车辆检测方法、图像处理装置以及计算机可读存储介质制造方法及图纸

本申请公开了一种车辆检测方法、图像处理装置以及计算机可读存储介质，该车辆检测方法包括：采用第一特征提取子网络对待测图像进行第一次特征提取，得到多个第一特征图；利用特征金字塔网络对多个第一特征图进行处理，得到多个第二特征图；采用第二特征提取子网络对待测图像进行第二次特征提取，并根据第二特征提取子网络各阶段输出的特征图得到多个第三特征图，其中，第二特征提取子网络至少部分阶段输入的特征图为将前一阶段输出的特征图和对应的第二特征图进行融合处理得到的；利用特征金字塔网络对多个第三特征图进行处理，得到多个第四特征图；对多个第四特征图进行预测处理，得到预测结果。本申请的检测方法能够提高检测结果的准确率。

【技术实现步骤摘要】
车辆检测方法、图像处理装置以及计算机可读存储介质
本申请涉及图像处理
，特别是涉及一种车辆检测方法、图像处理装置以及计算机可读存储介质。
技术介绍
在智慧交通场景下，交通卡口下的车辆位置检测以及车辆类别的识别十分重要，而本申请的专利技术人发现，现有技术中车辆位置检测以及车辆类别的准确率有待提高。
技术实现思路
本申请主要解决的技术问题是提供一种车辆检测方法、图像处理装置以及计算机可读存储介质，能够提高检测结果的准确率。为解决上述技术问题，本申请采用的一个技术方案是：提供一种车辆检测方法，所述方法包括：获取待测图像；采用第一特征提取子网络对所述待测图像进行第一次多阶段的特征提取，得到多个不同维度的第一特征图；利用特征金字塔网络FPN对所述多个不同维度的第一特征图进行处理，得到多个不同维度的第二特征图；采用第二特征提取子网络对所述待测图像进行第二次多阶段的特征提取，并根据所述第二特征提取子网络各阶段输出的特征图得到多个不同维度的第三特征图，其中，所述第二特征提取子网络在进行特征提取时，其至少部分阶段输入的特征图为将前一阶段输出的特征图和对应的所述第二特征图进行融合处理而得到的；利用特征金字塔网络FPN对所述多个不同维度的第三特征图进行处理，得到多个不同维度的第四特征图；对所述多个不同维度的第四特征图进行预测处理，得到所述待测图像中车辆的预测结果。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种图像处理装置，包括处理器、存储器以及通信电路，所述处理器分别耦接所述存储器以及所述通信电路，所述处理器在工作时控制自身以及所述存储器、所述通信电路以实现上述方法中的步骤。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序能够被处理器执行以实现上述方法中的步骤。本申请的有益效果是：本申请在对待测图像进行特征提取时，能够经过多次低维空间特征和高维语义特征的融合，因此对最终得到的第四特征图进行预测，能够保证预测结果的准确率。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：图1是本申请车辆检测方法一实施方式的流程示意图；图2是本申请车辆检测模型一应用场景中的框架示意图；图3是进行卷积操作时的示意图；图4是采用GhostNet网络进行操作时的示意图；图5是本申请图像处理装置一实施方式的结构示意图；图6是本申请图像处理装置另一实施方式的结构示意图；图7是本申请计算机存储介质一实施方式的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。参阅图1，图1是本申请车辆检测方法一实施方式的流程示意图，该方法包括：S110：获取待测图像。具体地，待测图像中包括待检测车辆，且待检测车辆的数量可以是一个，也可以是多个。在一应用场景中，当获取的是视频时，将视频解码成多个待测图像，而后针对多个待测图像分别执行后续步骤。其中在对视频进行解码时，可以利用硬解码的方式对视频流中的I帧、P帧、B帧的编码信息进行解码，从而得到多个待测图像。S120：采用第一特征提取子网络对待测图像进行第一次多阶段的特征提取，得到多个不同维度的第一特征图。具体地，不同维度的第一特征图可以包含不同层次的特征信息，例如，低维度的第一特征图能够包含待测车辆的空间特征信息，而随着维度的提高，第一特征图分辨率随之减小，而第一特征图通道数随之增大，从而第一特征图能够包含更加抽象的语义特征信息。在一应用场景中，为了提高车辆检测的效率，预先训练一车辆检测模型，且该车辆检测模型包括第一特征提取子网络。在一应用场景中，第一特征提取子网络为残差网络(res-net)，如图2所示，该第一特征提取子网络依次包括第一卷积层、第一残差单元、第二残差单元、第三残差单元以及第四残差单元。在一具体实例中，输入第一特征提取子网络，具体为输入第一卷积层的图像尺寸为3*224*224，同时在经过第一卷积层的第一次特征提取后，得到尺寸为64*112*112的第一特征图，而后第一残差单元对尺寸为64*112*112的第一特征图进行第二次特征提取，得到尺寸为256*56*56的第一特征图，而后第二残差单元对尺寸为256*56*56的第一特征图进行第三次特征提取，得到尺寸为512*28*28的第一特征图，而后第三残差单元对尺寸为512*28*28的第一特征图进行第四次特征提取，得到尺寸为1024*14*14的第一特征图，最后第四残差单元对尺寸为1024*14*14的第一特征图进行第五次特征提取，得到尺寸为2048*7*7的第一特征图，上述第一特征图中，112*112、56*56、28*28、14*14以及7*7分别表示第一特征图的分辨率，而位于分辨率之前的数值分别表示第一特征图的通道数，故特征图的维度可以采用特征图的分辨率和通道数进行衡量，且维度越高，分辨率越小，通道数越大，特征图所表示的特征信息越抽象。在其他应用场景中，第一特征提取子网络中残差单元的数量可以不止4个，例如还包括第五残差单元、第六残差单元等等。同时在他应用场景中，第一特征提取子网络还可以是深层聚集提取网络(DeepLayerAggregation，DLA)、稠密网络(dense-net)等等，在此不做限定。S130：利用特征金字塔网络FPN对多个不同维度的第一特征图进行处理，得到多个不同维度的第二特征图。具体地，以第一特征提取子网络为图2中的残差网络为例，下面介绍特征金字塔网络FPN对多个不同维度的第一特征图进行处理的过程。首先为了方便说明，将第一卷积层输出的第一特征图记为P1，将第一残差单元输出的第一特征图记为P2，将第二残差单元输出的第一特征图记为P3，将第三残差单元输出的第一特征图记为P4以及将第四残差单元输出的第一特征图记为P5。在得到多个不同维度的第一特征图后，利用特征金字塔网络FPN进行如下处理：将第一特征图P5进行1*1卷积，得到一第二特征图，记为FP5，然后将第二特征图FP5经过上采样(例如2倍上采样)后的特征图与第一特征图P4经过1*1卷积后的特征图进行融合处理，得到另一第二特征图，记为FP4，然后将第二特征图FP4经过上采样后的特征图与第一特征图P3经过1*1卷积后的特征图进行融合处理，得到又一第二特征图，记为FP3，最后将第二特征图FP3经过上采样后的特征图与第一特征图P2经过1*1卷积后的特征图进行融合处理，得到再一第二本文档来自技高网...

