[发明专利]一种基于区域聚焦的多尺度道路目标检测方法

说明书

本发明公开了一种基于区域聚焦的多尺度道路目标检测方法，涉及道路目标检测技术领域，该方法包括：首先获取固定在智能汽车上的摄像头采集到的图像进行统一缩放并对像素值进行归一化处理，按比例划分数据集，再使用基于GIOU距离的改进k均值聚类方法生成先验锚框；其次构建合适层数的模型并初始化参数，将训练集输入网络进行训练直至达到迭代次数；最后将训练好的模型应用于道路目标检测。该方法改进了原始YOLOv3模型，引入额外的检测分支，考虑到道路目标具有多尺度的特点，结合通道与空间注意力模块和特征图裁剪模块来提升道路目标检测的定位精度。

技术领域

本发明涉及道路目标检测技术领域，尤其是一种基于区域聚焦的多尺度道路目标检测方法。

背景技术

道路目标检测作为保障智能汽车安全驾驶的关键技术之一，广泛应用于自动驾驶系统以及车辆防碰撞系统中。汽车自动驾驶过程中遇到的场景复杂，检测目标如行人、车辆等尺寸差距大，同时各类目标又与检测摄像头距离不定，因此道路目标往往呈现出尺度大小不一的特点，易出现漏检、定位不准确等问题，对道路目标检测算法提出了极大的挑战，因此提高检测算法的多尺度检测能力对于智能汽车的安全行驶具有重要意义。

汽车在驾驶过程中始终处于一个复杂的场景中，为避免碰撞以及更严重的安全事故，其需要正确辨别背景与主要道路目标。道路目标易出现过度重叠的现象，并且当目标距离检测摄像头距离较远时难以检测，此时若处于高速驾驶的过程中容易导致系统反应不及时进而带来发生事故的风险。

目前道路目标检测主要利用卷积神经网络的特征提取能力对道路图像进行充分的提取，从而得到含有高维信息的特征图，再通过一定的手段对特征进行进一步信息提取最终定位各类目标。上述操作可以归纳为特征提取和目标定位两个步骤。随着硬件技术以及数据集的迅速发展，深度卷积神经网络广泛应用到各类目标分类网络中，能够充分学习到图像中的特征信息。在后续目标定位中一般存在两种方案，分别是另外设置网络对目标进行检测和在特征提取网络后添加检测头进行检测。由于道路目标检测对实时性要求较高，故一般采取端到端式模型，其特点是兼顾了检测精度和检测效率，但是存在检测小目标能力不足的问题，并且难以承担复杂场景中的检测任务。因此，如何提高快速检测算法的跨尺度检测能力是目前的研究热点。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于区域聚焦的多尺度道路目标检测方法，本发明的技术方案如下：

一种基于区域聚焦的多尺度道路目标检测方法，包括如下步骤：

第一步：通过固定在智能汽车前端的摄像头获取不同场景下的道路图片，将所有道路图片统一缩放为512*512的大小，并对像素值进行归一化处理作为数据集；

第二步：按照4:1的比例将数据集划分成训练集和测试集，对训练集中的样本使用改进的k-means-GIOU算法，对训练集样本中的所有真实边界框进行k均值聚类，迭代生成12个先验锚框；其中，改进的k-means-GIOU算法是在原先的IOU上添加一项得到GIOU距离作为聚类距离，表达式为：

式中，A和B分别代表真实框和预测框的面积，A∩B代表两框的交集面积，A∪B代表两框的并集面积，C代表两框组成的最小闭包区域的面积；

第三步：构建YOLOv3-focus模型，YOLOv3-focus模型包括特征提取网络、特征融合网络和检测头；其中：

特征提取网络选用darknet53网络，darknet53网络共包含53个卷积层，并使用残差连接的方法以克服梯度消失的问题；特征融合网络采用特征金字塔网络对高低维特征进行充分融合；