【技术实现步骤摘要】
本专利技术涉及自动驾驶环境感知领域，具体涉及一种有雾道路目标检测模型的训练方法、检测方法以及装置；该方法使用基于知识蒸馏的网络结构，高实时性的检测有雾图像中的行人。
技术介绍
1、近年来，自动(辅助)驾驶技术已成为汽车产业发展的核心趋势。为了构建可靠的自动(辅助)驾驶技术，以协助人类安全驾驶和减少交通事故的数量，需要将许多必不可少的功能配备到这些系统中，包括但不限于对象检测，目标跟踪和行为识别。对象检测是自动(辅助)驾驶技术中最关键和最重要的任务之一，因为快速，准确地检测不仅能支持精确的导航，而且还能应对复杂驾驶环境中的潜在危险。在雾天驾驶员视线受阻，易发生交通事故。端到端的有雾图像目标检测模型可以帮助自动驾驶系统或辅助驾驶系统在低能见度条件下识别道路上的行人和车辆，提高行车安全。
2、目前，主流的有雾图像目标检测模型分为两阶段方法，首先针对有雾数据集进行去雾生成清晰数据集，然后对清晰数据集使用目标检测网络来检测行人和车辆。这种方法实时性较差，无法作为车载模块针对当前雾霾环境进行实时检测。并且将有雾图像恢复为清晰图像作为预处理步骤，降低了检测速度。
技术实现思路
1、本专利技术旨在多雾天气和正常天气的条件下提高对道路目标对象检测的性能。在本专利技术中提出一种有雾道路目标检测模型的训练方法、检测方法以及装置，通过将作为学生模型的特征吸收子网、对象检测子网以及作为教师模型的去雾特征选择子网构成有雾道路目标检测模型，以形成一个统一的框架，以提高道路目标对象检测的性能。本专利技
2、在本专利技术的第一方面，本专利技术提出了一种有雾道路目标检测模型的训练方法，所述有雾道路目标检测模型包括作为学生模型的特征吸收子网、对象检测子网以及作为教师模型的去雾特征选择子网，所述对象检测子网包括颈部网络和头部网络；所述方法包括：
3、获取有雾图像和无雾图像；所述有雾图像和所述无雾图像是同一道路场景下的目标图像对，所述有雾图像是具有目标类别和目标区域初始边框；
4、将所述有雾图像和所述无雾图像通过去雾特征选择子网，得到有雾图像的fsc特征和无雾图像的fsc特征；通过有雾图像的fsc特征和无雾图像的fsc特征，计算得到第一损失；通过第一损失训练所述去雾特征选择子网；
5、将所述有雾图像的fsc特征通过特征吸收子网的吸收检查器，得到所述有雾图像的fa特征；将所述有雾图像通过特征吸收子网的特征变更模块，得到所述有雾图像的fm特征；将所述有雾图像的fm特征通过特征吸收子网的吸收检查器，得到所述有雾图像的fam特征；通过有雾图像的fa特征和有雾图像的fam特征，计算得到第一铰链损失，固定去雾特征选择子网和特征吸收子网的特征变更模块的参数，通过第一铰链损失训练所述特征吸收子网的吸收检查器；
6、通过有雾图像的fam特征，计算得到第二铰链损失，固定特征吸收子网的吸收检查器的参数，通过第二铰链损失训练所述特征吸收子网的特征变更模块；
7、将所述有雾图像的fm特征通过对象检测子网，得到所述有雾图像的目标区域候选边框和目标检测类别；固定特征吸收子网的特征变更模块的参数，通过有雾图像的目标区域初始边框和目标区域候选边框，以及目标类型和目标检测类型，计算得到第二损失，通过第二损失训练所述有雾道路目标检测模型。
8、进一步的，所述去雾特征选择子网包括五个平行部署的卷积层的差分卷积集、内容引导注意力机制和改进mamba机制；其中，所述五个平行部署的卷积层的差分卷积集包括原始卷积，中心差卷积，角差卷积，水平差卷积和垂直差卷积；所述内容引导注意力机制包括通道注意力模块和空间注意力模块。
9、进一步的，所述去雾特征选择子网还包括通过卷积层的添加性，将所述五个平行部署的卷积层的差分卷积集转化为单个标准卷积层。
10、进一步的，所述颈部网络和所述头部网络在三个不同的层上实现了多尺度对象的检测。
11、在本专利技术的第二方面，本专利技术提出了一种有雾道路目标检测方法，包括：
12、获取待检测图像；
13、将所述待检测图像输入至训练后的有雾道路目标检测模型中，以对所述待检测图像进行检测；
14、其中，所述训练后的有雾道路目标检测模型是基于如本专利技术第一方面所述的一种有雾道路目标检测模型的训练方法训练得到的，所述训练后的有雾道路目标检测模型包括作为学生模型的特征吸收子网和对象检测子网；
15、将所述待检测图像输入至所述作为学生模型的特征吸收子网，得到所述待检测图像的fm特征；
16、将所述待检测图像的fm特征输入至所述对象检测子网，得到所述待检测图像的目标检测结果。
17、进一步的，将所述待检测图像的fm特征输入至所述对象检测子网，得到所述待检测图像的目标检测结果包括：
18、将所述待检测图像的fm特征输入至所述对象检测子网的颈部网络，得到所述待检测图像的融合特征；
19、将所述待检测图像的融合特征输入至所述对象检测网络的头部网络，得到所述待检测图像的目标检测结果。
