一种交通车辆目标检测方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种交通车辆目标检测方法、装置、设备及可读存储介质，通过对对预处理后的交通图像进行车辆标注，本发明专利技术通过将车辆标注后的交通图像进行维度聚类,设置阈值进行聚类anchor box,并且将一个相对远的点选择为下一个初始聚类中心，提高聚类精度；基于特征提取主干网络在浅层部分添加网络层进行浅层特征提取，提高对细节特征处理能力，在保持较高的检测精度的前提下，采用CSPDarknet26进行多层残差网络进行特征提取，能避免卷积层冗余、提高内存利用率、提高训练速度，然后经过多层残差网络进行特征提取后进行多尺度检测，提取丰富的细节信息，CRB能够避免小目标检测效果退化问题，提高了算法在强雨密度交通环境下车辆单类目标检测的适用性与准确性。

【技术实现步骤摘要】
一种交通车辆目标检测方法、装置、设备及可读存储介质
本专利技术属于交通车辆检测
，具体涉及一种交通车辆目标检测方法、装置、设备及可读存储介质。
技术介绍
近年来，汽车行业发展迅速，汽车已经成为了人们不可或缺的代步工具。随着全球机动车数量日益增加，交通拥堵与交通事故越来越严重，这不仅给国家带来了环境污染，还给家庭带来了损失。基于计算机视觉的车辆检测技术的发展，可以使相关的交通部门实时掌握交通流，从而制定相关的交通指导政策来缓解交通问题。车辆检测算法主要分为传统的检测算法和基于深度学习的检测算法。传统的车辆检测算法首先选择感兴趣区域并通过滑动窗口提取候选区域，其次对候选区域手动提取特征，最后使用分类器进行分类识别。例如，一些学者采用经典的哈尔特征，通过滑动窗口搜索策略进行检测，有效地降低了误报率；为得到细粒度特征，部分学者通过梯度方向直方图(HistogramofOrientedGradient，HOG)提取特征。此外，有学者将HOG与支持向量机(SupportVectorMachine，SVM)结合，提出可变性部件模型(DeformablePartModel，DPM)。然而，提取的图像特征本质是一种手工提取特征，使得目标检测具有效率低，精度低，泛化性差，流程复杂等缺点。随着深度学习技术在目标检测领域迅速发展，研究者开始用深度学习技术替代繁琐、精度低的传统技术探讨目标检测问题。根据对实时性和准确性的重视程度不同，深度学习目标检测算法主要分为两类，一类是以R-CNN(Region-ConvolutionalNeuralNetworks)为代表的两级目标检测器，即两阶段(two-stage)检测模型，也称为基于区域的检测方法，主要包括R-CNN、FastR-CNN、FasterR-CNN、R-FCN(FullyConvolutionalNetworks)等。两阶段方法的检测精度虽然很高，但耗时过长，难以达到实时检测的效果。为了平衡检测速度与精度，单阶段(one-stage)检测模型被提出。单阶段检测方法也称为基于回归的方法，无需区域检测过程，直接从图像中获得预测结果，实现了端到端的目标检测。主要包括YOLO(YouOnlyLookOnce)、SSD(SingleShotDetector)、YOLOv2、YOLOv3、YOLOv4等系列方法。YOLOv4目标检测算法最大程度实现了精度与速度的平衡。但是针对单一类别目标检测问题，原始网络显得卷积层冗余，造成内存利用率低，并且当检测与背景颜色相近的小目标时，检测效果较差。
技术实现思路
本专利技术目的在于提供一种交通车辆目标检测方法、装置、设备及可读存储介质，以克服现有技术的不足。为达到上述目的，本专利技术采用如下技术方案：一种交通车辆目标检测方法，包括以下步骤：S1，对交通图像进行预处理得到不同场景的交通图像；S2，对预处理后的交通图像进行车辆标注，将标注后的交通图像进行维度聚类，设置阈值进行聚类AnchorBox，并且将一个相对远的点选择为下一个初始聚类中心；S3，基于CSPDarknet26特征提取主干网络在浅层部分添加网络层进行浅层特征提取，深层网络部分采用多层残差网络进行特征提取；S4，经过多层残差网络进行特征提取后进行多尺度检测，实现交通图像中不同交通车辆目标的检测。进一步的，交通数据集图片来自于网络爬虫和现场拍摄，将交通车辆数据集分为训练、测试集和验证集；将交通车辆数据集依次进行图像反转、对称处理实现扩充数据集。进一步的，采用IOU作为目标聚类分析，使用IOU作为空间距离计算，聚类公式为：Di(xj)＝1-IOU(xj,ci)(1)xj∈X＝{x1,x2,...,cn}表示groundtruth样本；ci∈{c1,c2,...,cn}代表聚类中心；K表示锚盒子数量，聚类目标函数代表每个样本到聚类中心的距离之和的最小值，计算公式如下所示：进一步的，采用轮廓系数方法分析聚类目标去选择最优的聚类数K，K取9，并且高度和宽度分别是(13，11)，(23，17)，(31，28)，(41，20)，(51，33)，(63，51)，(102，61)，(166，116)，(388，244)。进一步的，第一个卷积层采用32个大小为3×3的卷积核过滤416×416分辨率的输入图像，然后将先前的卷积层的输出作为下一个卷积层的输入，使用64个大小为3×3像素的卷积核以步长为2的像素进行卷积操作，实现2倍下采样，得到208×208分辨率的特征图；之后在网络中添加执行5组2×Resblock_body，再经过4次下采样后，分别获得104×104，52×52，26×26，13×13大小的特征图。进一步的，将输入图像大小调整为416×416，经过5次下采样得到52×52，26×26，13×13三个不同尺度的特征图进行多尺度检测。进一步的，采用Labeling软件将所有的汽车标注为Car。一种交通车辆目标检测装置，包括：预处理模块，用于对交通图像进行预处理得到不同场景的交通图像，同时对预处理后的交通图像进行车辆标注；聚类模块，用于将车辆标注后的交通图像进行维度聚类，设置阈值进行聚类AnchorBox，并且将一个相对远的点选择为下一个初始聚类中心；特征提取模块检测模块，用于在浅层部分添加网络层进行浅层特征提取，基于深层网络采用多层残差网络进行特征提取，经过多层残差网络进行特征提取后进行多尺度检测，实现交通图像中不同交通车辆目标的检测。一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种交通车辆目标检测方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种交通车辆目标检测方法的步骤。与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术一种交通车辆目标检测方法，通过对交通车辆图像进行预处理得到不同场景的车辆图像；然后对预处理后的交通车辆图像进行车辆标注，本专利技术通过将车辆标注后的交通车辆图像进行维度聚类，设置阈值进行聚类AnchorBox，并且将一个相对远的点选择为下一个初始聚类中心，提高聚类精度；基于CSPDarknet26特征提取主干网络在浅层部分添加网络层进行浅层特征提取，提高对细节特征处理能力，在保持较高的检测精度的前提下，采用CSPDarknet26进行多层残差网络进行特征提取，能避免卷积层冗余、提高内存利用率、提高训练速度，然后经过多层残差网络进行特征提取后进行多尺度检测，提取丰富的细节信息，避免小目标检测效果退化问题，提高了算法在强雨密度交通环境下车辆单类目标检测的适用性与准确性。进一步的，采用IOU作为空间距离，能够实现车辆分布疏松环境下的目标检测需求。进一步的，经过复合残差块处理，送入检测大尺度的卷积层实现大目标的检测，多尺度检测较好的平衡了不同尺度车本文档来自技高网...

