[发明专利]一种基于Car-Det网络模型的车辆检测方法及装置

说明书

本发明公开了一种基于Car‑Det网络模型的车辆检测方法及装置，Car‑Det网络模型包括RcNet主干特征提取模块，HNet加强特征提取模块以及YoloHead目标检测模块。检测方法的具体步骤为：将待检测的图像或视频输入到特征提取模块中得到图像的多尺度特征，将所得的多尺度特征统一为中间尺度后，计算它们的平均特征，并通过空间通道注意力模块对特征进行加强，最后将其叠加到原本多尺度特征的每一层，使用YoloHead目标检测模块定位图中的目标物体。本发明通过使用深度可分离卷积，通道注意力机制以及残差思想构建主干网络，大幅减少参数量，通过HNet加强特征提取模块和YoloHead目标检测模块提高了检测目标的准确率。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于Car-Det网络模型的车辆检测方法及装置。

背景技术

近几年伴随着人工智能的快速发展，以及城市化进程的不断加快，智能交通系统已经成为社会的发展趋势。车辆目标检测是智能交通管理系统的重要组成部分之一，广泛应用在智能监控系统领域，极大的缓解了交通压力和交通事故死亡率，提高了交通管理的效率。所以，优化车辆目标检测问题对增强交通管理系统具有重要意义和应用价值。

目前，车辆目标检测算法被分为传统的目标检测算法和基于深度学习的目标检测算法两大类。传统的目标检测算法是基于机器学习的分类器与人工提取的局部特征相结合的算法，主要包括提取特征和分类两个方面，提取的特征通常是梯度方向直方图或类haar特征，结合支持向量机或AdaBoost进行目标检测。容易损失信息从而造成误差，不能满足高精度和高检测速度的场景。

与传统的目标检测算法相比，基于深度学习的目标检测算法具有更高的准确率、更快的检测速度和更强的鲁棒性。例如RCNN、Fast RCNN、Yolo等，但其在智能交通领域针对复杂环境和小目标的检测仍然表现出检测时间长，准确率低，鲁棒性差等问题，难以满足实际场景中的要求。

发明内容

发明目的：针对现有的车辆检测鲁棒性差，过程复杂，检测时间较长，准确率低的问题，本发明提出一种基于Car-Det网络模型的车辆检测方法及装置。

技术方案：一种基于Car-Det网络模型的车辆检测方法，包括以下步骤：

(1)对预先获取的交通标志原始图像进行预处理，分为训练图像和测试图像；

(2)构建Car-Det网络模型；所述Car-Det网络模型包括RcNet主干网络模块、HNet加强特征提取模块以及三个YoloHead目标检测模块；所述RcNet主干网络模块用于提取图像中的目标特征信息，HNet模块用于加强特征信息提取，YoloHead目标检测模块用于检测目标对象；

(3)将训练图像输入到Car-Det网络模型中进行训练；

(4)将测试图像输入到训练好的Car-Det网络模型中，评估模型的性能。