[发明专利]一种基于神经网络的无人驾驶专用车辆检测方法

权利要求书

1.一种基于神经网络的无人驾驶专用车辆检测方法，其特征在于，包括：

步骤一：构建特征提取网络、堆叠特征图和锚框生成网络，并对数据集的汽车长宽数据进行聚类运算；

步骤二：对所述锚框生成网络输出的边界框进行坐标调整，去除冗余的边界框，获得检测结果。

2.如权利要求1所述的基于神经网络的无人驾驶专用车辆检测方法，其特征在于，所述步骤一中，构建特征提取网络的过程包括：

构建Fire模块和池化层，每三个Fire模块和一个池化层构成所述特征提取网络的一个组成单元，并在前一个Fire模块和后一个Fire模块之间加入残差连接。

3.如权利要求2所述的基于神经网络的无人驾驶专用车辆检测方法，其特征在于，所述Fire模块的构建过程包括：

先设置压缩层，再设置扩展层，所述压缩层为1×1的卷积层，所述扩展层包含1×1的卷积层和3×3的卷积层，所述压缩层的卷积核数目为S_1×1，所述扩展层的1×1的卷积层的卷积核数目为e_1×1，所述扩展层的3×3的卷积层的卷积核数目为e_3×3，满足关系式：S_1×1＝SR×(e_1×1+e_3×3)，SR表示缩减系数。

4.如权利要求1所述的基于神经网络的无人驾驶专用车辆检测方法，其特征在于，对数据集的汽车长宽数据进行聚类运算的过程包括：

从数据集的汽车长宽数据中选取k个样本点形成k个聚类中心，计算k个样本点中的每个样本点到各个聚类中心的距离D_ij，满足关系式：其中，D_ij表示第i个样本点到第j个聚类中心的距离，(x_i,y_j)表示k个样本点中的一个样本点，(x_ui,y_uj)表示k个聚类中心中的一个聚类中心。

5.如权利要求4所述的基于神经网络的无人驾驶专用车辆检测方法，其特征在于，对数据集的汽车长宽数据进行聚类运算的过程还包括：

依据样本点到各个聚类中心的距离D_ij的不同，将样本点划分到不同的簇，每个簇的聚类中心和属于这个簇的样本点之间满足关系式：其中，SSE表示误差平方和，U_m是第m个簇，(x_um,y_um)表示U_m这个簇的聚类中心，表示属于U_m这个簇的样本点。

6.如权利要求1所述的基于神经网络的无人驾驶专用车辆检测方法，其特征在于，所述步骤二中，对所述锚框生成网络输出的边界框进行坐标调整的过程包括：

所述锚框生成网络的锚框数据为其中，表示锚框左上角的横坐标，表示锚框左上角的纵坐标，表示锚框的宽度，表示锚框的高度，并按以下关系式调整边界框的坐标：

其中，表示锚框左上角横坐标的偏差值，表示锚框左上角纵坐标的偏差值，表示锚框宽度的偏差值，表示锚框高度的偏差值，表示调整后的边界框坐标，sig()为sigmoid函数，sigmoid函数的公式为：

7.如权利要求1所述的基于神经网络的无人驾驶专用车辆检测方法，其特征在于，所述步骤二中，去除冗余的边界框的过程包括：

去掉分数低于阈值的所有边界框，对剩下的边界框用非极大值抑制过滤掉多余的部分，每个边界框分数的公式为：

其中，表示边界框的分数，表示边界框包含汽车的概率，表示边界框与真值的交并比。

8.如权利要求1所述的基于神经网络的无人驾驶专用车辆检测方法，其特征在于：所述步骤二中，去除冗余的边界框后，还采用随机梯度下降算法对所述数据集进行训练。