本发明专利技术公开了一种基于OMCR‑YOLO网络的车辆目标检测方法，包括如下步骤：步骤1、获取道路交通的开源数据集，所述数据集标识有类别标签、时间标签和天气标签；步骤2、配置模型训练环境；步骤3、构建OMCR‑YOLO网络模型；步骤4、将构建好的OMCR‑YOLO网络模型加载至配置好的模型训练环境中，并修改模型的参数文件，并将获取的数据集进行训练和检测；步骤5、待检测的交通图像数据作为输入，应用完成训练的OMCR‑YOLO网络模型进行车辆目标的检测。该方法不仅提高特征提取的精确性，还降低模型的参数量，实现了性能和效率之间的平衡。
【技术实现步骤摘要】
本专利技术涉及计算机视觉，涉及图像处理、深度学习与目标检测识别等技术，具体表现为一种基于omcr-yolo网络的车辆目标检测方法。
技术介绍
1、随着自动驾驶技术和智能交通系统的快速发展，自动驾驶汽车逐渐成为各界学者关注的焦点。自动驾驶汽车是汽车产业与人工智能、物联网、大数据等技术深度融合的产物，对于提升行车安全、提高驾驶舒适性、提升交通效率有着重要的作用。在自动驾驶过程中，车辆需要能够实时感知和理解其周围的环境，以做出正确的决策。为了确保自动驾驶汽车的安全性，系统必须具备识别行人、其他车辆、交通标志以及道路条件等关键信息的能力。这就需要一套精确且高效的目标检测技术。其中，车辆目标检测作为自动驾驶感知系统的核心，直接影响到车辆的行驶安全与智能决策能力。车辆目标检测技术通过摄像头、雷达等传感器，实时识别周围的车辆信息，并提供位置信息和运动轨迹。无论是在城市交通中应对拥堵路段，还是在高速公路上保持车距，车辆目标检测都为自动驾驶系统提供了可靠的数据支持。因此，如何提高车辆目标检测的精度与鲁棒性，成为推动自动驾驶技术发展的关键环节。
>2、传统的计算机视本文档来自技高网...
【技术保护点】
1.一种基于OMCR-YOLO网络的车辆目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于OMCR-YOLO网络的车辆目标检测方法，其特征在于，所述步骤2中，所配置的训练环境为：cuda11.8、深度学习框架pytorch2.3.0、Intel corei9-13900ks CPU、128G内存、GPU为NVIDIA GeForce RTX 4090，显存为24G。
3.根据权利要求1所述的一种基于OMCR-YOLO网络的车辆目标检测方法，其特征在于，所述全核网络中，输入图像首先经过一个3×3卷积进行通道调整和特征提取，随后特征图通过三级残...
【技术特征摘要】
1.一种基于omcr-yolo网络的车辆目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于omcr-yolo网络的车辆目标检测方法，其特征在于，所述步骤2中，所配置的训练环境为：cuda11.8、深度学习框架pytorch2.3.0、intel corei9-13900ks cpu、128g内存、gpu为nvidia geforce rtx 4090，显存为24g。
3.根据权利要求1所述的一种基于omcr-yolo网络的车辆目标检测方法，其特征在于，所述全核网络中，输入图像首先经过一个3×3卷积进行通道调整和特征提取，随后特征图通过三级残差卷积组进行下采样，然后通过一个全核模块对下采样后的特征图进行处理，随后特征图再通过2组1×1卷积及残差卷积组和3×3卷积将分辨率恢复至初始状态；同时，使用跳跃连接操作将不同层次的特征信息融合。
4.根据权利要求1所述的一种基于omcr-yolo网络的车辆目标检测方法，其特征在于，所述全核模块中，输入的特征图通过1×1卷积处理，随后分别经过1×1大小的深度卷积、31×1的深度卷积、31×31的深度卷积、1×31的深度卷积以及由双域通道注意力模块和基于频率的空间注意力模块组成的分支处理，最后五个分支输出的结果与全核模块中输入侧的1×1卷积输出的特征图进行相加再经过一个1×1卷积处理。
5.根据权利要求1所述的一种基于omcr-yolo网络的车辆目标检测方法，其特征在于，所述可变形卷积增强模块进行数据增强的方法，表达式如下：
6.根据权利要求1所述的一种基于omcr-yolo网络的车辆目标检测方法，其特征在于，所述crr模块中，首先使用1×1卷积将输入特征图的通道数调整到预...
【专利技术属性】
技术研发人员：邵龙飞，刘晴，吴伟，胡志蕊，易志强，沈语晨，赵文涛，
申请(专利权)人：杭州电子科技大学，
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。