一种基于注意力和双向加权特征融合的车辆目标检测方法技术

本发明专利技术公开了一种基于注意力和双向加权特征融合的车辆目标检测方法，应用于交通技术领域，其中包括：选取UA

【技术实现步骤摘要】
一种基于注意力和双向加权特征融合的车辆目标检测方法


[0001]本专利技术涉及交通
，更具体的说是涉及一种基于注意力和双向加权特征融合的车辆目标检测方法。

技术介绍

[0002]近年来，随着市场需求以及人工智能技术的不断发展，智能交通技术成为交通领域中不可或缺的一个重要组成部分，车辆目标检测技术作为智能交通领域的一个重要步骤，也是广大学者研究的主要问题之一。基于深度学习的车辆目标检测任务中，主要分为基于候选框的算法和基于回归的算法，基于候选区域的算法由于受限于候选框的人为设置和候选框的数量繁多，运行速率较慢，而基于回归的算法舍去了候选框的计算，提高了检测效率。
[0003]CenterNet算法作为基于回归算法的代表之一，通过对于车辆中心的回归方式，可以有效地检测到目标车辆，但是它对于特种车辆的检测和较中大目标和被遮挡或者截断检测的精确率、漏检率和定位准确度仍与理想水平有一定差异。
[0004]因此，提出一种基于注意力和双向加权特征融合的车辆目标检测方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于注意力和双向加权特征融合的车辆目标检测方法，通过引入带注意力机制的特征融合模式，解决较中大目标，被遮挡或截断目标的检测精度低的问题。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于注意力和双向加权特征融合的车辆目标检测方法，包括以下步骤：
[0008]S1、选取UA
‑
DETRACK数据集，并对数据集进行预处理，得到预处理后的数据集；
[0009]S2、对预处理后的数据集进行数据增强处理，并将处理后的数据集作为训练样本；
[0010]S3、对车辆进行目标编码，然后进行网络的搭建；
[0011]S4、对训练样本进行特征提取，然后对提取的特征进行特征融合；
[0012]S5、对搭建好的网络进行训练，得到目标检测模型；
[0013]S6、对目标检测模型进行测试，并输出结果。
[0014]上述的方法，可选的，S1中的选取数据集的具体步骤如下：
[0015]选取UA
‑
DETRACK数据集，将每帧图片的标注信息从xml格式中提取出来，并切分成训练集和测试集；通过编写python脚本将目标框位置信息进行规范化处理，并转换成TXT格式作为车辆数据集的标签。
[0016]上述的方法，可选的，S1中对数据集进行预处理的具体方法如下：
[0017]对路边停靠的密集且静止不动的车辆，以及极远处目标太小且过于模糊的车辆的目标框里的像素进行高斯模糊。
[0018]上述的方法，可选的，S2中对数据进行增强的方式如下：
[0019]对图像进行随机切分；对图像进行随机角度的翻转。
[0020]上述的方法。可选的，S3中，在数据编码模块，改变原来的一级编码模式对数据集中的目标进行两级编码。
[0021]上述的方法，可选的，S4中的特征融合采用双向加权特征融合模块和注意力模块融合的模式，将S1中自底向上通道得到的特征图通过注意力机制模块找到输入数据中与当前输出相关的有用信息，注意力机制模块包含一个ChannelAttention和一个SpatialAttention，然后将注意力机制模块的特征图进行相加融合得到最终用于目标检测模型的特征。
[0022]上述的方法，可选的，S5中CNN网络包括ResNet主干网络，双向特征融合模块和注意力机制模块的neck，中心点预测模块，分类模块，offset模块，以及scale模块。
[0023]上述的方法，可选的，对于中心点预测模块，将网络得到的featuremap和编码得到的featuremap进行比较得到损失函数值，损失函数采用Focal Loss；
[0024]对于目标宽高模块和中心点偏移模块，将网络得到的featuremap和编码得到的featuremap进行比较得到损失函数值，损失函数采用DIOULoss；
[0025]对于车辆类别判别模块，将网络得到的featuremap和编码得到的feature map进行比较得到损失函数值，损失函数采用CrossEntropyLoss。
[0026]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于注意力和双向加权特征融合的车辆目标检测方法，具有以下有益效果：
[0027](1)一种基于注意力和双向加权特征融合的车辆目标检测方法，在复杂背景下的道路车辆目标检测任务中，拥有较高的精度；
[0028](2)一种基于注意力和双向加权特征融合的车辆目标检测方法，通过融合不同感受野下的特征图的时空信息，提高检测的召回率；
[0029](3)一种基于注意力和双向加权特征融合的车辆目标检测方法，通过改进目标的编码方式，将检测和分类分开进行，让网络学习更多的车辆的显著的共通性特征，提高特种车辆检测的精确度。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的实施例，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，还可以根据提供的附图获得其他的附图。
[0031]图1为本专利技术提供的一种基于注意力和双向加权特征融合的车辆目标检测的方法流程图；
[0032]图2为本专利技术提供的一种目标检测算法的系统结构图；
[0033]图3为本专利技术提供的双向加权特征融合结构图；
[0034]图4为本专利技术提供的通道注意力机制图；
[0035]图5为本专利技术提供空间注意力机制图；
[0036]图6为本专利技术提供的检测头整体结构图；
[0037]图7为本专利技术提供的模糊不感兴趣区域图；
[0038]图8为本专利技术提供的Heatmap示意图；
[0039]图9为本专利技术提供的下采样回归误差示意图；
[0040]图10为本专利技术提供的类别编码示意图；
[0041]图11为本专利技术提供主干网络图。
具体实施方式
[0042]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]参照图1所示，本专利技术公开了一种基于注意力和双向加权特征融合的车辆目标检测方法，包括以下步骤：
[0044]S1、选取UA
‑
DETRACK数据集，将数据集切分成训练集和测试集，并对数据集进行预处理；
[0045]S2、对数据进行增强，并将处理后的图像作为训练样本；
[0046]S3、对车辆进行目标编码，然后进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，包括以下步骤：S1、选取UA
‑
DETRACK数据集，并对数据集进行预处理，得到预处理后的数据集；S2、对预处理后的数据集进行数据增强处理，并将处理后的数据集作为训练样本；S3、对车辆进行目标编码，然后进行网络的搭建；S4、对训练样本进行特征提取，然后对提取的特征进行特征融合；S5、对搭建好的网络进行训练，得到目标检测模型；S6、对目标检测模型进行测试，并输出结果。2.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S1中的选取数据集的具体步骤如下：选取UA
‑
DETRACK数据集，将每帧图片的标注信息从xml格式中提取出来，并切分成训练集和测试集；通过编写python脚本将目标框位置信息进行规范化处理，并转换成TXT格式作为车辆数据集的标签。3.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S1中对数据集进行预处理的具体方法如下：对路边停靠的密集且静止不动的车辆，以及极远处目标太小且过于模糊的车辆的目标框里的像素进行高斯模糊。4.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S2中对数据进行增强的方式如下：对图像进行随机切分；对图像进行随机角度的翻转。5.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S3中，在...

【专利技术属性】
技术研发人员：邢雪，王彬，王菲，穆天傲，唐磊，王兵，
申请(专利权)人：吉林化工学院，
类型：发明
国别省市：