[发明专利]一种基于多目标角点池化神经网络的车辆检测方法

权利要求书

1.一种基于多目标角点池化神经网络的被遮挡车辆检测方法，其特征在于，包括以下步骤：

步骤S1：获取MS COCO目标检测数据集，制作MS COCO车辆图像数据集；

步骤S2：选取沙漏网络为基石网络，并搭建神经网络框架，采集整个网络最后一层的特征并将其传输到残差模块；

步骤S3：对传输到残差模块的特征进行多目标角点池化操作，生成图像内各车辆的角点对、嵌入矢量和映射偏差特征；

步骤S4：设计损失函数，并利用Adam算法进行优化；

步骤S5：角点配对模块对步骤S3中经过多目标角点池化操作得到的特征进行角点对配对处理，若存在未配对角点，则通过角点补全模块进行补全处理，最后生成车辆检测框，得出车辆的检测结果。

2.根据权利要求1所述的基于多目标角点池化神经网络的被遮挡车辆检测方法，其特征在于，所述步骤S1的具体步骤如下：

步骤S101：下载MS COCO目标检测数据集，分别提取训练数据集、验证数据集和测试数据集中的车辆类别图片和对应标签；

步骤S102：将验证数据集和训练数据集中全部车辆类别图片用于模型训练，将测试数据集平均分成两部分，一部分用来做消融实验，另一部分用来评估模型性能。

3.根据权利要求1所述的基于多目标角点池化神经网络的被遮挡车辆检测方法，其特征在于，所述步骤S2的具体步骤如下：

步骤S201：选取由两个沙漏模块组成的沙漏网络作为基石网络，获取图像内的全局特征和局部特征；

步骤S202：将沙漏网络内的最大池化层替换为步长为2的卷积核，降低特征分辨率；

步骤S203：将沙漏网络深度设置为102，采集整个网络最后一层的特征并将其传输到预测模块。

4.根据权利要求1所述的基于多目标角点池化神经网络的被遮挡车辆检测方法，其特征在于，所述步骤S4中设计损失函数，所述损失函数的定义如下：

L＝L_det+α(L_gp+L_sp)+βL_off+γL_e；

其中，α，β，γ为损失函数各项系数，α＝0.1，β＝1，γ＝0.9；

L_det为基石网络损失函数：

上式中，H和W分别是图片的高和宽；i，j表示像素位置的第i行，第j列；a＝2,b＝4是超参数；p_ij为该像素的预测值；y_ij为该像素的真实值；N为训练样本总数；

L_SP为分离角点损失函数：

上式中，k和j代表图片内的第k和j辆车；e_k是该车中心点嵌入向量；σ为嵌入向量维度，σ＝1；N为训练样本总数；

L_gP为组合角点损失函数：

上式中，e_tk是第k辆车的左上角点嵌入向量；e_bk是第k辆车的右下角点嵌入向量；N为训练样本总数；

L_off为映射偏差损失函数：

上式中，为映射偏差；x_k,y_k为第k辆车的原始坐标；为映射后坐标；n为下采样因子；k为第k辆车；N为训练样本总数；

L_e为角点补全损失函数：

上式中，O_e＝(|x-x′|，|y-y′|)为角点补全偏差；k为第k辆车；(x,y)为该车的真实位置坐标；(x′,y′)为该车的预测位置坐标；N为训练样本总数。

5.根据权利要求1所述的基于多目标角点池化神经网络的被遮挡车辆检测方法，其特征在于，所述步骤S5中对步骤3得到的特征进行角点对配对处理过程如下：

步骤S501：将步骤3中生成的图像内各车辆不同嵌入矢量的角点对进行配对组合，确定车辆位置；

步骤S502：将步骤S501配对组合过程中由于遮挡原因无法配对的单独角点采用角点补全算法生成对应的另一角点；

步骤S503：将上述步骤S501和步骤S502成功配对的角点对都对应车辆目标检测框的右下角点和左上角点，生成车辆检测框。