[发明专利]一种基于U型特征金字塔的交通目标检测方法

说明书

本发明涉及一种基于U型特征金字塔的交通目标检测方法。提出了一种U型模块，并利用级联方式构建多级的图像特征金字塔，来解决多尺度的问题。为了证明U型模块的有效性，我们还设计了一种新的单目标检测器，U‑FPNDet，该模型首先利用基础网络提取出基础特征图，然后利用级联的U型模块将基础特征图构建出多级特征金字塔，最后在每一级金字塔上运行检测网络得出最后的结果。

技术领域

本发明涉及模式识别与计算机视觉领域，特别是一种基于U型特征金字塔的交通目标检测方法。

背景技术

在早期的工作中，使用目标和背景的相对运动差异信息来达到检测车辆的目的，可适应的背景建模方法，例如高斯混合模型，线性西格玛模型等由于背景比运动目标出现的频率高，通过建立背景模型的分布，当出现运动目标时，背景模型的分布就会发生改变，从而定位出车辆的位置，这种技术被广泛的应用于车辆检测中。光流也是一种常用的方法用来解决车辆检测的问题，通过模拟物体随时间运动的模式来聚集车辆时空信息的常用技术。此外，光流法还结合了对称追踪和手工提取的外形特征来提高检测器的性能。然而，这种方法不能够区分更细的子类别移动目标，例如车，公共汽车，行人等。总之，这些方法需要很多复杂的后处理方法来提高模型的精度，例如车辆阴影检测和车辆的遮挡处理等，这样会造成时间上的消耗，没有办法实现实时检测。

接下来，一些基于手工特征提取的统计学习方法也被应用于从图像中直接检测车辆，首先通过一些特征描述算子来描述图像中我们感兴趣的目标，然后再通过训练一些分类器来把图像区域中的目标分为不同的子类，例如车辆和非车辆。这些特征特区算子可能是HOG，SURF，Gabor，和Haar-like等，而分类器则大多数使用支持向量机，人工神经网络，或者是Adaboost算法。更多先进的方法像DPM等都是应用手工特取的特征，并描述车辆的每一部分的方法，这些方法或者手工提取的特征，对图像中车辆特征的重构和表示，能力都十分有限，没有办法解决复杂场景下的车辆检测问题。

发明内容

本发明的目的在于解释上述问题，提供一种基于U型特征金字塔的交通目标检测方法。

为实现上述目的，本发明的技术方案是：一种基于U型特征金字塔的交通目标检测方法，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。

在本发明一实施例中，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。

在本发明一实施例中，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：