD、YOLO
，该类算法虽然精度一般，但检测速度快，较为适合完成实时检测任务
。
目标检测算法由于模型体积庞大
、
参数量与计算量较多，难以部署在嵌入式系统中
。
[0004]因此，现有技术中还缺乏一种能够应用在车机系统或嵌入式设备中，且拥有较少参数量与计算量
、
模型体积小
、
检测精度高
、
易于部署的目标检测方法
。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种轻量化红外车辆目标检测方法，其方法步骤简单，设计合理，实现方便，通过轻量级模块优化特征提取主干网络及特征融合网络层，并根据网络模型重新调整跨尺度链接，大量减少了模型的参数量和计算量，模型体积小，检测精度高，能够实际部署到智能辅助驾驶系统中，为驾驶员更好地识别道路上的目标，从而大幅度减少交通事故的发生，使用效果好，便于推广使用
。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：一种轻量化红外车辆目标检测方法，包括以下步骤：
[0007]步骤一
、
采用红外摄像机采集车辆行驶时的实时图片，得到原始数据集；
[0008]步骤二
、
对所述原始数据集进行增强处理，得到扩充后的数据集；
[0009]步骤三
、
将所述扩充后的数据集划分为训练集
、
验证集和测试集，并对所述扩充后的数据集中的待检测目标进行标注；
[0010]步骤四
、
建立
Yolov7
‑
tiny
网络模型，所述
Yolov7
‑
tiny
网络模型包括特征提取主干网络和特征融合网络层；
[0011]步骤五
、
对所述特征提取主干网络进行轻量级优化；
[0012]步骤六
、
对所述特征融合网络层采用
GhostNetV2
模块进行进一步轻量级优化；
[0013]步骤七
、
采用动态非单调
FM
的
WIoUv3
损失函数进一步优化
Yolov7
‑
tiny
网络模型；
[0014]步骤八
、
对所述特征融合网络层融入残差结构，融合浅层特征与深层特征；
[0015]步骤九
、
通过所述训练集进行训练拟合，并通过所述验证集进行验证更新，最终得到优化的轻量化红外车辆目标检测模型
。
[0016]上述的一种轻量化红外车辆目标检测方法，步骤一中所述原始数据集包括汽车
、
行人和非机动车
。
[0017]上述的一种轻量化红外车辆目标检测方法，步骤二中所述增强处理包括翻转
、
旋转和去噪
。
[0018]上述的一种轻量化红外车辆目标检测方法，步骤三中所述将扩充后的数据集划分为训练集
、
验证集和测试集，并对所述扩充后的数据集中的待检测目标进行标注的具体过程包括：将扩充后的数据集按照8：1：1的比例划分为训练集
、
验证集和测试集；然后，采用标注软件对数据集中的待检测目标进行人工标注，最终得到三种标签：
Cars
标签
、People
标签和
Bicycle
标签
。
[0019]上述的一种轻量化红外车辆目标检测方法，步骤五中所述对特征提取主干网络进行轻量级优化的具体过程包括：
[0020]步骤
501、
将大小为
640
×
640
的图像输入特征提取主干网络后，通过三个
MPconv
模块与
ELAN
‑
DW
模块的组合分别得到下采样尺寸为原始图像
1/8、1/16、1/32
的特征图；其中，
MPconv
模块内部分为两条路径，一条
1/2
通道数的特征图通过
Maxpooling
处理，另一条
1/2
通道数的特征图进行下采样后卷积并送入
ELAN
‑
DW
进行再次卷积；最终特征提取主干网络输出大小为
80
×
80、40
×
40、20
×
20
的三类特征图，记为
C
i
,i∈(1,2,3)
；
[0021]步骤
502、
对所述
ELAN
‑
DW
模块进行分析，通过对
ELAN
模块进行分析联合梯度路径设计，融入深度可分离卷积，增大卷积核，使得在不同尺度情况下获取更大感受野，提高特征表达能力
。
[0022]上述的一种轻量化红外车辆目标检测方法，步骤六中所述对特征融合网络层采用
GhostNetV2
模块进行进一步轻量级优化的具体过程包括：
[0023]步骤<本文档来自技高网...

【技术保护点】

【技术特征摘要】
attention
模块与第一个
Ghost
模块并行，增强特征；然后，增强后的特征输入到第二个
Ghsot
...

【专利技术属性】
技术研发人员：许晓阳，高重阳，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：