20、在本专利技术的第三方面，本专利技术提出了一种有雾道路目标检测模型训练装置，所述有雾道路目标检测模型包括作为学生模型的特征吸收子网、对象检测子网以及作为教师模型的去雾特征选择子网，所述装置包括：
21、第一获取模块，用于获取有雾图像和无雾图像；所述有雾图像和所述无雾图像是同一道路场景下的目标图像对，所述有雾图像是具有目标类别和目标区域初始边框；
22、训练模块，用于利用所述有雾图像和无雾图像对所述有雾道路目标检测模型进行迭代训练，直至得到训练完成的有雾道路目标检测模型；其中：
23、将所述有雾图像和所述无雾图像通过去雾特征选择子网，得到有雾图像的fsc特征和无雾图像的fsc特征；通过有雾图像的fsc特征和无雾图像的fsc特征，计算得到第一损失；通过第一损失训练所述去雾特征选择子网；
24、将所述有雾图像的fsc特征通过特征吸收子网的吸收检查器，得到所述有雾图像的fa特征；将所述有雾图像通过特征吸收子网的特征变更模块，得到所述有雾图像的fm特征；将所述有雾图像的fm特征通过特征吸收子网的吸收检查器，得到所述有雾图像的fam特征；
25、通过有雾图像的fa特征和有雾图像的fam特征，计算得到第一铰链损失，固定去雾特征选择子网和特征吸收子网的特征变更模块的参数，通过第一铰链损失训练所述特征吸收子网的吸收检查器；
26、通过有雾图像的fam特征，计算得到第二铰链损失，固定特征吸收子网的吸收检查器的参数，通过第二铰链损失训练所述特征吸收子网的特征变更模块；
27、将所述有雾图像的fm特征通过对象检测子网，得到所述有雾图像的目标区域候选边框和目标检测类别；固定特征吸收子网的特征变更模块的参数，通过有雾图像的目标区域初始边框本文档来自技高网...
【技术保护点】
1.一种有雾道路目标检测模型的训练方法，其特征在于，所述有雾道路目标检测模型包括作为学生模型的特征吸收子网、对象检测子网以及作为教师模型的去雾特征选择子网，所述对象检测子网包括颈部网络和头部网络；所述方法包括：
2.根据权利要求1所述的一种有雾道路目标检测模型的训练方法，其特征在于，所述去雾特征选择子网包括五个平行部署的卷积层的差分卷积集、内容引导注意力机制和改进Mamba机制；其中，所述五个平行部署的卷积层的差分卷积集包括原始卷积，中心差卷积，角差卷积，水平差卷积和垂直差卷积；所述内容引导注意力机制包括通道注意力模块和空间注意力模块。
3.根据权利要求2所述的一种有雾道路目标检测模型的训练方法，其特征在于，所述去雾特征选择子网还包括通过卷积层的添加性，将所述五个平行部署的卷积层的差分卷积集转化为单个标准卷积层。
4.根据权利要求1所述的一种有雾道路目标检测模型的训练方法，其特征在于，所述颈部网络和所述头部网络在三个不同的层上实现了多尺度对象的检测。
5.根据权利要求1所述的一种有雾道路目标检测模型的训练方法，其特征在于，所述第二损
6.一种有雾道路目标检测方法，其特征在于，包括：
7.根据权利要求6所述的一种有雾道路目标检测方法，其特征在于，将所述待检测图像的FM特征输入至所述对象检测子网，得到所述待检测图像的目标检测结果包括：
8.一种有雾道路目标检测模型训练装置，其特征在于，所述有雾道路目标检测模型包括作为学生模型的特征吸收子网、对象检测子网以及作为教师模型的去雾特征选择子网，所述装置包括：
9.一种有雾道路目标检测装置，其特征在于，所述装置包括：
10.根据权利要求9所述的一种有雾道路目标检测装置，其特征在于，所述处理模块包括：
...【技术特征摘要】
1.一种有雾道路目标检测模型的训练方法，其特征在于，所述有雾道路目标检测模型包括作为学生模型的特征吸收子网、对象检测子网以及作为教师模型的去雾特征选择子网，所述对象检测子网包括颈部网络和头部网络；所述方法包括：
2.根据权利要求1所述的一种有雾道路目标检测模型的训练方法，其特征在于，所述去雾特征选择子网包括五个平行部署的卷积层的差分卷积集、内容引导注意力机制和改进mamba机制；其中，所述五个平行部署的卷积层的差分卷积集包括原始卷积，中心差卷积，角差卷积，水平差卷积和垂直差卷积；所述内容引导注意力机制包括通道注意力模块和空间注意力模块。
3.根据权利要求2所述的一种有雾道路目标检测模型的训练方法，其特征在于，所述去雾特征选择子网还包括通过卷积层的添加性，将所述五个平行部署的卷积层的差分卷积集转化为单个标准卷积层。
4.根据权利要求1所述的一种有雾道路目标检测模型的训练方法，其特征在于，所述颈部网络和所述头部网络...
【专利技术属性】
技术研发人员：刘明杰，吕梦琳，罗浩轩，岳世杰，谢庆琅，杨舒坦，辛祥瑞，马春蕾，袁朋，李杨，朴昌浩，张庆熙，
申请(专利权)人：重庆邮电大学，
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。