[发明专利]一种基于场景复杂度预分类的自适应目标检测方法

说明书

本发明公开了一种基于场景复杂度预分类的自适应目标检测方法，该方法采用谱聚类方法将交通场景图像分为了简单、中等复杂和复杂三个场景复杂度等级，分类结果具有合理性；基于场景复杂度预分类的自适应目标检测模型利用复杂度预分类CNN网络模型对基本交通场景进行复杂度预判，后端则根据复杂度调整合适规模的目标检测网络模型进行识别，整体上使得所述基于场景复杂度预分类的自适应目标检测模型的目标识别效率得到了提升，能够显著提高规模可变目标检测网络模型在实际运行时的推理计算速度。

技术领域

本发明涉及计算机技术领域，具体涉及一种基于场景复杂度预分类的自适应目标检测方法。

背景技术

由于计算能力与存储能力的提高，人工神经网络得到越来越广泛的应用。通过深度卷积网络进行目标检测已经成为图像识别领域主流的研究方向。在自动驾驶系统中的目标检测主要任务在于快速、准确、稳定地检测车辆当前场景下包括行人、车辆等交通参与者以及道路、交通灯等重要信息。

虽然，卷积神经网络识别准确性已经达到比较高的水平，但其运算速度与可靠性还需要进一步提高，从而更好地满足有限的计算资源与严格的性能要求。

发明内容

本发明公开了一种基于场景复杂度预分类的自适应目标检测方法，该方法是一种用于自动驾驶系统的目标检测方法，该自适应目标检测方法包括如下步骤：

步骤S1：获取场景复杂度数据集(ComplexityDataSet)，所述场景复杂度数据集中每一个场景复杂度数据包括一张交通场景图像及其对应的场景复杂度分类结果；

步骤S2：构建复杂度预分类CNN网络模型，复杂度预分类CNN网络模型包含两个卷积层和一个分类器，采用步骤S1所述场景复杂度数据集(ComplexityDataSet)训练所述复杂度预分类CNN网络模型，得到训练好的复杂度预分类CNN网络模型。将待分类的交通场景图像序列中的交通场景图像按帧依次输入所述训练好的复杂度预分类CNN网络模型，所述训练好的复杂度预分类CNN网络模型输出每一帧交通场景图像分别为简单、中等复杂和复杂三个场景复杂度类型的分类预测概率，选择三个分类预测概率最大者对应的复杂度类型为该帧交通场景图像的场景复杂度分类预测结果；

步骤S3：构建用于目标检测的网络模型，即规模可变目标检测网络模型，所述规模可变目标检测网络模型包含一个用于特征下采样的主干特征提取网络(BackboneSPP)，一个用于各阶段特征图融合的Neck模块，以及最后用于目标预测的Head模块，其中Neck模块由可叠加的三层PAN网络构成，当叠加三层PAN网络时实现复杂图像识别、叠加两层PAN网络时实现中等图像识别、叠加一层PAN网络时实现简单图像识别；

步骤S4：综合S2所述复杂度预分类CNN网络模型与S3所述规模可变目标检测网络模型可构成基于场景复杂度预分类的自适应目标检测模型。具体的集成是由所述训练好的复杂度预分类CNN网络模型的输出信号，即场景复杂度分类预测结果，实现对规模可变目标检测网络模型的PAN网络叠加个数进行控制，从而形成整体上能够根据交通场景图像的不同场景复杂度类型进行自适应调整的目标识别检测网络模型，即所述基于场景复杂度预分类的自适应目标检测模型。从而所述自适应目标检测模型可以通过复杂度预分类CNN网络模型根据交通场景图像的场景复杂度分类预测结果动态地调节规模可变目标检测网络模型的PAN网络大小，从而实现规模可变目标检测网络模型规模自适应。由于简单场景以及中等复杂场景采用相比复杂场景更小的网络进行运算，推理速度相比复杂场景网络更快且性能不变，从而提高了规模可变目标检测网络模型在使用时的运行速度。最终基于场景复杂度预分类的自适应目标检测模型输出每一帧交通场景图像中目标检测框的位置坐标及目标物体标签类别，其中目标物体标签类别包括汽车、货车、卡车、行人、坐着的人、骑行者、电车、杂项以及可忽略目标。