[发明专利]一种基于自动驾驶场景的抗遮挡目标检测方法

说明书

本发明属于目标检测技术领域，涉及一种基于自动驾驶场景的抗遮挡目标检测方法，引入了多重距离测量的概念对边界框回归损失函数进行了优化，改善了模型对于密集遮挡目标的检测鲁棒性；同时引入了软距离交并比‑非极大抑制策略，预测框筛选过程中遵循预测距离交并比越大，置信度得分越低的原则筛除候选框，该策略考虑预测框中心点的重合度以及对置信度较低的预测框进行置信度衰减处理，不至于去除过多的重叠物体的预测框，可以缓解目标互相遮挡的情况，不仅可以用来进行自动驾驶场景的目标检测任务，还可以用于其他拥挤场景的目标检测任务，极大的降低了在拥挤场景时检测漏检率。

技术领域

本发明属于目标检测技术领域，涉及一种基于自动驾驶场景的抗遮挡目标检测方法。

背景技术

随着社会经济的快速发展，汽车的保有量迅速增加，人民的日常出行便利性得到了提升，随之而来的环境污染、交通事故也引起了人们的关注，随着大数据、人工智能技术的发展，自动驾驶技术将成为缓解交通问题的有效途径之一，自动驾驶车辆关键技术中环境感知技术为其它关键技术提供数据支撑，通过使用目标检测算法对采集到的视频进行检测，不仅可以获取车辆、行人的基本信息，还可获取相应的流量信息，并预测其运动趋势。

传统的目标检测和图像分割方法需要手工设计特征，这严重影响了检测的性能，基于深度学习的目标检测方法通过加深神经网络的层次来提取更丰富的特征信息，可显著提升检测和分割的性能，在自动驾驶场景中，车辆和行人作为最重要的目标之一，由于其自身和环境特点，与一般的目标检测任务相比，自动驾驶场景的车辆和行人更易出现遮挡的情况，包含不同类别之间的遮挡和相同类别的之间的相互遮挡，导致检测网络的特征提取难度大，往往出现漏检、误检、检测精度低等问题；此外，一般的目标检测使用非极大抑制（NMS）作为目标检测的后处理方法，其基本思想是抑制不是极大值的元素，进行局部最大值搜索，而这种使用贪心策略的迭代方法在遮挡场景效果不是很好，这是因为目标之间互相遮挡，检测器产生的预测框排列十分紧密，NMS无法区分某个预测框隶属于哪个目标，使得本应属于另一个目标的预测框在算法中超过阈值而被抑制掉，最终导致漏检的情况。

由此可见，自动驾驶场景的目标检测存在目标密集遮挡、环境复杂的突出挑战，急需更有效的方法提升检测的抗遮挡能力。

发明内容

为克服现有技术的不足，本发明提供一种基于自动驾驶场景的抗遮挡目标检测方法，用来应对自动驾驶场景的目标检测存在目标密集遮挡、环境复杂的挑战，可同时用于其他存在遮挡场景的目标检测任务，能够高效的实现检测任务。

为实现上述目的，本发明实现抗遮挡目标检测的具体过程包括如下步骤：

（1）数据集构建：收集自动驾驶场景的车辆和行人图像，构建自动驾驶拥挤场景的目标检测数据集，并将数据集划分为训练集、验证集和测试集，其数量比为6：2：2；

（2）深度卷积特征提取：先对步骤（1）数据集中的图像尺寸和数值范围进行初始化处理，再将处理后的图像输入到主干网络中进行卷积特征提取，并使用特征金字塔提取多尺度特征用于检测近距离和远距离的不同尺寸的目标，输出多尺度特征集合；

（3）目标检测头：根据步骤（2）得到的多尺度特征集合，分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置信息，从而完成目标框类别分类和位置回归的任务，获得目标的坐标位置；

（4）多重距离边界框回归损失函数：使用多重距离边界框回归损失函数约束预测框和真实边界框之间的误差，并扩大预测框与其他目标的预测边界框之间的距离；

（5）软距离交并比-非极大抑制策略：使用软距离交并比-非极大抑制策略进行预测框筛选，预测框筛选过程中遵循预测距离交并比越大，置信度得分越低的原则筛除候选框，并考虑预测框中心点的重合度以及对置信度较低的预测框进行置信度衰减处理；