【技术实现步骤摘要】
本专利技术涉及一种智能驾驶视觉导航方法，具体的说是一种基于红外目标检测的智能驾驶视觉导航方法。
技术介绍
1、智能驾驶是一种通过人工智能来辅助或替代人进行汽车驾驶的技术，其能够突破人工驾驶对周围环境感知范围以及人体反应速度的限制，为驾驶带来更大的便捷性和安全性。视觉导航是利用计算机视觉技术感知车辆周围环境，并将其作为智能驾驶决策依据的导航技术。
2、随着计算机视觉技术的蓬勃发展，图像目标检测已被广泛应用于自动驾驶领域。但是，在光照不足条件下，可见光图像模糊、纹理缺失，导致目标特征难以提取，检测效率低下。相比之下，红外成像技术不受光照条件的限制，能够获得清晰的热分布图像为弱光或黑暗环境下的目标检测提供了新的解决方案。近年来深度学习技术被广泛应用于目标检测领域，其中yolo 在复杂场景和实时性要求高的场景中表现出色，因此常用于结合红外成像技术进行目标检测。但是，通常的yolo模型容量相对较大，难以平衡检测精度和速度，而且难以有效提取复杂场景下的深度和语义信息，导致误检、漏检等问题，检测效率低下，影响智能驾驶视觉导航的可靠性。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于红外目标检测的智能驾驶视觉导航方法，提高智能驾驶视觉导航的可靠性。
2、本专利技术为解决上述技术问题所采用的技术方案是：一种基于红外目标检测的智能驾驶视觉导航方法，利用红外摄像机获取行驶环境的红外图像，将获取的红外图像利用检测模型进行特征提取，并识别出检测目标；智能驾驶控制系统根据
3、所述的fasternet模块包括一个部分卷积层、一个点卷积层和一个倒置点卷积层，输入fasternet模块的特征图经过部分卷积层进行处理，由点卷积层对部分卷积层的输出进行逐点卷积，经过批归一化和激活后再经过倒置点卷积层，倒置点卷积层的输出与fasternet模块的输入形成残差连接。
4、所述动态通道特征提取模块采用最大池化层对输入的特征图f进行最大池化操作，提取每个通道的显著性特征，然后采用线性层对提取的显著性特征进行处理，生成动态相关特征以表征不同通道之间的关联性。
5、使用动态通道特征提取模块生成的动态相关特征对fasternet模块提取的特征进行动态加权，获得融合特征。
6、所述检测模型的主干网络中具有多个所述特征提取模块，采用所述特征提取模块替换yolov5s主干网络中的c3模块。
7、所述检测模型的主干网络中具有交叉并行融合注意力模块，其采用并行的通道注意力和空间注意力对特征图进行特征提取。
8、所述的交叉并行融合注意力模块包括通道注意力模块和空间注意力模块，输入交叉并行融合注意力模块的特征图在一个维度上分割为和两部分，送至通道注意力模块，送至空间注意力模块，通道注意力模块和空间注意力模块的输出在原维度进行拼接重新聚合。
9、所述的通道注意力模块采用平均池化和最大池化操作聚合特征图的通道信息，生成平均聚合特征和最大聚合特征，然后通过共享网络mlp生成通道注意力权重，计算公式为：
10、；
11、其中，为特征图的通道注意力权重，为sigmoid函数，表示共享网络，和为mlp前后两个部分的共享权重，表示平均池化，表示最大池化。
12、所述的空间注意力模块使用平均池化和最大池化操作聚合特征图的空间信息，生成平均聚合特征和最大聚合特征，最后通过卷积层生成二维空间注意力权重，计算公式为：
13、，其中，为特征图的空间注意力权重，为sigmoid函数，表示卷积核尺寸为7×7的卷积运算，表示平均池化，表示最大池化。
14、所述检测模型的损失函数采用eiou边界框损失函数。
15、本专利技术的有益效果是：通过优化红外图像检测模型，准确识别红外目标，提高智能驾驶视觉导航可靠性。在检测模型的主干网络中采用改进的特征提取模块，其采用部分卷积降低计算复杂度和模型体积，同时采用动态通道特征提取模块提取每个通道的显著性特征生成动态相关特征，并将其与fasternet模块的输出相融合，使网络在特征提取时获取更丰富的深层与浅层特征信息，动态增强模型对重要特征的动态关注，增强泛化能力，提升模型的表达能力，从而提高特征提取能力。
本文档来自技高网...【技术保护点】
1.一种基于红外目标检测的智能驾驶视觉导航方法，利用红外摄像机获取行驶环境的红外图像，将获取的红外图像利用检测模型进行特征提取，并识别出检测目标；智能驾驶控制系统根据识别出的检测目标位置制定相应的驾驶策略以实现智能驾驶，其特征在于：所述的检测模型采用YOLOv5s作为模型框架，其主干网络部分具有多个用于进行基础特征提取的特征提取模块；所述的特征提取模块包括一个FasterNet模块、一个动态通道特征提取模块和多个由部分卷积、批归一化和激活函数组成的PCBS模块；其中，动态通道特征提取模块包括依次设置的最大池化层和线性层；输入特征提取模块的特征图先经过第一PCBS模块处理得到特征图F，特征图F分为三路，一路送至动态通道特征提取模块进行处理，一路经过第二PCBS模块处理后送至FasterNet模块，另一路经过第三PCBS模块处理，FasterNet模块的输出与第三PCBS模块的输出叠加后与动态通道特征提取模块的输出进行融合作为特征提取模块的输出。
