[发明专利]一种基于U型特征金字塔的交通目标检测方法

权利要求书

1.一种基于U型特征金字塔的交通目标检测方法，其特征在于，按照如下步骤实现：

步骤S1、获取自动驾驶数据集，并将自动驾驶数据集转换成交通目标检测模型可识别的格式；

步骤S2、利用完成格式转换的自动驾驶数据集训练基础网络，并将基础网络输出的特征图进行深度融合，在此基础上，得到基础特征图；

步骤S3、将得到的基础特征图通过若干个U型模块，得到多级特征金字塔；

步骤S4、根据得到的多级特征金字塔，在每一级上分别运行检测网络，然后利用非极大值抑制算法，将最后的检测结果融合在一起；

在所述步骤S2，通过如下步骤得到基础特征图：

步骤S21、利用完成格式转换的自动驾驶数据集训练VGG16基础网络；

步骤S22、将VGG16基础网络最后三个模块输出的特征图，分别利用1×1的卷积核进行卷积，之后进行上采样，将特征图归一化相同的尺寸，最后把归一化的特征图聚合在一起，得到基础特征图；VGG16基础网络的特征提取过程由以下关系式表述：

其中，x是图像数据，Y1,Y2,Y3是最后三个模块输出的特征图，c1,c2,c3分别是三个1×1卷积核模块，W1,W2,W3分别是VGG16网络最后三个模块卷积层的权重，b1,b2,b3分别是VGG16网络最后三个模块卷积层的偏置，F表示最后得到的基础特征图；

所述步骤S3具体实现如下：

步骤S31、将得到的基础特征图输入特征金字塔网络，所述特征金字塔网络是由U型模块级联在一起构成的，而每个U型模块中基础特征图都是先经过N个卷积层，然后再经过上采样恢复到之前的分辨率，并将特征图输出，由此构成N个特征图的单级特征金字塔；

步骤S32、将单级特征金字塔聚合成多维的特征金字塔，即通过将M个U型模块分别级联在一起，得到M×N维的特征金字塔；

所述步骤S4具体实现如下：

步骤S41、在得到的M×N维的特征金字塔的每一层运行检测网络，其中检测网络由回归子网络和分类子网络构成，每个子网络都是由全卷积神经网络组成；

步骤S42、在分类子网络中，采用Focal loss作为训练时的loss函数，具体定义如下

上式中，p是分类子网络预测类别为1时的概率值，定义

然后重写公式(2)，得到CE(p,y)＝CE(p_t)＝-log(p_t)；

为解决类别不平衡问题，在交叉熵函数前加一个平衡权重的因子α∈[0，1]，在实际中，α作为一个模型的超参数，可以在验证集中被训练得到，即

然后就可以得到改进后的交叉熵函数

CE(p,y)＝CE(p_t)＝-α_tlog(p_t) (5)

将区别难分样本的模块因子(1-p_t)^γ加入交叉熵函数中，最后，Focal loss定义为：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t) (6)

其中，α＝0.25，γ＝2；

步骤S43、在回归子网络中，为每一个anchor都分配一个最匹配的真实框，回归子网络的输出是拟合anchor和这个真实框的差值；

步骤S44、对于特征图width×high上的任意一点，会产生K个anchor box，分类子网络的学习任务是利用Focal loss学习k个anchor的类别，而回归子网络是拟合真实坐标框和k个anchor之间的距离；经过回归子网络和分类子网络，分别得到width×hight×K个预测值，再利用非极大值抑制算法分别得到最后的S个预测框，即可得到最后的交通目标检测结果。

2.根据权利要求1所述的一种基于U型特征金字塔的交通目标检测方法，其特征在于，所述步骤S1具体实现如下：

步骤S11、采用公开的KITTI自动驾驶数据集，利用COCO数据集转换脚本，将标签信息转换成json文件；

步骤S12、将json文件和图片文件分别放入不同的文件夹下，制作成标准的COCO数据集格式；

步骤S13、将制作好的COCO数据集文件备用，用于搭建的交通目标检测模型训练。