[发明专利]一种特征融合自适应锚框模型车辆检测方法

摘要

本发明公开了一种特征融合自适应锚框模型车辆检测方法。采集车辆数据集的多幅图像，将图像输入到卷积神经网络中进行特征提取，利用A2中得到的特征图来预测候选框，建立预测网络模型，预测中自适应锚框，根据图像中GT框的大小建立自适应阈值得到多个锚框的大小；标签和偏移量的获取：建立预测网络模型的损失函数，训练预测网络；针对未知物体GT框的待测图像，输入到训练后的预测网络模型中，得到候选框及其候选框的位置坐标。本发明提高了对小物体的检测能力，有效的提高了车辆检测性能，结果较为准确。

主权项

1.一种特征融合自适应锚框模型车辆检测方法，其特征在于：方法如下：A1，采集车辆数据集，车辆数据集包含物体GT框的多幅图像I，物体对象为车辆，GT框数据为[c^*,x^*,y^*,w^*,h^*]，c^*表示GT框内物体的类别，x^*，y^*分别表示GT框内中心点的x坐标和y坐标，w^*，h^*分别表示GT框的高度和宽度；A2，特征融合，将图像I输入到卷积神经网络中进行特征提取，将特征提取后得到不同尺度相融合的大小特征图，在大特征图中对小物体进行检测，在小特征图中对大物体进行检测；A3，候选框预测，利用A2中得到的特征图来预测候选框，具体建立如下预测网络模型：A3‑1，同时用滑动窗口分别在融合后的大小特征图上分别进行卷积，滑动窗口的中心作为锚点，以每个锚点为中心产生固定数量的不同尺寸的锚框，每个滑动窗口生成一个固定维度的特征；A3‑2，将A3‑1中生成的特征输入到两个全连接层，一个全连接层用于预测锚框是物体的概率p，另外一个全连接层用于预测候选框坐标相对于锚框的偏移量t；A4，预测中自适应锚框，根据图像I中GT框的大小建立自适应阈值得到多个锚框的大小，以进行实时处理；A5，标签和偏移量的获取：为锚框设定标签p^*，将A4‑3得到的不同尺寸的锚框，通过计算锚框和GT框之间的交并比(IOU)来确定锚框的标签p^*；并且计算候选框与锚框之间的偏移量t_ki，GT框与锚框之间的偏移量t_ki^*；A6，建立预测网络模型的损失函数；所述的损失函数是由分类损失和回归损失组成：分类损失函数为：其中，k是融合后的大小特征图的索引，i是锚框的索引，p_ki表示第k特征图第i个锚框是物体的预测概率；p_ki^*是k层第i个锚框的真实标签；L_cls是分类损失，N_cls是分类样本图像数；回归损失函数为：其中，t_ki表示第k特征图的候选框与第i个锚框之间的偏移量，t_ki^*是第k特征图的GT框与第i个锚框的偏移量，N_reg是偏移量的数据总数，L_reg是回归损失，L_reg(t_ki,t_ki^*)＝R(t_ki‑t_ki^*)，R表示具有鲁棒性的平滑L1损失函数；总损失函数为：其中，λ_k为比例系数；A7，将车辆数据集的包含多幅已知物体GT框的图像I采用上述A2～A6进行处理，并输入到预测网络模型通过梯度下降最小化进行训练，使得预测的候选框和GT框相匹配；针对未知物体GT框的待测图像，输入到训练后的预测网络模型中，得到候选框及其候选框的位置坐标，作为车辆物体的检测结果。