[发明专利]一种基于YOLOv5改进行人车辆安全距离检测算法

权利要求书

1.一种基于YOLOv5改进行人车辆安全距离检测算法，包括以下步骤：

(1)车辆行人图像信息的获取；

(2)车辆行人图像样本的划分；

(3)车辆行人图像的特征提取；

(4)PANet车辆行人安全距离检测模型的构建。

2.根据权利要求1所描述的一种基于YOLOv5改进行人车辆安全距离检测算法，其特征在于：所描述步骤(1)中，获取车辆行人的图像信息，得到车辆的图像数据集，为了提高本发明在实际场景中的应用能力，所收集的数据集图片均来自于现实生活中的场景，然后利用目标检测标注工具进行标注，将图片格式化为一定的图片尺寸，进而获得车辆图像信息。根据被检测车辆相对于自身车辆的视角情况，将被检测车辆进一步细分为车辆前部，车辆后部和车辆侧部，依照同车道车辆与异车道车辆两种情况对被检测车辆进行测距检测，当自身车辆和被测车辆之间距离过近时，给出报警提示。

3.根据权利要求1所描述的一种基于YOLOv5改进行人车辆安全距离检测算法，其特征在于：所描述步骤(2)中，采取随机抽样的方式将所采集的车辆行人图像数据按一定的比例划分为独立不重复的验证集和测试集。

4.根据权利要求1所描述的一种基于YOLOv5改进行人车辆安全距离检测算法，其特征在于所描述步骤(3)中用于提取车辆图像信息特征的路径聚合网络(Path AggregationNetworks，PANet)，是一种实例分割框架下的网络，目的在于提高提高基于提议的实例分割框架的信息流。具体而言，通过自上而下的路径增强在较低层使用精确定位信号来增强整个要素层次结构，缩短了较低层和最顶层功能之间的信息路径。PANet主要包括以下四个部分：

(1)FPN(Feature Pyramid Networks):通过融合高低层特征提升目标检测的效果；

(2)自底向上路径扩充(bottom-up path augmentation)：主要考虑网络浅层特征信息对于实例分割的重要性；

(3)自适应池化特征层(Adaptive Feature Pooling)：每个proposal利用金字塔所有层的特征，避免proposal的随意分配；

(4)全连接层(Fully-connected Fusion)：给掩码预测增加信息来源，并在输出检测头加入空洞卷积网络，提供更大的感受野，使得融合输出的分支结果更加精确。

5.根据权利要求1所描述的一种基于YOLOv5改进行人车辆安全距离检测算法，其特征在于所描述步骤(4)中，在训练和测试阶段，加入世界坐标和像素坐标进行测速。利用PANet提取马路上车辆行人图像特征在验证集上构建马路上车辆测速模块，确定测速模块的参数，然后利用测试集来检测识别效果，验证模块性能。