2.如权利要求1所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述的FasterNet模块包括一个部分卷积层、
3.如权利要求1所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述动态通道特征提取模块采用最大池化层对输入的特征图F进行最大池化操作，提取每个通道的显著性特征，然后采用线性层对提取的显著性特征进行处理，生成动态相关特征以表征不同通道之间的关联性。
4.如权利要求3所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：使用动态通道特征提取模块生成的动态相关特征对FasterNet模块提取的特征进行动态加权，获得融合特征。
5.如权利要求1所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述检测模型的主干网络中具有多个所述特征提取模块，采用所述特征提取模块替换YOLOv5s主干网络中的C3模块。
6.如权利要求1所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述检测模型的主干网络中具有交叉并行融合注意力模块，其采用并行的通道注意力和空间注意力对特征图进行特征提取。
7.如权利要求6所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述的交叉并行融合注意力模块包括通道注意力模块和空间注意力模块，输入交叉并行融合注意力模块的特征图在一个维度上分割为和两部分，送至通道注意力模块，送至空间注意力模块，通道注意力模块和空间注意力模块的输出在原维度进行拼接重新聚合。
8.如权利要求7所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述的通道注意力模块采用平均池化和最大池化操作聚合特征图的通道信息，生成平均聚合特征和最大聚合特征，然后通过共享网络MLP生成通道注意力权重，计算公式为：
9.如权利要求7所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述的空间注意力模块使用平均池化和最大池化操作聚合特征图的空间信息，生成平均聚合特征和最大聚合特征，最后通过卷积层生成二维空间注意力权重，计算公式为：
10.如权利要求1所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述检测模型的损失函数采用EIOU边界框损失函数。
...【技术特征摘要】
1.一种基于红外目标检测的智能驾驶视觉导航方法，利用红外摄像机获取行驶环境的红外图像，将获取的红外图像利用检测模型进行特征提取，并识别出检测目标；智能驾驶控制系统根据识别出的检测目标位置制定相应的驾驶策略以实现智能驾驶，其特征在于：所述的检测模型采用yolov5s作为模型框架，其主干网络部分具有多个用于进行基础特征提取的特征提取模块；所述的特征提取模块包括一个fasternet模块、一个动态通道特征提取模块和多个由部分卷积、批归一化和激活函数组成的pcbs模块；其中，动态通道特征提取模块包括依次设置的最大池化层和线性层；输入特征提取模块的特征图先经过第一pcbs模块处理得到特征图f，特征图f分为三路，一路送至动态通道特征提取模块进行处理，一路经过第二pcbs模块处理后送至fasternet模块，另一路经过第三pcbs模块处理，fasternet模块的输出与第三pcbs模块的输出叠加后与动态通道特征提取模块的输出进行融合作为特征提取模块的输出。
2.如权利要求1所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述的fasternet模块包括一个部分卷积层、一个点卷积层和一个倒置点卷积层，输入fasternet模块的特征图经过部分卷积层进行处理，由点卷积层对部分卷积层的输出进行逐点卷积，经过批归一化和激活后再经过倒置点卷积层，倒置点卷积层的输出与fasternet模块的输入形成残差连接。
3.如权利要求1所述的一种基于红外目标检测的智能驾驶视觉导航方法，其特征在于：所述动态通道特征提取模块采用最大池化层对输入的特征图f进行最大池化操作，提取每个通道的显著性特征，然后采用线性层对提取的显著性特征进行处理，生成动态相关特征以表征不同通道之间的关联性。
4.如权利...
【专利技术属性】
技术研发人员：王国强，李胜豪，陈文清，石念峰，杨向兰，乔义彬，刘质纯，冯止泞，李豪，
申请(专利权)人：洛阳理工学院，
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。