【技术实现步骤摘要】
本专利技术涉及图像处理，涉及机器视觉领域的车辆目标自动化检测，具体涉及一种基于yolov5的抗遮挡的车辆检测方法。
技术介绍
1、车辆检测是计算机视觉领域的重要课题之一，其在无人驾驶、车辆计数、智能交通、智慧城市等方面具有广泛应用。近年来目标检测器框架在准确性和鲁棒性方面取得了巨大的成功，但是，由于多种因素，它们的能力与人类相去甚远，遮挡就是其中之一。在城市复杂的交通背景下，车辆往往会被建筑、树木、行人、其他车辆等遮挡，并且由于遮挡可能发生在不同的位置、规模和比例，因此处理起来非常困难。
2、近年来，机器视觉快速发展，车辆检测方法目前主要分为传统的图像处理方法和深度学习方法。传统的图像处理过程包括特征提取和分类两个部分。然而，特征提取过于依赖于人工设计的算法，限制了车辆检测方法的鲁棒性和泛化能力。此外，传统方法具有较高的计算复杂度，难以应用到交通实时检测。深度学习目标检测方法在传统图像的检测方面达到了登峰造极的地步，但在出现遮挡等极端情况时表现不尽人意。遮挡具体可以分为两类情况：车辆间相互遮挡(类内遮挡)和非车辆物体对车辆造成的遮挡(类间遮挡)。当车辆被无关背景信息遮挡时，无关障碍物的遮挡会导致车辆特征的丧失，削弱被检车辆的关键特征信息的表达能力，使目标检测器难以提取和学习其特征。当一辆车被其他车辆遮挡时，该车辆的roi(感兴趣区域)会包含遮挡目标车辆的一些特征，这会对目标车辆的定位造成干扰。此外，车辆之间互相遮挡重叠的现象使得目标的预测框之间具有很高的重叠度，而在后处理阶段检测器对nms(非极大抑制)的阈值非常敏感
技术实现思路
1、本专利技术在于提供一种基于yolov5的抗遮挡车辆检测方法，其能够解决上述问题。
2、为了解决上述的问题，本专利技术采取的技术方案如下：
3、本专利技术提供了一种基于yolov5的抗遮挡车辆检测方法，采用训练好的抗遮挡车辆检测模型对待检测的车辆图像进行检测；
4、抗遮挡车辆检测模型基于yolov5网络架构构建并引入了拉普拉斯金字塔模块，其骨干网络的csp(跨阶段局部网络)残差结构中加入了goa(分组正交注意力)模块，goa模块包括串行连接的分组正交通道注意力和空间注意力，其训练采用的损失函数为：
5、l＝λ1lbox+λ2lobj+λ3lrepgt
6、其中，lbox代表边界框回归损失，lobj代表置信度损失，lrepgt代表ciou-lrepgt斥力损失，系数为平衡损失权重。
7、在本专利技术的一较佳实施方式中，训练抗遮挡车辆检测模型用到的遮挡车辆检测数据集的构建方法包括：在ua-detrac开源数据集基础上，通过iou(交并比)阈值筛选方式筛选出富含车辆间相互遮挡的图像，通过重新标注，得到富含车辆间相互遮挡和车辆被其他物体遮挡的遮挡车辆数据集；基于数据增强和大小调整对遮挡车辆数据集进行预处理，得到遮挡车辆检测数据集；数据增强包括翻转、旋转、缩放、平移和抖动；在大小调整中，将所有图像统一缩放成640×640×3。
8、在本专利技术的一较佳实施方式中，抗遮挡车辆检测模型的骨干网络和拉普拉斯金字塔模块用于对待检测的车辆图像进行双路特征提取；
9、骨干网络对待检测的车辆图像进行特征提取的过程包括：
10、待检测的车辆图像finput经过6×6大核卷积送入csp网络，csp网络将输入特征图平均切分送入两个分支，一个分支直接通过cbs模块，另一部分在经过一个cbs模块后连接多个残差模块res，并在最后的残差模块后面插入goa模块，然后两个分支在通道上结合，再经过一个cbs模块输出，当特征图输入csp模块，它的计算过程表示为：
11、
12、其中，csp()为经过csp模块，concat(,)表示按通道维度拼接，cbs包含一个卷积、一个批次归一化和一个激活函数，res_n表示经过n个残差模块；
13、拉普拉斯金字塔模块对待检测的车辆图像进行特征提取的过程包括：
14、对待检测的车辆图像finput进行k次二倍下采样，得到k+1层图像金字塔ij,j＝0,2...k；对顶层金字塔图像进行k次上采样得到k层上采样图像金字塔pi,i＝0,2...k-1；对ij,j＝0,2...k和pi,i＝0,2...k-1同层级作像素差得到拉普拉斯金字li,i＝0,2...k-1；对于待检测的车辆图像计算过程如下所示：
15、lk＝ik-up(ik+1),k＝1,2,3,4,5
16、其中，k表示拉普拉斯金字塔中的层级索引，ik为输入图像下采样的结果，up(·)为上采样操作，拉普拉斯残差lk是当前尺度下的特征图ik与更小尺度下的特征图ik+1上采样后的差值。
17、在本专利技术的一较佳实施方式中，分组正交通道注意力用以增强每个通道的特征表达；
18、对于输入特征图计算过程表示为：
19、
20、其中，输出的特征图，为通道注意力输出向量，为空间注意力输出向量，为逐点相乘；
