【技术实现步骤摘要】
一种基于检测头与目标尺度匹配的交通目标检测方法
[0001]本专利技术涉及计算机视觉
,尤其涉及一种基于检测头与目标尺度匹配的交通目标检测方法。
技术介绍
[0002]随着汽车电子化、智能化的发展,智能驾驶已经成为未来汽车发展的主流趋势之一。目标检测作为智能驾驶系统的重要组成部分,是安全驾驶的重要保障。
[0003]由于交通场景是复杂多变的,既有大量的小尺度目标,也存在大量的中等尺度和大尺度目标,这给目标检测带来了巨大挑战。为了提高检测准确度,利用多个检测头来表征多尺度特征是常用的方法。而现有的模型大多采用固定的检测头配置范式或根据大量的试验计算来配置检测头,这会消耗大量的时间和计算资源。此外,为了平衡模型的检测准确度和计算速度,输入合适的图像分辨率是必要且常用的方法。这导致采用固定的检测头配置范式会因输入分辨率的变化而出现检测性能下降的情况。
技术实现思路
[0004]针对现有技术中所存在的不足,本专利技术提供了一种基于检测头与目标尺度匹配的交通目标检测方法,其能够根据检测头与目标尺度之间的匹配度来方便合理的配置检测头,获得不同输入分辨率下的优异的检测性能。
[0005]本专利技术的上述技术目的是通过以下技术方案得以实现的:
[0006]一种基于检测头与目标尺度匹配的交通目标检测方法,包括以下步骤:
[0007]S1,在YOLOv5
‑
S模型backbone的第一个下采样层中设置3
×
3卷积核,构建轻量的目标检测基线; >[0008]S2,根据给定的图像输入分辨率,利用检测头与目标尺度匹配策略自动生成和目标匹配的多个检测头H
i
,所述检测头H
i
用于替换S1中基线的检测头;
[0009]S3,根据S2中给定的图像输入分辨率以及产生的多个检测头H
i
,利用跳尺度检测头配置准则产生2个跳尺度检测头,所述跳尺度检测头用于替换S2中的多个检测头H
i
;
[0010]S4,通过空洞卷积模块和S1中的基线backbone的浅层结合,以及将S3中生成的2个跳尺度检测头最终替换掉基线的检测头,构建了一个轻量的交通目标检测模型;
[0011]S5,将训练集的图片缩放到给定的图像输入分辨率后,输入到S4中构建的交通目标检测模型中,采用和YOLOv5
‑
S模型一致的超参数和数据预处理方法来训练模型来提升检测性能。
[0012]本专利技术进一步设置为:S2中,根据不同的图像输入分辨率自动生成和目标匹配的检测头H
i
,用公式(1)计算输入分辨率为w
in
×
w
in
像素时的第i个检测头对应的尺度范围SR,如下:
[0013][0014]式中,w
o
和h
o
分别表示原始交通图像的宽和高,w
in
表示输入图像的宽,表示向右取整;
[0015]用公式(2)计算输入分辨率为w
in
×
w
in
像素时,目标尺度与每个检测头之间的匹配度MD,如下:
[0016][0017]式中,S
gt
表示训练集中标注的目标边界框的面积,N(
·
)表示和第i个检测头匹配的目标的数量,即训练集中标注的目标边界框的面积在SR
i
范围内的目标的数量,N
t
表示训练集中所有标注的目标的数量;
[0018]根据设计的算法Algorithm 1,输入公式(2)中得到的匹配度MD,并设置匹配阈值thr,此时算法会自动产生在图像输入分辨率为w
in
×
w
in
像素时,和大量目标匹配的检测头H
i
;算法Algorithm 1为:
[0019][0020]本专利技术进一步设置为:在S3中,首先将S2中生成的多个检测头H
i
对应的下角标进行由小到大排序,然后先选择下角标最小的检测头H
i
作为第一个跳尺度检测头;并利用跳尺度规则,选择出第二个跳尺度检测头。
[0021]本专利技术进一步设置为:当S2中生成的多个检测头H
i
