本发明专利技术公开了一种车辆检测模型训练方法和车辆检测方法，该车辆检测模型训练方法包括：获取训练数据集，训练数据集包括预定数量相同尺寸的车辆灰度图，车辆灰度图中包含车辆位置标注信息；将车辆灰度图调整为不同尺寸后提取对应的HOG特征，得到不同尺寸的HOG特征图；将车辆灰度图和不同尺寸的HOG特征图输入预先构建的车辆检测模型中进行迭代训练，对训练后的车辆检测模型进行重参数化得到用于预测的车辆检测模型。本方案能够同时提高车辆检测的实时性和精度，适用于轻量化的车辆监控系统中。统中。统中。
【技术实现步骤摘要】
一种车辆检测模型训练方法和车辆检测方法
[0001]本专利技术涉及目标检测
，具体涉及一种车辆检测模型训练方法和车辆检测方法、计算设备及存储介质。
技术介绍
[0002]车辆检测在智能交通和无人驾驶领域都有重要的意义，而且随着计算机视觉技术在交通领域的广泛应用，智能识别设备也朝着小型化、集成化方向发展，这对车辆检测算法的性能和效率提出了更高的要求。
[0003]现有技术中车辆检测方法包括：直接基于改进的YOLO等深度学习模型对车辆进行检测；使用深度学习模型结合激光雷达和深度相机获取的三维点云数据进行车辆检测；使用额外特征结合图像信息对深度学习模型进行优化后再进行车辆检测。上述方法大多依赖于算力较高的NPU或GPU设备，而单纯使用轻量化神经网络进行车辆检测往往检测效率和准确性较低。
[0004]因此，需要一种车辆检测模型训练方法和车辆检测方法，能够提高在低算力的轻量化设备中车辆检测的准确性和实时性，以解决以上现有技术中存在的问题。
技术实现思路
[0005]鉴于上述问题，为了提高在低算力设备上进行车辆检测的精度，本方案提出了一种车辆检测模型训练方法、车辆检测方法、计算设备及存储介质，通过设计轻量化车辆检测网络，能够在提高网络检测性能的同时降低对设备算力的依赖，可以满足常规卡口、收费站、停车场出入口等场景的车辆检测需求。
[0006]根据本专利技术的第一方面，提供一种车辆检测模型训练方法，首先，获取训练数据集，训练数据集包括预定数量相同尺寸的车辆灰度图，车辆灰度图中包含车辆位置标注信息；然后，将车辆灰度图调整为不同尺寸后提取对应的HOG特征，得到不同尺寸的HOG特征图；随后，将车辆灰度图和不同尺寸的HOG特征图输入预先构建的车辆检测模型中进行迭代训练；最后，对训练后的车辆检测模型进行重参数化得到用于预测的车辆检测模型。
[0007]通过本方案提供的车辆检测模型训练方法，能够将HOG特征图作为先验特征加入模型中进行训练，可以降低参数不足对模型性能造成的影响，能够显著提高模型的检测性能；并且通过对训练后的模型进行压缩，从而降低模型预测时的计算量和参数量，提升模型检测速度。
[0008]可选地，在上述车辆检测模型训练方法中，可以获取不同场景下不同类型的车辆图像，对车辆图像中的车辆位置和类型进行标注；将获取的车辆图像转换为灰度图，并将灰度图调整为相同尺寸；对相同尺寸的灰度图进行高斯滤波，得到预设数量相同尺寸的车辆灰度图。
[0009]可选地，在上述车辆检测模型训练方法中，将相同尺寸的灰度图调整为不同尺寸的灰度图；对不同尺寸的灰度图分别提取HOG特征，得到HOG特征数据；将HOG特征数据进行
特征图可视化，得到不同尺寸的HOG特征图。
[0010]可选地，在上述车辆检测模型训练方法中，预先构建的车辆检测模型包括级联的特征提取网络和预测网络，特征提取网络包括多个由3*3卷积层、1*1卷积层并行组成的分支结构和3*3池化层，分支结构用于对通道合并后的车辆灰度图进行特征提取，池化层用于对特征提取后的特征图进行下采样；预测网络包括由反卷积模块和分别用于输出热力图、中心点偏置和预测框尺寸的三个分支卷积网络，反卷积模块包括3*3卷积层、2*2上采样层和add层，热力图的通道数等于要检测的目标类别数。
[0011]通过构建轻量化的车辆检测网络，能够通过分支结构提高特征提取的准确性，基于无锚点预测网络的损失函数对模型进行训练，不需要提前设定锚点，大大减少了网络参数量和计算量。
[0012]可选地，在上述车辆检测模型训练方法中，将车辆灰度图和下采样后得到的不同尺寸的灰度图分别与对应尺寸的HOG特征图进行通道合并；基于预测网络输出的目标预测类别、中心点偏置和预测框尺寸与真实值之间的误差计算损失函数；当损失函数的损失值小于预设阈值或者迭代次数达到预设迭代周期时训练结束，得到训练后的车辆检测模型。
[0013]可选地，在上述车辆检测模型训练方法中，将每个分支结构中的3*3卷积核和1*1卷积核填充后进行合并，得到用于预测的车辆检测模型。
[0014]通过将分支结构的模型转换为单路模型，可以减少实际部署时模型的计算量，使车辆检测模型在低算力设备上满足实时性的要求。
