【技术实现步骤摘要】
本专利技术涉及车辆检测领域，具体涉及一种基于深度学习的无人机航拍影像车辆检测方法。
技术介绍
1、随着经济的发展以及城市化进程的加快，我国的汽车保有量逐年增加。但是这也造成了许多的问题，比如发生交通拥堵和交通事故的频率也大大增加。因此交管部门需要及时的了解相关的交通信息，并进行相应的处理。为了更好的解决这些问题，各个城市开始建设智慧交通系统，其中最关键的组成部分就是车辆检测系统。
2、目前，使用最为广泛的车辆检测系统就是通过道路上的固定摄像头来获取相关的交通信息，但是这种方法有着许多的限制，比如不能提供准确的道路信息、不能进行对车辆进行定位与跟踪以及部署之后位置不能移动等。由于无人机具有部署快速灵活以及能够获取更多的地面信息，相比于现有的检测系统有着巨大的优势，因此在智能交通系统的应用中越来越广泛。
技术实现思路
1、本专利技术的目的在于提出一种基于深度学习的无人机航拍影像车辆检测方法。
2、实现本专利技术目的的技术解决方案为：一种基于深度学习的无人机航拍影像车辆检测方法，步骤如下：
3、步骤1，将vehicle aerial imaging from drone(vaid)数据集划分为训练集、验证集和测试集；
4、步骤2，在yolox-s的backbone中增加注意力机制模块，并且针对小目标增加一层检测层，据此构建改进的yolox-s网络模型用于预测车辆信息；
5、步骤3，从头开始训练改进的yolox-s网络模型，得到最
6、步骤4，将数据集中的测试集输入改进后的yolox-s网络模型，得到最终的检测结果。
7、进一步的，步骤1，获取vaid数据集，vaid数据集是一个以无人机为视角的车辆检测数据集，总共有5986张图片，每张图片的大小为1137×640。
8、将数据集中的图片分成训练集、验证集和测试集，其中训练集和验证集的比例为9∶1。
9、进一步的，步骤2，在yolox-s的backbone中增加通道与空间注意力模块，并且针对小目标增加一层检测层，据此构建改进的yolox-s网络模型用于预测车辆信息，具体方法为：
10、(a)神经网络模块设计
11、改进的yolox-s网络模型包括由backbone模块和注意力机制模块组成的特征提取模块，以及特征融合模块。输入图像经过马赛克数据增强后经过特征提取模块输出多层特征信息，通过特征金字塔网络和路径聚合网络将不同层次的特征融合，最终得到四种尺寸特征信息，并且通过检测头检测出目标的位置。
12、(b)特征提取模块设计
13、特征提取网络包括focus层、cbs模块、csp1模块、空间金字塔池化 (spp)模块和注意力机制(am)模块，输入图像首先经过focus层，将图像分成四个独立的特征层，然后将4个特征层进行堆叠，此时将宽高维度上的信息转换到了通道维度。之后通过一个由cbs模块、csp1_1模块和注意力机制串联的模块，得到特征t1，将得到的t1输入一个由cbs模块、csp1_3模块和注意力机制串联的模块，得到特征t2，将得到的t2输入一个由cbs模块、csp1_3模块和注意力机制串联的模块，得到特征t3，将得到的t3输入一个由cbs模块、spp模块、csp1_1模块和注意力机制模块串联的模块，得到特征t4。
14、(c)特征融合网络模块设计
15、特征融合网络模块包括上采样、加法器、cbs模块和csp2_1模块，特征 t4经过cbs模块后得到特征t5，特征t5通过上采样后与特征t3拼接得到特征t6，特征t6经过csp2_1和cbs模块后得到特征t7，特征t7经过上采样后与特征t2拼接得到特征t8，特征t8经过csp2_1和cbs模块后得到特征 t9，特征t9经过上采样之后与特征t1拼接得到特征t10，特征t10经过 csp2_1模块之后得到特征t11，特征t11经过cbs模块和特征t9拼接得到的特征经过csp2_1模块得到特征t12，特征t12经过cbs模块后与特征t7拼接后经过csp2_1模块得到特征t13，特征t13经过cbs模块后与特征t5拼接得到特征t14，此时将得到的四种不同尺度的特征t11、t12、t13、t14分别输入1×1的卷积层，将其通道统一变为256，然后再分成两个分支，这两个分支中首先经过两个cbs模块，其中的一个分支conv(cls)用于判断物体的种类，另一个分支再次被分为两个分支，其中的一个分支conv(reg)用于判断预测框的回归参数，另一个分支conv(obj)用于判断该特征点有无物体。最后将这三个分支输出特征图经过拼接和reshpe操作得到一个尺度的特征图，其他三个尺度的特征图也经过上述操作，最终得到四个不同的特征图。最后将这四个特征图经过拼接和transpose操作得到最终的输出图像。
