[发明专利]一种基于改进YOLOv3的自动驾驶汽车跨域目标检测方法

说明书

本发明属于计算机视觉和自动驾驶汽车环境感知技术领域，具体的说是一种基于改进YOLOv3的自动驾驶汽车跨域目标检测方法。本发明基于改进的单阶段YOLOv3检测算法框架，采用生成对抗网络模型获得训练集数据，针对训练集和测试集分别来自不同分布的数据域的问题进行跨域目标检测。同时通过对YOLOv3算法进行改进提高了单阶段目标检测的精度，生成对抗网络的应用减少了对不同数据域之间多类别目标物的重新标注，一定程度上解决了自动驾驶汽车跨域目标检测面临的难点问题。

技术领域

本发明属于计算机视觉和自动驾驶汽车环境感知领域技术领域，具体的说是一种基于改进YOLOv3的自动驾驶汽车跨域目标检测方法。

背景技术

随着自动驾驶汽车研究的深入，如何将摄像头输入的视频流数据中的多种目标物准确地检测出来对于后续的规划和决策工作有着重要的意义。自动驾驶汽车存在驾驶场景复杂多变且目标物种类多种多样的问题，而传统手工提取特征的方法由于其检测精度和鲁棒性不够高，使其不适合应用在自动驾驶汽车上，因此，基于深度学习的目标检测算法具有较高的研究价值。近年来随着计算机视觉技术的发展，出现了越来越多性能较好的检测框架，它们在检测精度和速度上有各自不同的特点，分别适用于不同的应用场景。

尽管基于数据驱动的深度学习检测算法在诸多检测任务中都取得了重大的进展，但是在实际生产应用中，却面临诸多的困难。首先，深度学习检测算法极大地依赖于训练数据，数据量过少时无法充分学习到数据的全部特征且很容易导致模型过拟合问题。对于实际道路场景复杂多变的问题，若要使模型在不同时间段、不同地点、不同天气下的检测精度都较高，就需要在这些场景下都进行数据采集和标注，而有些不常见的场景中的数据采集存在很大难度，因此很难将各种不同道路场景下的数据采集完全。其次，在一个场景下训练得到的深度学习模型如何将其很好地应用在不同场景下进行检测，并取得很高的检测精度，这对于模型的鲁棒性要求较高。最后，自动驾驶汽车在要求检测精度较高的同时，对算法的实时检测速度也有要求，为使算法很好地应用在实际驾驶任务中，算法每秒检测的帧数应该能满足汽车行驶速度的要求。

针对上述问题，深度学习模型需要解决的问题主要有两个：1.如何提高模型的泛化能力，使得在一个数据域下训练得到的模型能够很好地应用在另一个不同分布的数据域中进行目标检测，即实现跨域目标检测的目的。2.对于能够满足实时性要求的检测算法如何提高其对于多种不同类别的目标物的检测精度，以及其在若干种复杂环境下的平均检测精度。

发明内容

本发明提供了一种基于改进YOLOv3的自动驾驶汽车跨域目标检测方法，本发明基于改进的单阶段YOLOv3检测算法框架，采用生成对抗网络的方法获得训练集数据，针对训练集和测试集分别来自不同分布的数据域的问题进行跨域目标检测，并且通过对YOLOv3算法进行改进以提高目标检测的精度，生成对抗网络减少了不同数据域之间数据重新标注的问题，解决了自动驾驶汽车中跨域目标检测的问题。

本发明技术方案结合附图说明如下：

一种基于改进YOLOv3的自动驾驶汽车跨域目标检测方法，包括以下步骤：

步骤一、将源域图像和目标域图像输入到对抗生成网络CycleGAN模型中进行训练，得到合成图；

步骤二、将合成图像作为训练集，目标域图像作为测试集；

步骤三、通过K-means聚类算法对训练集标记框聚类，确定聚类数目并计算先验框尺寸；

步骤四、搭建改进的YOLOv3网络；特征来提取骨干网络；

步骤五、用YOLOv3网络训练CycleGAN模型生成的虚假图像；

步骤六、用训练得到的模型对测试集图像进行检测并计算平均检测精度；

步骤七、对跨域目标进行检测。