[0015]根据本专利技术的第二方面，提供了一种车辆检测方法，包括：获取待检测车辆图片；对待检测车辆图片进行预处理，得到预设尺寸的待检测车辆灰度图；将预设尺寸的待检测车辆灰度图调整为不同尺寸后提取对应的HOG特征，得到不同尺寸的待检测HOG特征图；将预设尺寸的待检测车辆灰度图和不同尺寸的待检测HOG特征图输入如上的车辆检测模型训练方法得到的用于预测的车辆检测模型中进行预测和特征解码，得到车辆位置信息和类型。
[0016]可选地，在上述车辆检测方法中，可以将预设尺寸的待检测车辆灰度图依次按比例缩小，得到不同尺寸的金字塔灰度图；计算金字塔灰度图的HOG特征向量，对HOG特征向量进行可视化处理得到金字塔灰度图对应的HOG特征图。
[0017]根据本专利技术的第三方面，提供一种计算设备，包括存储器、处理器以及储存在存储器上并可在处理器上运行的计算机程序，处理器执行如第一方面所述的车辆检测模型训练方法和第二方面中所述的车辆检测方法。
[0018]根据本专利技术的第四方面，提供一种计算机可读存储介质，包括存储有能够被处理器加载并执行如第一方面所述的车辆检测模型训练方法和第二方面中所述的车辆检测方法的计算机程序。
[0019]根据本专利技术的方案，通过将不同尺寸的HOG特征图作为先验特征加入模型中进行训练，可以降低参数不足对模型性能造成的影响，能够显著提高模型的检测性能；并且通过对训练后的模型进行压缩，将多分支结构转换为单路结构，从而降低模型预测时的计算量和参数量，提升模型检测速度，能够适用于轻量化的车辆检测场景。
[0020]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够
更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0021]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了根据本专利技术一个实施例的车辆检测模型训练方法001的流程示意图；图2示出了根据本专利技术一个实施例的预先构建的车辆检测模型的网络结构示意图；图3示出了根据本专利技术一个实施例的车辆检测方法300的流程示意图；图4示出了根据本专利技术一个实施例的用于检测的车辆检测模型的网络结构图；图5示出了根据本专利技术一个实施例的计算设备500的结构图。
具体实施方式
[0022]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车辆检测模型训练方法，适于在计算设备中执行，其特征在于，包括：获取训练数据集，所述训练数据集包括预定数量相同尺寸的车辆灰度图，所述车辆灰度图中包含车辆位置标注信息；将所述车辆灰度图调整为不同尺寸后提取对应的HOG特征，得到不同尺寸的HOG特征图；将所述车辆灰度图和不同尺寸的HOG特征图输入预先构建的车辆检测模型中进行迭代训练；以及对训练后的车辆检测模型进行重参数化得到用于预测的车辆检测模型。2.根据权利要求1所述的车辆检测模型训练方法，其特征在于，所述获取训练数据集，所述训练数据集包括预定数量相同尺寸的车辆灰度图，所述车辆灰度图中包含车辆位置标注信息的步骤包括：获取不同场景下不同类型的车辆图像，对车辆图像中的车辆位置和类型进行标注；将获取的车辆图像转换为灰度图，并将灰度图调整为相同尺寸；对相同尺寸的灰度图进行高斯滤波，得到预设数量相同尺寸的车辆灰度图。3.根据权利要求1所述的车辆检测模型训练方法，其特征在于，所述将所述车辆灰度图调整为不同尺寸后提取对应的HOG特征，得到不同尺寸的HOG特征图的步骤包括：将相同尺寸的灰度图调整为不同尺寸的灰度图；对不同尺寸的灰度图分别提取HOG特征，得到HOG特征数据；将所述HOG特征数据进行特征图可视化，得到不同尺寸的HOG特征图。4.根据权利要求1所述的车辆检测模型训练方法，其特征在于，所述预先构建的车辆检测模型包括级联的特征提取网络和预测网络，所述特征提取网络包括多个由3*3卷积层、1*1卷积层并行组成的分支结构和3*3池化层，所述分支结构用于对通道合并后的车辆灰度图进行特征提取，所述池化层用于对特征提取后的特征图进行下采样；所述预测网络包括由反卷积模块和分别用于输出热力图、中心点偏置和预测框尺寸的三个分支卷积网络，所述反卷积模块包括3*3卷积层、2*2上采样层和add层。5.根据权利要求4所述的车辆检测模型训练方法，其特征在于，所述将所述车辆灰度图和不同尺寸的HOG特征图输入预先构建的车辆检测模型中进行迭代训练的步骤包括：将车辆灰度图和下采样后得到的不同尺寸的灰度图分别与对应尺寸的HOG...
【专利技术属性】
技术研发人员：胡中华，陈炫憧，覃浩蓝，
申请(专利权)人：北京信路威科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。