[发明专利]基于信息融合的目标识别方法、系统、计算机设备和存储介质

说明书

本发明公开了一种基于信息融合的目标识别方法、系统、计算机设备和存储介质，方法包括：利用毫米波雷达和摄像机同时分别采集某一交通路段的场景信息，构成交通数据集；利用目标识别数据集对Faster R‑CNN模型进行训练，获得Faster R‑CNN模型各层的权重值；所述目标识别数据集中包括行人、车辆；对毫米波雷达和摄像机分别采集的数据进行融合；结合所述融合后的信息和训练后的Faster R‑CNN模型，实现目标识别。本发明方法不仅可以提高Faster R‑CNN对交通环境中小目标和重叠目标的识别精确度，还可以感知交通目标的距离信息。

技术领域

本发明属于目标检测领域，特别涉及一种基于信息融合的目标识别方法、系统、计算机设备和存储介质。

背景技术

随着卷积深度学习网络的发展和GPU算力的提高，目标检测能力和效率得到了显著地提高。目前，利用深度学习来进行目标检测的方式主要有两类，基于回归(regressionbased)的检测方法和基于对象候选区域(object proposal based)的检测算法。

基于回归的目标检测算法又称为One Stage算法，特点是仅需要将数据送入网络，一次可以预测出所有边界框，节省时间，一步到位，计算速度相对较快。YOLO(You LookOnly Once)算法和SSD算法为经典的One Stage算法。YOLO算法是一类图像分割算法，它首先将图像按一定大小分割成相同大小的小方块，在分割后的小方块中进行目标分类，理论上来说，当图像分割程度越精细，网络检测识别能力越强。虽然YOLO检测网络在数据处理运算速度上极具优势，但在精准定位和识别率上还略有不足。于是Liu等人在《SSD:SingleShot MultiBox Detector》中提出了SSD检测网络。SSD检测算法是将YOLO网络和Faster R-CNN检测网络进行结合，回归多个不同尺寸的候选框，并且赋予每个候选框类别和分数。另外，SSD检测算法可以将不同尺寸的特征图进行结合后预测，实现处理各个尺寸图像的目的。SSD检测算法不仅拥有Faster R-CNN检测算法目标检测的高精度，同时也拥有YOLO检测算法的高速运算能力，成为One Stage检测算法的经典代表作之一。

基于对象候选区域算法通常又被称为two stage算法。这种算法是利用卷积神经网络来对候选框(bounding box)进行训练进而进行分类和回归。在2014年，大神Girshick等人提出了经典的R-CNN检测方法，极大拓宽了卷积神经网络特征提取的能力。同时，目标检测能力也得到了相应提升。后来Girshick等人提出了性能更加优秀的Fast R-CNN，在该网络结构框架下，网络中所有的网络层都可以进行反向传播来进行更新，不但简化了机器学习的过程，而且使得目标检测准确率得到了显著提高。在2016年，Girshick等人再次提出了Faster R-CNN卷积神经网络，它利用RPN(Regional Proposal Network)层来进行滑动窗口(slide window)检测，通过遍历整张图片或者视频，将符合特征提取提取到的信息通过候选框框出，从而达到目标检测的目的。目前，高精度的目标检测检测器基本上都是基于Faster R-CNN网络结构来进行的，Faster R-CNN广泛应用于各个领域的目标检测任务当中。但Faster R-CNN网络针对小目标、重叠目标的识别精度不高。

发明内容

本发明的目的在于针对上述现有技术的不足，提供一种基于图像与毫米波雷达信息融合的交通目标识别方法，克服现有方法中Faster R-CNN网络对小目标、重叠目标的识别精度不高的问题。

实现本发明目的的技术解决方案为：一种基于信息融合的目标识别方法，所述方法包括以下步骤：

步骤1，利用毫米波雷达和摄像机同时分别采集某一交通路段的场景信息，构成交通数据集；

步骤2，利用目标识别数据集对Faster R-CNN模型进行训练，获得Faster R-CNN模型各层的权重值；所述目标识别数据集中包括行人、车辆；