[发明专利]一种基于多层特征融合的车辆检测方法

说明书

本发明公开了一种基于多层特征融合的车辆检测方法，包括如下步骤：步骤一：获取带有标注的车辆检测数据集；步骤二：针对训练集中车辆的尺寸重新设计先验框大小；步骤三：使用YOLO v4的主干特征提取网络CSPdarknet 53，将提取到的四个不同尺度的特征作为输入传入多层特征融合网络，经过两次多层特征融合网络，将输出的三个不同尺度特征图传入分类回归预测网络得到最终预测结果；步骤四：训练网络模型并测试网络性能。因此本发明能够提高网络对于小目标车辆的检测准确率并提高了检测速度。

技术领域

本发明涉及图像目标检测领域，特别涉及一种基于多层特征融合的车辆检测方法。

背景技术

随着计算机技术以及人工智能的快速发展，图像目标检测技术近年来取得了突破性进展。车辆检测作为目标检测的一个分支，其目标是在图像或视频中检测出车辆相关信息，其在城市智能交通建设、自动驾驶等领域发挥着重要作用。

目标检测技术主要基于卷积神经网络，包括两个分支：两阶段检测方法与一阶段检测方法。两阶段检测方法包括R-CNN,Fast R-CNN,Faster R-CNN等，特点是精度高，但是检测速度较慢。一阶段检测方法包括SDD,YOLO系列等，特点是速度快，但是精度不如二阶段检测方法。由于车辆检测对于速度、精度有一定要求，所以一阶段方法更适合用于车辆检测。YOLO v4是YOLO系列第四代算法，它通过CSPDarknet53网络提取图像不同尺度特征并进行融合，通过不同尺度特征分别检测不同大小目标，使得它在检测速度和精度之间达到了较好的平衡。但是YOLO v4对于小目标的检测效果不够优秀，而车辆检测会包含大量小目标车辆，这使得YOLO v4不能很好的满足车辆检测要求。

发明内容

本发明的目的是在于提供一种基于多层特征融合的车辆检测方法，基于YOLO v4网络结构，通过加入新的特征层以及使用多层特征融合网络，提高网络对于小目标的检测精度和检测速度。

本发明提供的技术方案为：

一种基于多层特征融合的车辆检测方法，包括如下步骤：

步骤一：获取带有标注的车辆检测数据集，划分训练集、验证集、测试集。

步骤二：针对训练集中车辆的尺寸重新设计先验框大小，使用k-means聚类方法，得到9个聚类中心作为先验框的尺寸。

步骤三：使用YOLO v4的主干特征提取网络CSPdarknet 53，将提取到的四个不同尺度的特征作为输入传入多层特征融合网络，经过两次多层特征融合网络，将输出的三个不同尺度特征图传入分类回归预测网络得到最终预测结果。

步骤四：通过训练集训练网络模型并在训练过程中使用验证集对模型进行验证。最后通过测试集评估网络性能。

优选的，所述步骤一中的数据集获取通过提取coco2017数据集中的车辆类别得到，将coco2017-train中提取的车辆图片90％作为训练集，10％作为验证集，将coco2017-test中提取的车辆图片作为测试集。

优选的，所述步骤二中的针对训练集中车辆的尺寸重新设计先验框大小包含如下步骤：

(1)随机选取九个框作为聚类中心框。

(2)计算真实框和聚类中心框的距离，公式如下：

d(B,C)＝1-IOU(B,C)

其中B代表真实框，C代表聚类中心框，IOU代表交并比，d代表聚类中心心框和真实框的距离。将真实框划分到距离最近的一个簇中。

(3)所有真实框划分完毕后，对每个簇重新计算聚类中心。

(4)重复步骤(2)和(3)，直到聚类中心收敛，将9个聚类中心作为先验框。

优选的，所述步骤三包括如下步骤：