【技术实现步骤摘要】
本专利技术涉及图像识别，具体涉及基于yolo-light对交通图像目标检测方法。
技术介绍
1、在现代城市交通系统中，车辆和行人共享道路空间的安全问题已成为一项重要挑战。随着城市人口和车辆数量的持续增加，传统的交通管理方法难以满足日益增长的需求。新兴的智能交通系统为解决这一问题提供了新的机遇，其中车路协同被认为是提升城市交通安全和效率的关键因素。车路协同通过整合车辆、道路和交通设施之间的信息交换与协作，实现更智能、更高效的交通管理与控制。在此背景下，基于路侧和无人机视角的车辆检测技术成为不可或缺的一部分，也是当前智能交通领域的研究热点。在这些交通场景下的车辆与行人目标检测，需要在提高检测精度的同时兼顾检测速度。尽管高复杂度的深度学习目标检测模型具有较高的检测精度，但其速度往往受到影响且难以部署。因此，研发一种兼顾精度与轻量化的多视角车辆与行人检测模型具有重要的实际意义。
2、yolo作为经典的one-stage（单阶段）目标检测算法，凭借其高实时性、简洁高效、多尺度检测和全局上下文信息利用等特点，在快速目标检测和实时应用场景中表现突出。然而，yolo系列模型一直存在参数量大和计算成本高的问题。因此，在保证高目标检测性能的前提下，对yolo模型进行轻量化改进已成为研究的热点。
3、近年来，许多国内外学者对yolo系列模型在交通领域的应用做出了重要贡献。wang（姓）等人采用elan-sw（检测预测头），提高了城市交通检测和跟踪任务中小物体的检测精度。这种设计利用全局上下文信息和局部特征，提升了微小车辆和行人
4、为了在嵌入式和移动设备上实现更优的实时性能，研究人员提出了mobilenet（移动网络架构）、shufflenet（洗牌网络）和ghostnet（幽灵网络）等轻量级网络架构。liu（姓）等人提出了slim（结构化彩票假设感知剪枝）算法，通过结构化剪枝策略减少权重，降低模型的参数量和计算量。slim利用“彩票假说”的思想，通过识别和保留神经网络中最关键的结构，在确保模型性能的同时优化计算效率。最后通过tensorrt（张量运行时）等高性能深度学习推理框架，可以在确保精度的情况下实现推理加速。然而，尽管深度学习目标检测算法在无人机航拍目标检测领域取得了显著进展，但依旧难以在确保高检测精度的同时满足实时性要求。
5、现有技术中，中国专利cn118918148a公开了“一种面向无人机视角的交通跟踪检测系统”，其基于改进的yolov8+bytetrack，解决了以往无人机对于目标的追迹中由于存在小尺寸目标、复杂背景以及遮挡情况而导致的追踪精度低的问题。然而，对于无人机视角下的尺寸小目标、场景复杂且遮挡频繁的小目标，容易出现漏检和误检，从而影响检测精度和目标跟踪的稳定性。
6、综上所述，现有技术对于无人机视角下的尺寸小、场景复杂且遮挡频繁的目标，容易出现漏检和误检，从而影响检测精度和目标跟踪的稳定性。
技术实现思路
1、本专利技术解决了现有技术对于无人机视角下的尺寸小、场景复杂且遮挡频繁的目标，容易出现漏检和误检，从而影响检测精度和目标跟踪的稳定性的问题。
2、本专利技术所述的基于yolo-light对交通图像目标检测方法，具体为：
3、交通图像依次输入yolo-light的骨干、颈部和头部进行特征提取，对交通目标进行检测；
4、在yolo-light的骨干，交通图像经过特征提取后，经过改进快速空间池化层再次进行特征提取，输出交通特征图；
5、调整yolo-light的骨干的最后三层通道数；
6、在yolo-light的颈部，交通特征图经过多联级的上采样、连接层和特征分解，再进行多尺度特征融合，输出多尺度的交通特征图；
7、在yolo-light的头部，多尺度的交通特征图依次输入空间注意力机制和检测头对交通目标进行检测；
8、所述的改进快速空间池化层，具体为：