的对应下角标进行由小到大排序为1234时,选择下角标最小的检测头H1作为第一个跳尺度检测头;并利用跳尺度规则,选择第二个跳尺度检测头,即H3。
[0022]本专利技术的有益效果为:本专利技术采用基于检测头与目标尺度之间的匹配度来配置检测头,该方法可以根据输入分辨率方便合理地配置多个检测头来取得相比于其他检测头配置更高的检测准确度,也可以利用两个跳尺度检测头代替多个检测头,从而显著降低模型参数,提高检测速度并保持高的检测准确度。
附图说明
[0023]图1为本专利技术实施例的目标尺度与检测头之间的匹配度示意图;
[0024]图2为本专利技术实施例提供的轻量化的目标检测模型MHS
‑
Net结构图;
[0025]图3为本专利技术实施例的检测效果图。
具体实施方式
[0026]下面结合附图及实施例对本专利技术中的技术方案进一步说明。
[0027]本专利技术的实现过程包括以下步骤:
[0028]S1.为了方便应用于计算资源有限的车载平台,用3
×
3卷积核代替YOLOv5
‑
S模型backbone的第一个下采样层中的6
×
6卷积核,构建一个轻量的目标检测基线来探究检测头配置对检测性能的影响。
[0029]S2.根据不同的输入分辨率(以416
×
416,800
×
800,1408
×
1408像素为例)自动生成和目标匹配的检测头,从而得到比其他检测头配置更高的检测准确度。用公式(1)计算输入分辨率分别为416
×
416,800
×
800,1408
×
1408像素时的第i个检测头对应的尺度范围(SR),如下:
[0030][0031]式中,w
o
和h
o
分别表示原始交通图像的宽和高。w
in
表示输入图像的宽。表示向右取整。
[0032]用公式(2)计算输入分辨率分别为416
×
416,800
×
800,1408
×
1408像素时,目标尺度与每个检测头之间的匹配度(MD),如图1所示。
[0033][0034]式中,S
gt
表示训练集中标注的目标边界框的面积。N(
·
)表示和第i个检测头匹配的目标的数量,即训练集中标注的目标边界框的面积在SR
i
范围内的目标的数量。N
t
表示训练集中所有标注的目标的数量。
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于检测头与目标尺度匹配的交通目标检测方法,其特征在于:包括以下步骤:S1,在YOLOv5
‑
S模型backbone的第一个下采样层中设置3
×
3卷积核,构建轻量的目标检测基线;S2,根据给定的图像输入分辨率,利用检测头与目标尺度匹配策略自动生成和目标匹配的多个检测头H
i
,所述检测头H
i
用于替换S1中基线的检测头;S3,根据S2中给定的图像输入分辨率以及产生的多个检测头H
i
,利用跳尺度检测头配置准则产生2个跳尺度检测头,所述跳尺度检测头用于替换S2中的多个检测头H
i
;S4,通过空洞卷积模块和S1中的基线backbone的浅层结合,以及将S3中生成的2个跳尺度检测头最终替换掉基线的检测头,构建了一个轻量的交通目标检测模型;S5,将训练集的图片缩放到给定的图像输入分辨率后,输入到S4中构建的交通目标检测模型中,采用和YOLOv5
‑
S模型一致的超参数和数据预处理方法来训练模型来提升检测性能。2.如权利要求1所述的一种基于检测头与目标尺度匹配的交通目标检测方法,其特征在于:S2中,根据不同的图像输入分辨率自动生成和目标匹配的检测头H
i
,用公式(1)计算输入分辨率为w
in
×
w
in
像素时的第i个检测头对应的尺度范围SR,如下:式中,w
o
和h
o
分别表示原始交通图像的宽和高,w
...
【专利技术属性】
技术研发人员:石一,颜红梅,
申请(专利权)人:电子科技大学长三角研究院湖州,
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。