基于注意力机制和动态卷积的车辆目标检测和识别方法技术

基于注意力机制和动态卷积的车辆目标检测和识别方法。针对复杂交通环境中车辆目标与周围环境的融合问题以及拥堵场景下的目标重叠问题，提出了一种能够实时车辆目标的YOLOv5‑vd神经网络模型，在YOLOv5模型基础上，骨干网络中加入全局注意力机制，高效提取全局注意力的特征图，同时引入利用可变形卷积算子DCNv3，可以根据目标的形状自适应的调整卷积核采样的位置，提高对多尺度目标的建模能力，使得模型在复杂场景下具有更强的泛化能力，在Head输出前，针对边界框回归效果较差的问题，将Focal‑EIoU替换原本的损失函数。

【技术实现步骤摘要】

本专利技术的技术方案涉及智慧交通中目标检测与识别领域，具体是一种基于注意力机制与动态卷积的车辆目标检测与识别方法。

技术介绍

1、近年来，随着深度学习目标检测技术的不断研究和推进，智能交通技术的应用有望为城市交通系统提供更为精准的预测和响应能力，为解决车辆目标检测的难题提供了有力的工具，为交通强国的建设提供强大支持，在道路交通场景中车辆目标检测任务提供了新的思路，在传统的图像目标检测中，主要关注的是特定目标的空间布局和目标外观的特征匹配，通过特征算子实现检测和计算检测窗口相邻位置矩形的像素及其差值，然后利用该差值对图像子区域进行分类，经典的特征算子有哈尔特征，它通过差值与阈值进行比较实现目标检测，c此外还有sift特征和hoc特征，前者更加关注图像中的局部特征，后者通过计算局部区域的梯度方向，获取统计值作为该局部区域的特征。

2、由于传统的目标检测模型较为依赖特征算子的性能，而特征算子较为依赖于人工的先验设计，计算量大且适应性较差，容易受到天气、光照、背景剧烈变化的影响，近年来，随着基于深度学习目标检测技术的提出和研究的推进，也为道路交通视频分本文档来自技高网...

【技术保护点】

1.基于注意力机制和动态卷积的目标检测和识别方法，其特征是该方法包括以下步骤：

2.如权利要求1所述基于注意力机制和动态卷积的目标检测和识别方法，其特征在于训练集、验证集、测试集，其比例为7∶2∶1。

【技术特征摘要】

1.基于注意力机制和动态卷积的目标检测和识别方法，其特征是该方法包括以下步骤：

2.如权利要求...

【专利技术属性】
技术研发人员：顾军华，金建铭，郑海飞，张锡洋，黄天博，吴金广，张平，何文颖，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：