[发明专利]一种基于结构化语义信息的车辆检测方法

说明书

本发明提出来一种基于结构化语义信息的方式来增加车辆识别的准确率，该方法就是在原来的two‑stage算法的基础上，增加了一个网络分支。利用原有的网络进行特征的提取以及图像背景和前景的区分，利用新加的网络分支来对前景的结构化语义信息来进行提取，这些结构化的语义信息是提前设计好的。然后利用提取出来的结构化语义信息来进行车辆的判断，这样在增加了大量的冗余信息来判断检测车辆，来提高检测准确率。

技术领域

本发明涉及一种检测方法，特别涉及一种基于结构化语义信息的车辆检测方法。

背景技术

车辆检测属于目标检测中的一种任务，目前随着人工智能快速发展、各种技术基础的成熟。与车辆相关的技术应用层出不群，例如自动驾驶、道路的交通监控以及车牌照的识别等等，目前依赖深度神经网络来实现这些任务已经成为了一种主流。现阶段主流的目标检测方案分为两类：one-stage和two-stage,YOLO系列以及SSD算法就是one-stage检测算法，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，这样一步就可以得到检测的结果。RCNN系列的检测算法属于two-stage检测算法，其主要思路是先通过启发式方法(selective search)或者CNN网络(RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归来实现目标检测，虽然这种方式较前者算法复杂度高了，计算机的开销增加了，但是检测的准确率提高了。

工业化的过程就是对于检测准确率不断提高的过程，尤其是关于一些敏感的技术(如自动驾驶)领域，需要一些更高准确率的检测方案来增强可靠性。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种基于结构化语义信息的车辆检测方法，通过设计特殊的深度神经网络结构来实现结构化语义信息的提取，利用这些信息来在提高车辆判别的准确率。

为解决上述技术问题，本发明采用的技术方案是：一种基于结构化语义信息的车辆检测方法，所述检测方法包括如下步骤：

a)主干网络对输入图像进行特征提取；

b)将所述特征提取得到的图像输入到RPN网络中进行前景或背景分类；

c)主干网络得到前景目标边框；

d)分支网络将所述前景目标边框和所述特征提取相结合进行结构化语义信息提取，来进行车辆的判断。

所述方法的测试阶段包括以下步骤：

1)主干网络通过残差网络对输入图像进行特征提取，将提取的不同水平的特征映射设计成特征金字塔输入到主-RPN网络；

2)所述主-RPN网络将所述特征金字塔中四个不同水平的特征映射进行处理，得到所述四个特征映射锚点的边界框并得到其是前景或背景的一个分数；

3)将上述步骤得到的所述边界框以及分类分数输入到主-提案层中进行筛选，得到固定数量的锚点值，并用所述边界框对所述锚点值进行修正得到一些提议；

4)主-检测层将筛选出的所述锚点值和输入标签的目标边界框进行交并比，利用交并比来排序，筛选出交并比最大的锚点格式化作为返回值；

5)利用主-金字塔感兴趣区域对齐把所述返回值与所述四个不同水平的特征映射相对应，并合并到相同的大小来解决不同水平锚点大小不一样的问题，输出合并值；

6)通过主-边框层来回归出目标的边界框；

7)分支网络将所述残差网络提取的特征映射以及所述主干网络回归出来的所述目标边界框相结合，得到所述目标边界框的特征映射，利用分-RPN网络对所述目标边界框的特征映射进行边界框以及前景或背景分数的提取；