9、交通特征图经过卷积后，输出卷积后的交通特征图，卷积后的交通特征图分为第一路交通特征图、第二路交通特征图、第三路交通特征图和第四路交通特征图，其中，第一路交通特征图经过多联级的最大池化层，第二路交通特征图与第一路交通特征图经过最大池化层后输出的交通特征图共同输入下一级最大池化层进行池化，池化后的交通特征图、第二路交通特征图、经过自适应最大池化后的第三路交通特征图以及经过自适应平均池化后的第四路交通特征图共同输入连接层拼接输出多尺度特征图，多尺度特征图像经过卷积进行特征提取输出交通特征图。
10、进一步地，在本专利技术的一个实施例中，所述的调整yolo-light的骨干的最后三层通道数至512。
11、进一步地，在本专利技术的一个实施例中，所述的上采样，具体为：
12、交通特征图分为两路，其中，一路交通特征图像依次经过线性、像素随机洗牌的处理后，生成偏移量，另一路交通特征图像经过点采样，点采样根据上采样因子生成采样网络，偏移量和采样网络共同经过采样和变换输出上采样结果。
13、进一步地，在本专利技术的一个实施例中，所述的一路交通特征图依次经过线性、像素随机洗牌的处理后，生成偏移量，具体为：
14、一路交通特征图分为两路，两路交通特征图均经过线性的处理后，其中，一路经过线性处理后的交通特征图经过缩放因子后，与另一路经过线性处理后的交通特征图进行融合，输出融合后的交通特征图，融合后的交通特征图经过像素随机洗牌的处理后，生成偏移量。
15、进一步地，在本专利技术的一个实施例中，所述的空间注意力机制，具体为：
16、交通特征图分为第五路交通特征图、第六路交通特征图、第七路交通特征图和第八路交通特征图，经过全局最大池化后的第五路交通特征图和经过全局平均池化后的第六路交通特征图，共同经过归一化的处理后，与经过卷积后的第七路交通特征图进行相乘，输出第一路特征图，经过卷积后的第八路交通特征图，再经过归一化的处理后，与经过卷积后的第七路交通特征图进行相乘，输出第二路特征图，第一路特征图像和第二路特征图分别经过本文档来自技高网...
【技术保护点】
1.基于YOLO-Light对交通图像目标检测方法，其特征在于，具体为：
2.根据权利要求1所述的基于YOLO-Light对交通图像目标检测方法，其特征在于，所述的调整YOLO-Light的骨干的最后三层通道数至512。
3.根据权利要求1所述的基于YOLO-Light对交通图像目标检测方法，其特征在于，所述的上采样，具体为：
4.根据权利要求3所述的基于YOLO-Light对交通图像目标检测方法，其特征在于，所述的一路交通特征图依次经过线性、像素随机洗牌的处理后，生成偏移量，具体为：
5.根据权利要求1所述的基于YOLO-Light对交通图像目标检测方法，其特征在于，所述的空间注意力机制，具体为：
6.根据权利要求1所述的基于YOLO-Light对交通图像目标检测方法，其特征在于，所述的检测头，具体为：
7.根据权利要求6所述的基于YOLO-Light对交通图像目标检测方法，其特征在于，所述的快速卷积，具体为：
8.基于YOLO-Light-Tiny对交通图像目标检测方法，其特征在于，所述的方法
9.无人机实时交通视频中的目标跟踪轨迹方法，其特征在于，所述的方法是基于权利要求1-7中任一所述的基于YOLO-Light对交通图像目标检测方法实现的。
...【技术特征摘要】
1.基于yolo-light对交通图像目标检测方法，其特征在于，具体为：
2.根据权利要求1所述的基于yolo-light对交通图像目标检测方法，其特征在于，所述的调整yolo-light的骨干的最后三层通道数至512。
3.根据权利要求1所述的基于yolo-light对交通图像目标检测方法，其特征在于，所述的上采样，具体为：
4.根据权利要求3所述的基于yolo-light对交通图像目标检测方法，其特征在于，所述的一路交通特征图依次经过线性、像素随机洗牌的处理后，生成偏移量，具体为：
5.根据权利要求1所述的基于yolo-light对交通图像目标检测方法，其特征在于，所述的空间注意力机...
【专利技术属性】
技术研发人员：王泉，叶广飞，陈祺东，张永宏，李东明，曹燚，吴昊，张帆，
申请(专利权)人：无锡学院，
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。