【技术保护点】
1.一种车辆检测方法，其特征在于，所述方法包括：/n获取待测图像；/n采用第一特征提取子网络对所述待测图像进行第一次多阶段的特征提取，得到多个不同维度的第一特征图；/n利用特征金字塔网络FPN对所述多个不同维度的第一特征图进行处理，得到多个不同维度的第二特征图；/n采用第二特征提取子网络对所述待测图像进行第二次多阶段的特征提取，并根据所述第二特征提取子网络各阶段输出的特征图得到多个不同维度的第三特征图，其中，所述第二特征提取子网络在进行特征提取时，其至少部分阶段输入的特征图为将前一阶段输出的特征图和对应的所述第二特征图进行融合处理而得到的；/n利用特征金字塔网络FPN对所述多个不同维度的第三特征图进行处理，得到多个不同维度的第四特征图；/n对所述多个不同维度的第四特征图进行预测处理，得到所述待测图像中车辆的预测结果。/n

【技术特征摘要】
1.一种车辆检测方法，其特征在于，所述方法包括：
获取待测图像；
采用第一特征提取子网络对所述待测图像进行第一次多阶段的特征提取，得到多个不同维度的第一特征图；
利用特征金字塔网络FPN对所述多个不同维度的第一特征图进行处理，得到多个不同维度的第二特征图；
采用第二特征提取子网络对所述待测图像进行第二次多阶段的特征提取，并根据所述第二特征提取子网络各阶段输出的特征图得到多个不同维度的第三特征图，其中，所述第二特征提取子网络在进行特征提取时，其至少部分阶段输入的特征图为将前一阶段输出的特征图和对应的所述第二特征图进行融合处理而得到的；
利用特征金字塔网络FPN对所述多个不同维度的第三特征图进行处理，得到多个不同维度的第四特征图；
对所述多个不同维度的第四特征图进行预测处理，得到所述待测图像中车辆的预测结果。


2.根据权利要求1所述的方法，其特征在于，所述第一特征提取子网络与所述第二特征提取子网络均为残差网络。


3.根据权利要求2所述的方法，其特征在于，所述第一特征提取子网络以及所述第二特征提取子网络结构相同，且均依次包括第一卷积层、第一残差单元、第二残差单元、第三残差单元以及第四残差单元。


4.根据权利要求3所述的方法，其特征在于，所述第一残差单元、所述第二残差单元、第三残差单元以及第四残差单元均包括第二卷积层，其中，所述第二卷积层采用GhostNet网络对接收到的特征图进行处理。


5.根据权利要求3所述的方法，其特征在于，所述第一残差单元、所述第二残差单元、所述第三残差单元以及所述第四残差单元还包括与所述第二卷积层连接的批标准化层以及与所述批标准化层连接的激活层，其中，所述批标准化层对所述第二卷积层输出的特征图进行标准化处理，所述激活层采用Mish激活函数对所述批标准化层输出的特征图进行处理。


6.根据权利要求3所述的方法，其...

【专利技术属性】
技术研发人员：谢兵兵，潘武，黄鹏，张小锋，林封笑，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33