【技术实现步骤摘要】
本专利技术属于自动驾驶目标检测领域，具体涉及一种夜间低光环境下的自动驾驶目标检测方法。
技术介绍
1、在自动驾驶系统中，目标检测技术扮演着至关重要的角色，尤其是在夜间环境下。自动驾驶车辆利用目标检测来识别和准确定位道路上的特定物体，如车辆、行人、交通标志和障碍物，从而确保驾驶安全并实现全自动驾驶功能。
2、在夜间自动驾驶环境下，目标检测的精度可能受到显著挑战。为了提高在低光条件下的识别准确性，一些深度学习模型引入了注意力机制，例如cbam(con volutionalblock attention module)。虽然cbam被设计为高精度级的注意力模块，它实际上可能带来效果并不理想。这主要体现在其通道注意力模块中的多层感知机(mlp)操作和空间注意力模块中的卷积操作上。而且计算步骤可能会延长模型的推理时间，尤其是在资源受限的夜间自动驾驶环境下更加明显。
3、此外，cbam的有效运用需要仔细调整多个超参数，比如mlp的大小和空间注意力卷积的核大小。不恰当的参数设置可能导致性能不佳，并且寻找最佳参数配置的过程既复杂又耗时。在实际应用中，尽管cbam可以相对简单地集成到现有的cnn架构中，但可能需要做出调整以确保注意力机制不会影响训练动态或导致过拟合，尤其是在数据集较小或多样性较低的情况下。
4、虽然cbam在多种任务中显示出了有效性，但在处理非常大的网络和数据集时，其可扩展性尚未得到广泛验证。在这些情况下，cbam引入的额外复杂性可能导致性能提升的边际效益递减。同时，cbam等注意力机制有时对数
5、因此，尽管cbam可以在一定程度上提升夜间自动驾驶环境中的检测精度，它并不是一种理想的解决方案。需要根据具体应用场景和需求对其进行优化，以应对夜间环境中的低光挑战。
技术实现思路
1、专利技术目的：本专利技术提出一种夜间低光环境下的自动驾驶目标检测方法，能更加高效、稳定且精准对低光环境下进行目标检测。
2、技术方案：本专利技术所述的一种夜间低光环境下的自动驾驶目标检测方法，包括以下步骤：
3、(1)对kitti数据集进行数据增强；
4、(2)构建自动驾驶目标检测模型aq9；所述aq9采用lknet9网络作为主干网络；所述lknet9网络包括统一表征模块rep、局部卷积模块lcb和大核卷积，从输入图像提取基础特征，对局部特征进行，识别夜间目标障碍物；所述aq9模型的池化模块为混合金字塔池化结构sppf9，采用自适应池化算法，根据输入的特征图的内容自动调整池化的尺度和类型；所述aq9模型的head层中的最近邻插值上采样模块为dysample采样，根据输入特征的内容自适应地调整；所述aq9模型的head层中提出一种感受野注意卷积rfacbamconv9，通过增强感受野的卷积操作来提取更大范围的特征，在卷积操作后的特征图上应用注意力机制，分别经过通道注意力和空间注意力的调整；所述aq9模型的head层采用c2f模块，由c2模块融合动态稀疏注意力而来，专注特征图的空间维度，加强对每个空间位置的分配权重；所述aq9模型的head层中的检测头，针对夜间低光环境，增强局部注意力，增强对小范围内的重要特征捕捉能力；
5、(3)对步骤(2)构建的自动驾驶目标检测模型aq9进行训练，并调整模型的训练参数，直到获得最优的模型权重；
6、(4)利用训练好的自动驾驶目标检测模型aq9进行检测。
7、进一步地，步骤(1)所述统一表征模块rep通过特征重用和表征共享，减少网络参数，同时保持高性能所述局部卷积模块lcb利用局部卷积操作，通过逐点卷积和局部区域的处理来提高网络的感受野和效率；所述大核卷积扩大感受野来捕捉稀疏特征；利用结构重参数化的思想，整个block可以等价转换为一个大核卷积。
8、进一步地，所述大核卷积卷积核尺寸采用13x13，同时使用残差连接方式用于保持信息的流动，防止梯度消失问题，捕获更大范围的上下文信息，增强对全局信息的理解。
9、进一步地，步骤(2)所述的混合金字塔池化结构sppf9构建方法为：首先设置一个conv层，并在conv层后设置了三个最大池化层和三个平均池化层；接着通过concat操作融合conv层和每个池化层的特征；最后设置一个conv层。
10、进一步地，步骤(2)所述的dysample采样模块包括偏移量生成卷积和权重生成卷积；所述偏移量生成卷积生成每个像素点的偏移量；一层通过卷积层生成插值权重，用于动态调整在上采样过程中如何对邻近像素进行加权；所述权重生成卷积与偏移量预测分支类似，插值权重的生成也是通过轻量级的卷积操作完成；然后设置插值权重，决定了在进行双线性插值时对采样位置附近的像素进行加权求和，确保dysample上采样后的特征图能够准确保留输入特征图的细节和边界信息。
11、进一步地，所述dysample上采样操作表示为：
12、
13、其中，g(w(i',j'),i,j,i',j')是由动态权重w(i',j')控制的插值函数，用来决定x(i,j)对输出位置(i',j')的贡献度。
14、进一步地，步骤(2)所述的感受野注意卷积rfacbamconv9通过扩张卷积，在卷积操作中引入间隔，使卷积核能够覆盖更大的区域；使用全连接层和激活函数来计算每个通道的权重，通过对通道特征图进行加权，实现通道的选择和增强；同时融合cbam注意力机制加强进行特征提取和细节图像特征的捕捉。
15、进一步地，步骤(2)所述的c2f模块采用多头注意力，每个头负责捕捉不同的特征表示；在第一阶段使用重叠块嵌入，在第二到第四阶段使用块合并模块来降低输入空间分辨率，同时增加通道数，然后是采用连续的biformer(视觉转换)块做特征变换；在每个块的开始均是使用的深度卷积来隐式编码相对位置信息；随后依次应用bra模块和扩展率为2层层感知机模块，分别用于交叉位置关系建模和每个位置。
16、进一步地，所述c2f模块实现过程如下：
17、初始卷积：
18、f0＝conv(x)
19、在每层卷积操作后应用bilevel routing attention：
20、fi＝convi(fi-1)
21、从前一层卷积结果fi-1生成当前层的特征图fi；通过多个卷积层逐层提取更高级别的特征：
22、fi＝abla(fi)＝α·aglobal(fi)+β·alocal(fi)
23、abla(fi)表示对特征图fi应用bilevel routing attention；aglobal(fi)是通过全局注意力机制计算的特征，捕捉输入特征图的整体上下文信息；alocal(fi)是通过局部注意力机制计算的特征，关注局部区域的细节信息；α和β是可学习的权重参数，用于控制全局和局部本文档来自技高网...
