System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机目标检测领域,特别涉及一种基于道路语义信息引导空间注意力的车辆检测方法。
技术介绍
1、交通目标检测是计算机视觉领域中的一个重要任务,及时检测出交通场景中的车辆等目标,有助于预防交通事故,减少伤亡和财产损失,在城市规划、交通管理和交通安全方面发挥着重要作用。
2、与传统的固定式监控摄像头相比,基于无人机的监控系统具有维护成本低、易于部署、机动性高、视野广等优点。无人机的高移动性使其能够不受地域限制地灵活收集视频数据,当检测不同路段上的车辆时,无人机可以通过调整其飞行高度和位置来有效避免遮挡,而无需干预道路交通。此外,将目标检测算法集成到无人机中,可以更准确地从高空角度检测目标的位置,降低安装和维护的人工成本,提高交通监管的智能化水平。因此,目标检测和跟踪已进入大规模无人机时代,在智慧城市、交通监测及灾害监测等任务中发挥了越来越重要的作用。
3、无人机在交通系统中的普遍应用促进了用于收集实时交通信息的无人机目标检测方法的发展。然而,由于空中视角下车辆目标体积小、密度高,无人机图像中的车辆检测面临了许多挑战,主要存在如下问题:
4、(1)宽视野与小目标存在固有矛盾,为采集更大范围、更多车辆,无人机图像中车辆目标通常较小,对算法的小目标检测能力要求较高;
5、(2)无人机图像中场景复杂,由非道路背景噪声造成的目标漏检与误检极大影响目标检测准确性;
6、(3)小目标检测准确性与算法效率难以平衡,在保持和提升精度的同时尽可能少增加算法复杂度存在挑战。
< ...【技术保护点】
1.一种基于道路语义信息引导空间注意力的车辆检测方法,其特征在于,包括:
2.根据权利要求1所述的车辆检测方法,其特征在于,所述目标检测分支以YOLOv5网络为基础,包括:
3.根据权利要求2所述的车辆检测方法,其特征在于,还包括Grad-CAM模块,用于获取主干网络中特征图通道的特征权重和注意力分布图。
4.根据权利要求1所述的车辆检测方法,其特征在于,语义信息分支是基于PIDNet深度学习网络构建,原始图像输入PIDNet深度学习网络得到对应交通场景道路语义标签结果,作为监督信号引导空间特征注意力。
5.根据权利要求4所述的车辆检测方法,其特征在于,PIDNet深度学习网络包括三个分支,具体是解析并保存高分辨率特征图中细节信息的比例分支即P分支,聚合高级语义信息的积分通道即I分支以及预测边界信息的微分通道即D分支。
6.根据权利要求3所述的车辆检测方法,其特征在于,采用Grad-CAM模块获取主干网络中特征图通道的特征权重和注意力分布图,具体为:
7.根据权利要求1所述的车辆检测方法,其特征在于,GA-Y
8.根据权利要求7所述的车辆检测方法,其特征在于,所述目标检测模型训练目标检测分类损失和置信度损失均是基于二元交叉熵损失函数计算,边界框损失基于CIOU损失函数计算。
9.根据权利要求1所述的车辆检测方法,其特征在于,在车辆目标检测阶段,使用目标检测分支获得预测边界框后,进行置信度阈值过滤和非大值抑制后,输出目标预测边界框及所属类别。
10.根据权利要求1-9任一项所述的车辆检测方法,其特征在于,所述无人机挂载高清相机,悬停于道路上空,相机垂直于地面采集交通视频。
...【技术特征摘要】
1.一种基于道路语义信息引导空间注意力的车辆检测方法,其特征在于,包括:
2.根据权利要求1所述的车辆检测方法,其特征在于,所述目标检测分支以yolov5网络为基础,包括:
3.根据权利要求2所述的车辆检测方法,其特征在于,还包括grad-cam模块,用于获取主干网络中特征图通道的特征权重和注意力分布图。
4.根据权利要求1所述的车辆检测方法,其特征在于,语义信息分支是基于pidnet深度学习网络构建,原始图像输入pidnet深度学习网络得到对应交通场景道路语义标签结果,作为监督信号引导空间特征注意力。
5.根据权利要求4所述的车辆检测方法,其特征在于,pidnet深度学习网络包括三个分支,具体是解析并保存高分辨率特征图中细节信息的比例分支即p分支,聚合高级语义信息的积分通道即i分支以及预测边界信息的微分通道即d分支。
【专利技术属性】
技术研发人员:游峰,杨家夏,王海玮,杨敬姗,张思意,梁浩辰,谭云龙,
申请(专利权)人:华南理工大学,
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。