21、通道注意力机制将输入特征图俺通道维度均分为n个组，初始化的正交滤波器fortho对n个组分别提取压缩向量，然后将压缩向量分别输入到多层感知机中进行激励，采用全连接层进行降维成1×1×c/16，再使用非线性激活函数relu进行激活，再进行全连接层将向量升维到1×1×c，最后将各分组注意力向量拼接并进行shuffle，保证分组通道间的信息交流，对于计算过程如下所示：
22、
23、其中，[f1input,f2input...fninput]表示的n个分组，σ是sigmiod激活函数，mlp为一个参数共享的多层感知机，concat(·)表示按通道维度拼接，shuffle(·)表示通道打乱，为通道注意力向量。
24、在本专利技术的一较佳实施方式中，空间注意力用以强调图像中不同位置的重要性；空间注意力先采用全局最大池化和全局平均池化将所有特征图在空间上压缩成两个h×w×1的特征图，来获取空间上全局信息，再对两个特征图进行拼接成h×w×2，在此基础上，使用一个7×7的卷积核对拼接后的特征图降维成h×w×1，再使用sigmoid函数用于激活，得出每个空间中每个位置的权重图ms，对于计算过程如下所示：
25、ms＝σ(conv7×7(concat(maxpool(finput),avgpool(finput))))
26、其中，maxpool表示全局最大池化，avgpool表示全局平均池化，conv7×7表示核尺寸为7×7的卷积操作，为空间注意力向量。
27、在本专利技术的一较佳实施方式中，在抗遮挡车辆检测模型颈部特征融合部分对来自骨干网络和拉普拉斯金字塔模块输出的不同尺度特征分别进行融合，并对不同尺度特征基于特征金字塔进行自顶向下的融合，具体包括：
28、在骨干网络特征本文档来自技高网...
【技术保护点】
1.一种基于YOLOv5的抗遮挡车辆检测方法，其特征在于，采用训练好的抗遮挡车辆检测模型对待检测的车辆图像进行检测；
2.根据权利要求1所述基于YOLOv5的抗遮挡车辆检测方法，其特征在于，训练抗遮挡车辆检测模型用到的遮挡车辆检测数据集的构建方法包括：在UA-DETRAC开源数据集基础上，通过IOU阈值筛选方式筛选出富含车辆间相互遮挡的图像，通过重新标注，得到富含车辆间相互遮挡和车辆被其他物体遮挡的遮挡车辆数据集；基于数据增强和大小调整对遮挡车辆数据集进行预处理，得到遮挡车辆检测数据集；数据增强包括翻转、旋转、缩放、平移和抖动；在大小调整中，将所有图像统一缩放成640×640×3。
3.根据权利要求1所述基于YOLOv5的抗遮挡车辆检测方法，其特征在于，抗遮挡车辆检测模型的骨干网络和拉普拉斯金字塔模块用于对待检测的车辆图像进行双路特征提取；
4.根据权利要求3所述基于YOLOv5的抗遮挡车辆检测方法，其特征在于，分组正交通道注意力用以增强每个通道的特征表达；
5.根据权利要求4所述基于YOLOv5的抗遮挡车辆检测方法，其特征在于，空
6.根据权利要求5所述基于YOLOv5的抗遮挡车辆检测方法，其特征在于，在抗遮挡车辆检测模型颈部特征融合部分对来自骨干网络和拉普拉斯金字塔模块输出的不同尺度特征分别进行融合，并对不同尺度特征基于特征金字塔进行自顶向下的融合，具体包括：
7.根据权利要求6所述基于YOLOv5的抗遮挡车辆检测方法，其特征在于，基于路径聚合增强网络自底向上，将特征金字塔模块的输出特征图进行特征融合，将该特征融合过程中得到的三种不同尺度的特征送入三个检测头实现对大、中、小目标的检测，具体包括：
8.根据权利要求7所述基于YOLOv5的抗遮挡车辆检测方法，其特征在于，CIOU-LRepGT计算公式为：
...【技术特征摘要】
1.一种基于yolov5的抗遮挡车辆检测方法，其特征在于，采用训练好的抗遮挡车辆检测模型对待检测的车辆图像进行检测；
2.根据权利要求1所述基于yolov5的抗遮挡车辆检测方法，其特征在于，训练抗遮挡车辆检测模型用到的遮挡车辆检测数据集的构建方法包括：在ua-detrac开源数据集基础上，通过iou阈值筛选方式筛选出富含车辆间相互遮挡的图像，通过重新标注，得到富含车辆间相互遮挡和车辆被其他物体遮挡的遮挡车辆数据集；基于数据增强和大小调整对遮挡车辆数据集进行预处理，得到遮挡车辆检测数据集；数据增强包括翻转、旋转、缩放、平移和抖动；在大小调整中，将所有图像统一缩放成640×640×3。
3.根据权利要求1所述基于yolov5的抗遮挡车辆检测方法，其特征在于，抗遮挡车辆检测模型的骨干网络和拉普拉斯金字塔模块用于对待检测的车辆图像进行双路特征提取；
4.根据权利要求3所述基于yolov5的抗遮挡车辆检测方法，其特征在于，分组正交通道注意力用以增强每个通道的特征表达；
5.根据权利要求4所述基于yolov5的抗遮挡车辆检测方法，其...
【专利技术属性】
技术研发人员：陈怀新，何金鹏，刘杰，刘壁源，
申请(专利权)人：电子科技大学，
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。