[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

说明书

本发明提供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，包括：获取MS COCO目标检测数据集，制作车辆图像数据集；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；设计损失函数，并利用Adam算法进行优化；角点配对模块对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，生成车辆检测框，得出车辆的检测结果。本发明的技术方案解决了在实际的交通场景中车辆数辆庞大、道路情况复杂下，在检测道路车辆时不能准确地将车辆逐一检测、框选的技术问题。

技术领域

本发明涉及目标检测技术领域，具体而言，尤其涉及一种基于多目标角点池化神经网络的车辆检测方法。

背景技术

复杂交通场景下的车辆检测就是要从实际的交通场景下，对图像内的车辆进行检测并准确框选。通过建立深度神经网络模型并利用完整的数据集进行训练，使其能够适应各种复杂的实际环境如车辆遮挡、建筑遮挡等。Girshick等人提出了采用RCNN网络来提取图像中的所有感兴趣区域，然后利用ConvNet来处理这些区域，这就会产生大量的冗余计算。为了解决这个问题，Fast-RCNN设计了一个特殊的池化层，从特征图中收集感兴趣区域，但这一算法仍不能实现端到端的训练。之后Faster-RCNN通过引入RPN网络来消除区域搜索，不仅提高了检测器的效率，而且实现了端到端的训练。但这些算法都需要先确定感兴趣区域再进行检测和识别，计算效率较低。YOLO和SSD系列算法取消了感兴趣区域的池化步骤，利用单一的网络来检测图像内的目标，大大提高了计算效率，取得了良好的结果。在实际的交通场景中，车辆数辆庞大，道路情况复杂，现有技术在检测道路车辆时往往表现不佳，不能准确地将这些车辆逐一检测、框选。

发明内容

根据上述提出在实际的交通场景中，车辆数辆庞大，道路情况复杂，现有技术在检测道路车辆时往往表现不佳，不能准确地将这些车辆逐一检测、框选的技术问题，而提供一种复杂交通场景下基于多目标角点池化神经网络的被遮挡车辆检测方法。

本发明采用的技术手段如下：

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，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。

进一步地，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。

进一步地，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；