[发明专利]基于优化网络结构和混合置信度的道路场景目标检测方法

说明书

本发明公开了一种基于优化网络结构和混合置信度的道路场景目标检测方法，分别对特征提取模块和特征对齐模块进行改进，以优化网络整体结构，提出的特征提取改进策略解决了特征提取网络ResNeSt中的结构不兼容问题，改进算法的特征提取能力更强，能够为网络提供更优质的特征，进而提高检测精度。提出的特征对齐增强策略解决了注意力机制的迁移不适配问题，能够进一步校准目标对应的特征信息，增强特征对齐模块的效果。提出用于道路场景目标检测的混合置信度改进策略，解决了NMS阶段预测框的检测质量表征不合理问题，提高了算法的检测精度。

技术领域

本发明涉及机器视觉分析技术领域，尤其是涉及一种基于优化网络结 构和混合置信度的道路场景目标检测方法。

背景技术

道路场景目标检测作为无人驾驶领域的研究基础，也一直是计算机视 觉领域的热点与难点问题。道路场景目标检测运用计算机视觉判断道路上 是否含有车辆、行人等目标并识别出目标的种类及其具体位置，算法的准 确率和实时性将直接影响无人驾驶车辆的安全性能。近年来，随着计算机 硬件技术和深度学习算法在计算机视觉中的突破性进展，基于深度学习的

道路场景目标检测算法已经成为主流，并且可以分为双阶段、单阶段 以及1.5阶段三类算法。双阶段及其改进算法结构复杂、推理时间长，专注 于提升准确率却牺牲了实时性。以YOLO系列和SSD系列为代表的单阶段 目标检测算法显著缩短了检测时间，但算法的精度较低，难以直接应用于 复杂的道路场景。1.5阶段目标检测算法RepPoints兼具了单阶段和双阶段 算法的优点，但RepPoints在NMS(非极大值抑制)阶段则同样存在检测 质量表征不合理问题。而定位置信度直接决定了NMS阶段的结果走向，进 而影响道路场景目标检测的精度，因此问题的关键在于如何选择道路场景 目标检测的最优定位置信度，且相关技术中道路场景多尺度目标的检测精 度也不高。

发明内容

本发明的目的在于克服上述技术不足，提出一种基于优化网络结构和 混合置信度的道路场景目标检测方法，解决现有技术中选择道路场景目标 检测的最优定位置信度困难，道路场景多尺度目标的检测精度也较低的技 术问题。

为达到上述技术目的，第一方面，本发明的技术方案提供一种基于优 化网络结构和混合置信度的道路场景目标检测方法，包括以下步骤：

获取道路场景图像；

使用Dilated-ResNeSt网络对所述道路场景图像进行特征提取得到特征 图，使用特征聚合操作代替ResNeSt中的全连接层；

使用特征金字塔对所述特征图进行特征融合；

使用特征对齐增强策略对所述特征图进行处理以实现注意力机制的动 态融合；

对于所述道路场景图像中的目标进行分类和回归，根据不同的目标尺 度敏感性选择不同作用机理的混合置信度，以改善NMS阶段检测质量表征 方法的合理性和提升道路场景多尺度目标的检测精度。

与现有技术相比，本发明提供的基于优化网络结构和混合置信度的道 路场景目标检测方法的有益效果包括：

基于优化网络结构和混合置信度的道路场景目标检测方法分别对特征 提取模块和特征对齐模块进行改进，以优化网络整体结构，提出的特征提 取改进策略解决了特征提取网络ResNeSt中的结构不兼容问题，改进算法 的特征提取能力更强，能够为网络提供更优质的特征，进而提高检测精度。 提出的特征对齐增强策略解决了注意力机制的迁移不适配问题，能够进一 步校准目标对应的特征信息，增强特征对齐模块的效果。提出用于道路场 景目标检测的混合置信度改进策略，解决了NMS阶段预测框的检测质量表 征不合理问题，提高了算法的检测精度。

根据本发明的一些实施例，在所述使用特征金字塔对所述特征图进行 特征融合之前，还包括步骤：堆叠卷积层以增加所述特征聚合操作的输入 通道数。