[发明专利]一种特征融合自适应锚框模型车辆检测方法

说明书

本发明公开了一种特征融合自适应锚框模型车辆检测方法。采集车辆数据集的多幅图像，将图像输入到卷积神经网络中进行特征提取，利用A2中得到的特征图来预测候选框，建立预测网络模型，预测中自适应锚框，根据图像中GT框的大小建立自适应阈值得到多个锚框的大小；标签和偏移量的获取：建立预测网络模型的损失函数，训练预测网络；针对未知物体GT框的待测图像，输入到训练后的预测网络模型中，得到候选框及其候选框的位置坐标。本发明提高了对小物体的检测能力，有效的提高了车辆检测性能，结果较为准确。

技术领域

本发明涉及目标检测领域，更具体的涉及一种特征融合自适应锚框模型车辆检测方法。

背景技术

车辆检测在无人驾驶、道路监控、辅助驾驶等方面都有着重要应用，随着近些年车辆的不断增多和人们对于车辆检测技术需求的不断提高，车辆检测已经成为目标检测领域的重要研究对象。

在传统的车辆检测算法中，图像处理和机器学习发挥了重要的作用，被许多学者研究，并将取得的成果应用在科学研究和工程领域。这些算法通常包括两个步骤：首先，通过局部二值模式(LBP)、方向梯度直方图(HOG)、尺度不变特征变换(SIFT)等方法从图像中提取目标的特征向量。然后将提取的特征向量送入分类器，如：支持向量机(SVM)、自适应增强(AdaBoost)、决策树(DT)等进行分类。这些方法依托人工设计的特征提高了检测性能，但是无法在复杂场景中取得好的效果，在车辆检测中存在瓶颈。

深度学习使用大量数据训练的更深更复杂的网络模型对图像提取特征，所提取的特征优于传统方法所提取的特征，在一定程度上解决了训练时间长，检测速度慢的问题。但是现有深度学习的目标检测方法的步骤都比较繁琐，使用选择性搜索方法产生的候选框存在很多冗余，并且这些区域会进行多次卷积操作，造成很大的计算量，十分耗时。

尤其是对于小目标车辆的检测，这些方法不能获得较好的检测结果。

发明内容

本发明目的是针对现有的车辆检测方法对小目标车辆检测能力的不足之处，以提高车辆检测的准确性，提供了一种特征融合自适应锚框模型车辆检测方法。

本发明方法的基本思路是首先将特征提取网络提取的不同尺度的特征图相融合，然后根据训练数据中Ground Truth(GT)的长宽分布自适应阈值得到合适尺寸的锚框，这样通过提升对小目标的检测能力，来提高检测性能。

本发明的目的是通过以下技术方案来实现的，如图2所示，包括以下具体步骤：

A1，采集车辆数据集，车辆数据集包含物体GT框的多幅图像I，物体对象为车辆，GT框数据为[c^*,x^*,y^*,w^*,h^*]，c^*表示GT框内物体的类别，x^*，y^*分别表示GT框内中心点的x坐标和y坐标，w^*，h^*分别表示GT框的高度和宽度；

A2，特征融合，将图像I输入到卷积神经网络中进行特征提取，将特征提取后得到不同尺度相融合的大小特征图，在大特征图中对小物体进行检测，在小特征图中对大物体进行检测；

A3，候选框预测，利用A2中得到的特征图来预测候选框，具体建立如下预测网络模型：

A3-1，同时用滑动窗口分别在融合后的大小特征图上分别进行卷积，滑动窗口的中心作为锚点，以每个锚点为中心产生固定数量的不同尺寸的锚框，每个滑动窗口生成一个固定维度的特征；

A3-2，将A3-1中生成的特征输入到两个全连接层，一个全连接层用于预测锚框是物体的概率p，另外一个全连接层用于预测候选框坐标相对于锚框的偏移量t；