[发明专利]一种交通车辆目标检测方法、装置、设备及可读存储介质

说明书

本发明公开了一种交通车辆目标检测方法、装置、设备及可读存储介质，通过对对预处理后的交通图像进行车辆标注，本发明通过将车辆标注后的交通图像进行维度聚类,设置阈值进行聚类anchor box,并且将一个相对远的点选择为下一个初始聚类中心，提高聚类精度；基于特征提取主干网络在浅层部分添加网络层进行浅层特征提取，提高对细节特征处理能力，在保持较高的检测精度的前提下，采用CSPDarknet26进行多层残差网络进行特征提取，能避免卷积层冗余、提高内存利用率、提高训练速度，然后经过多层残差网络进行特征提取后进行多尺度检测，提取丰富的细节信息，CRB能够避免小目标检测效果退化问题，提高了算法在强雨密度交通环境下车辆单类目标检测的适用性与准确性。

技术领域

本发明属于交通车辆检测技术领域，具体涉及一种交通车辆目标检测方法、装置、设备及可读存储介质。

背景技术

近年来，汽车行业发展迅速，汽车已经成为了人们不可或缺的代步工具。随着全球机动车数量日益增加，交通拥堵与交通事故越来越严重，这不仅给国家带来了环境污染，还给家庭带来了损失。基于计算机视觉的车辆检测技术的发展，可以使相关的交通部门实时掌握交通流，从而制定相关的交通指导政策来缓解交通问题。

车辆检测算法主要分为传统的检测算法和基于深度学习的检测算法。传统的车辆检测算法首先选择感兴趣区域并通过滑动窗口提取候选区域，其次对候选区域手动提取特征，最后使用分类器进行分类识别。例如，一些学者采用经典的哈尔特征，通过滑动窗口搜索策略进行检测，有效地降低了误报率；为得到细粒度特征，部分学者通过梯度方向直方图(Histogram of Oriented Gradient，HOG)提取特征。此外，有学者将HOG与支持向量机(Support Vector Machine，SVM)结合，提出可变性部件模型(Deformable Part Model，DPM)。然而，提取的图像特征本质是一种手工提取特征，使得目标检测具有效率低，精度低，泛化性差，流程复杂等缺点。

随着深度学习技术在目标检测领域迅速发展，研究者开始用深度学习技术替代繁琐、精度低的传统技术探讨目标检测问题。根据对实时性和准确性的重视程度不同，深度学习目标检测算法主要分为两类，一类是以R-CNN(Region-Convolutional NeuralNetworks)为代表的两级目标检测器，即两阶段(two-stage)检测模型，也称为基于区域的检测方法，主要包括R-CNN、Fast R-CNN、Faster R-CNN、R-FCN(Fully ConvolutionalNetworks)等。两阶段方法的检测精度虽然很高，但耗时过长，难以达到实时检测的效果。为了平衡检测速度与精度，单阶段(one-stage)检测模型被提出。单阶段检测方法也称为基于回归的方法，无需区域检测过程，直接从图像中获得预测结果，实现了端到端的目标检测。主要包括YOLO(You Only Look Once)、SSD(Single Shot Detector)、YOLOv2、YOLOv3、YOLOv4等系列方法。

YOLOv4目标检测算法最大程度实现了精度与速度的平衡。但是针对单一类别目标检测问题，原始网络显得卷积层冗余，造成内存利用率低，并且当检测与背景颜色相近的小目标时，检测效果较差。

发明内容

本发明目的在于提供一种交通车辆目标检测方法、装置、设备及可读存储介质，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种交通车辆目标检测方法，包括以下步骤：

S1，对交通图像进行预处理得到不同场景的交通图像；

S2，对预处理后的交通图像进行车辆标注，将标注后的交通图像进行维度聚类，设置阈值进行聚类Anchor Box，并且将一个相对远的点选择为下一个初始聚类中心；

S3，基于CSPDarknet26特征提取主干网络在浅层部分添加网络层进行浅层特征提取，深层网络部分采用多层残差网络进行特征提取；