【技术保护点】
1.一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，步骤(1)所述统一表征模块Rep通过特征重用和表征共享，减少网络参数，同时保持高性能所述局部卷积模块LCB利用局部卷积操作，通过逐点卷积和局部区域的处理来提高网络的感受野和效率；所述大核卷积扩大感受野来捕捉稀疏特征；利用结构重参数化的思想，整个block可以等价转换为一个大核卷积。
3.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，所述大核卷积卷积核尺寸采用13x13，同时使用残差连接方式用于保持信息的流动，防止梯度消失问题，捕获更大范围的上下文信息，增强对全局信息的理解。
4.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，步骤(2)所述的混合金字塔池化结构SPPF9构建方法为：首先设置一个Conv层，并在Conv层后设置了三个最大池化层和三个平均池化层；接着通过Concat操作融合Conv层和每个池化层的特征；最后设置一个Conv层。p>
5.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，步骤(2)所述的DySample采样模块包括偏移量生成卷积和权重生成卷积；所述偏移量生成卷积生成每个像素点的偏移量；一层通过卷积层生成插值权重，用于动态调整在上采样过程中如何对邻近像素进行加权；所述权重生成卷积与偏移量预测分支类似，插值权重的生成也是通过轻量级的卷积操作完成；然后设置插值权重，决定了在进行双线性插值时对采样位置附近的像素进行加权求和，确保DySample上采样后的特征图能够准确保留输入特征图的细节和边界信息。
6.根据权利要求5所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，所述DySample上采样操作表示为：
7.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，步骤(2)所述的感受野注意卷积RFACBAMConv9通过扩张卷积，在卷积操作中引入间隔，使卷积核能够覆盖更大的区域；使用全连接层和激活函数来计算每个通道的权重，通过对通道特征图进行加权，实现通道的选择和增强；同时融合注意力机制CBAM加强进行特征提取和细节图像特征的捕捉。
8.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，步骤(2)所述的C2f模块采用多头注意力，每个头负责捕捉不同的特征表示；在第一阶段使用重叠块嵌入，在第二到第四阶段使用块合并模块来降低输入空间分辨率，同时增加通道数，然后是采用连续的BiFormer(视觉转换)块做特征变换；在每个块的开始均是使用的深度卷积来隐式编码相对位置信息；随后依次应用BRA模块和扩展率为2层层感知机模块，分别用于交叉位置关系建模和每个位置。
9.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，所述C2f模块实现过程如下：
10.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，步骤(2)所述的AQ9模型的Head层中的检测头通过多层次的特征提取和整合，利用分布焦点损失损失函数和一种注意力机制，来提高对图像中目标的识别和定位能力；分布焦点损失损失函数的计算公式如下：
...【技术特征摘要】
1.一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，步骤(1)所述统一表征模块rep通过特征重用和表征共享，减少网络参数，同时保持高性能所述局部卷积模块lcb利用局部卷积操作，通过逐点卷积和局部区域的处理来提高网络的感受野和效率；所述大核卷积扩大感受野来捕捉稀疏特征；利用结构重参数化的思想，整个block可以等价转换为一个大核卷积。
3.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，所述大核卷积卷积核尺寸采用13x13，同时使用残差连接方式用于保持信息的流动，防止梯度消失问题，捕获更大范围的上下文信息，增强对全局信息的理解。
4.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，步骤(2)所述的混合金字塔池化结构sppf9构建方法为：首先设置一个conv层，并在conv层后设置了三个最大池化层和三个平均池化层；接着通过concat操作融合conv层和每个池化层的特征；最后设置一个conv层。
5.根据权利要求1所述的一种夜间低光环境下的自动驾驶目标检测方法，其特征在于，步骤(2)所述的dysample采样模块包括偏移量生成卷积和权重生成卷积；所述偏移量生成卷积生成每个像素点的偏移量；一层通过卷积层生成插值权重，用于动态调整在上采样过程中如何对邻近像素进行加权；所述权重生成卷积与偏移量预测分支类似，插值权重的生成也是通过轻量级的卷积操作完成；然后设置插值权重，决定了在进行双线性插值时对采样位置附近的像素进行加权求和，...
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。