[发明专利]一种基于无锚框检测网络改进的车辆检测方法

说明书

本发明公开了一种基于无锚框检测网络改进的车辆检测方法，包括：首先通过特征融合模块将低维特征与高维特征进行特征融合；然后将特征融合处理后的特征送入无锚框检测网络框架中；该网络中加入CBAM注意力机制模块，增加检测效果；再将识别结果输出。该方法增加了特征融合模块和注意力机制模块，无锚框检测网络采用CenterNet网络，并采用Resnet网络的跳接连接方式，能够快速进行车辆检测的同时，保证有更好的检测精度。

技术领域

本发明涉及深度学习目标检测领域，特别是涉及一种基于无锚框检测网络改进的车辆检测方法。

背景技术

随着智慧城市、智能交通系统、无人驾驶的建设与发展，其中车辆检测技术成为了关键。在交通管理、拥堵路段检测等方面应用广泛，并且在减少甚至避免交通事故具有重要的意义。

在传统方法中，首先对图像进行预处理，通过滤波器遍历图像得到车辆或者行人等目标的初步位置，再通过人工设计车辆目标的特征进行识别。其主要特征有梯度直方图(Histogram ofOriented Gradient,HOG)，尺度不变特征(scale-invariant featuretransform,SIFT)和哈尔特征(Haar-link feature)等,最后通过正负样本训练支持向量机(Support VectorMachine,SVM)等分类器进行特征分类，完成最终的检测。传统方法受限于目标位置推测的效率，造成鲁棒性不强，尤其是在实时检测以及有遮挡的目标检测时有明显缺陷。

近些年来，深度学习技术不断发展并取得了巨大的突破，通过卷积神经网络自动提取出目标特征。得益于卷积神经网络强大的特征提取能力，目标检测算法的检测准确度大幅提升，并且具有更强的鲁棒性，可以适应更加复杂的识别场景。

2012年AlexNet的提出拉开了深度学习的发展大幕，之后2014年的VGGNet的提出使得深度神经网络的实现成为可能，但在网络加深的同时会出现梯度消失的问题。2015年ResNet的提出，通过残差连接的方法解决了上述问题，减少了模型收敛时间，使得网络更深而不容易出现梯度消失的问题。

现如今目标检测算法主要分为两类：onestage方法和two-stage方法。two-stage方法通过算法生成一系列候选框，然后在候选框上进行回归和分类，其特点是准确度高，但识别速度相对较低。2014年Girshick等人提出R-CNN(RegionCNN)算法，Fast-RCNN,Faster-RCNN使用了选择性搜索的方法生成候选框，之后通过卷积神经网络提取候选框的特征，最后将特征输入到SVM分类器进行分类回归操作，得到识别结果。为了克服识别速度慢的问题，提出one-stage的方法，其主要通过取消候选框生成的步骤，直接使用卷积神经网络对图像数据进行卷积操作，直接通过提取的特征进行检测和分类。该方法速度快，但是识别准确度相对two-stage方法普遍较低。2016年，YOLO系列算法的提出,在保证识别准确率的同时，解决了算法实时性的问题。该算法将检测和分类过程整合为一个过程，并且在每个特征单元上预测检测框位置和类别，最后结合图像数据中的背景信息在整个图像特征上进行预测，得到最终的识别结果。同样one-stage算法的代表，SSD检测算法结合了R-CNN算法和YOLO算法的优势，通过再多尺度的特征检图上生成不同的大小的候选框，实现对各种尺寸目标的检测。以上的两类算法属于Anchor-Base类算法，需要找到可能目标的锚框后对其进行类别预测。近年来出现了Anchor-Free类的方法，不需要锚框，直接通过关键点对目标进行检测与定位，不仅提高了检测速度，而且能更好的适应不同尺寸的目标。

基于以上问题，本发明根据无锚框网络CenterNet的基础上加入了特征融合和注意力机制模块，在保证车辆检测速度的同时，提高了检测精度，对车辆出现的叠加，小目标等都有所提高。

发明内容

为解决上述问题，本发明实例提供了一种基于无锚框检测网络改进的车辆检测方法，目的是提高车辆检测的精度和速度，包括以下形成步骤：