16、(d)注意力机制模块设计
17、注意力机制模块由通道注意力模块和空间注意力模块组成。特征图f首先输入通道注意力机制模块，其大小为h×w×c，其中，h为特征图的高度，w 为特征图的宽度，c为特征图的通道数。分别做基于宽和高的全局最大池化和全局平均池化，得到两个大小为1×1×c的特征图，并且将它们分别送入共享全连接层。然后将共享全连接层输出的特征进行相加和sigmod操作，得到通道注意力模块的输出特征图mc。最后，mc和f做基于element-wise的乘法操作，得到空间注意力模块的输入特征图f’。空间注意力机制将f’做基于通道的全局最大池化和全局平均池化，得到两个大小为h×w×1的特征图，并且将这两个特征图进行通道拼接。然后进行卷积操作(卷积核的大小为7×7)，得到一个单通道的特征图。最后通过sigmod操作生成空间注意力模块的输出特征图ms，并且ms和f’做乘法，得到最终的输出特征图f”。
18、(e)csp1和csp2模块设计
19、csp1_1和csp1_3模块均由bottleneck层、卷积层、批量归一化(bn) 层、silu激活函数和concat函数组成。其中csp1_1中有一个bottleneck层，而csp1_3有三个bottleneck层。csp2_1模块由卷积层、bn层、silu激活函数和concat函数组成。
20、进一步的，步骤3，从头开始训练改进的yolox-s网络模型，得到最优参数，具体方法为：
21、输入图像的大小为608×608，两个gpu上的批量大小被设置8，总共训练了140轮。同时为了提高模型的性能，我们在前100轮训练中使用了马赛克的数据增强策略。初始的学习率为0.01，并且使用cos函数作为学习率下降的方式。并且使用随机梯度下降的方法对模型进行优化，其中动量为0.937，权重衰减为0.0005。
22、进一步的，步骤4，将数据集中的测试集输入改进后的yolox-s网络模型，得到最终的检测结果，具体方法为：
23、将测试集中的图片输入到已经本文档来自技高网...
【技术保护点】
1.一种基于深度学习的无人机航拍影像车辆检测的方法，其特征在于，步骤如下：
2.根据权利要求1所述的一种基于深度学习的无人机航拍影像车辆检测的方法，其特征在于，步骤1，获取VAID数据集，VAID数据集是一个以无人机为视角的车辆检测数据集，总共有5986张图片，每张图片的大小为1137×640。
3.根据权利要求1所述的一种基于深度学习的无人机航拍影像车辆检测的方法，其特征在于，步骤2，在YOLOX-S的backbone中增加通道与空间注意力模块，并且针对小目标增加一层检测层，据此构建改进的YOLOX-S网络模型用于预测车辆信息，具体方法为：
4.根据权利要求1所述的一种基于深度学习的无人机航拍影像车辆检测的方法，其特征在于，步骤3，从头开始训练改进的YOLOX-S网络模型，得到最优参数，具体方法为：
5.根据权利要求1所述的一种基于深度学习的无人机航拍影像车辆检测的方法，其特征在于，步骤4，将数据集中的测试集输入改进后的YOLOX-S网络模型，得到最终的检测结果，具体方法为：
6.一种基于深度学习的无人机航拍影像车辆检
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，利用权利要求1-5任一项所述的基于深度学习的无人机航拍影像车辆检测方法，实现基于深度学习的车辆检测系统。
8.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，利用权利要求1-5任一项所述的基于深度学习的无人机航拍影像车辆检测方法，实现基于深度学习的车辆检测系统。
...【技术特征摘要】
1.一种基于深度学习的无人机航拍影像车辆检测的方法，其特征在于，步骤如下：
2.根据权利要求1所述的一种基于深度学习的无人机航拍影像车辆检测的方法，其特征在于，步骤1，获取vaid数据集，vaid数据集是一个以无人机为视角的车辆检测数据集，总共有5986张图片，每张图片的大小为1137×640。
3.根据权利要求1所述的一种基于深度学习的无人机航拍影像车辆检测的方法，其特征在于，步骤2，在yolox-s的backbone中增加通道与空间注意力模块，并且针对小目标增加一层检测层，据此构建改进的yolox-s网络模型用于预测车辆信息，具体方法为：
4.根据权利要求1所述的一种基于深度学习的无人机航拍影像车辆检测的方法，其特征在于，步骤3，从头开始训练改进的yolox-s网络模型，得到最优参数，具体方法为：
5.根据权利要求...
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。