【技术保护点】
1.一种交通车辆目标检测方法，其特征在于，包括以下步骤：/nS1，对交通图像进行预处理得到不同场景的交通图像；/nS2，对预处理后不同场景的交通图像进行车辆标注，将标注后的交通图像进行维度聚类，设置阈值进行聚类Anchor Box，并且将一个相对远的点选择为下一个初始聚类中心；/nS3，基于特征提取主干网络，在浅层部分添加网络层对维度聚类后的交通图像进行浅层特征提取，深层部分采用多层残差网络进行特征提取；/nS4，经过多层残差网络进行特征提取后进行多尺度检测，实现交通图像中不同交通场景的车辆目标的检测。/n

【技术特征摘要】
1.一种交通车辆目标检测方法，其特征在于，包括以下步骤：
S1，对交通图像进行预处理得到不同场景的交通图像；
S2，对预处理后不同场景的交通图像进行车辆标注，将标注后的交通图像进行维度聚类，设置阈值进行聚类AnchorBox，并且将一个相对远的点选择为下一个初始聚类中心；
S3，基于特征提取主干网络，在浅层部分添加网络层对维度聚类后的交通图像进行浅层特征提取，深层部分采用多层残差网络进行特征提取；
S4，经过多层残差网络进行特征提取后进行多尺度检测，实现交通图像中不同交通场景的车辆目标的检测。


2.根据权利要求1所述的一种交通车辆目标检测方法，其特征在于，交通图像通过网络爬虫和现场拍摄获取，将交通图像集分为训练、测试集和验证集；将交通车辆数据集依次进行图像反转、对称处理实现扩充数据集。


3.根据权利要求1所述的一种交通车辆目标检测方法，其特征在于，采用IOU作为目标聚类分析，使用IOU作为空间距离计算，聚类公式为：
Di(xj)＝1-IOU(xj,ci)(1)
xj∈X＝{x1,x2,...,cn}表示GroundTruth样本；ci∈{c1,c2,...,cn}代表聚类中心；K表示锚点框数量，聚类目标函数代表每个样本到聚类中心的距离之和的最小值，计算公式如下所示：





4.根据权利要求3所述的一种交通车辆目标检测方法，其特征在于，采用轮廓系数方法分析聚类目标去选择最优的聚类数K，K取9，并且高度和宽度分别是(13，11)，(23，17)，(31，28)，(41，20)，(51，33)，(63，51)，(102，61)，(166，116)，(388，244)。


5.根据权利要求1所述的一种交通车辆目标检测方法，其特征在于，第一个卷积层采用3...

【专利技术属性】
技术研发人员：陈婷，姚大春，高涛，王松涛，刘占文，李永会，陈友静，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61