[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

说明书

本发明属于无人驾驶目标检测的技术领域，具体涉及一种基于神经网络的无人驾驶专用车辆检测方法，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。本发明通过小规模且满足准确性和实时性要求的车辆检测神经网络，满足了无人驾驶汽车在特定区域对车辆检测的需求，提高了无人驾驶汽车的目标检测性能。

技术领域

本发明属于无人驾驶目标检测的技术领域，具体涉及一种基于神经网络的无人驾驶专用车辆检测方法。

背景技术

在很多道路及园区场景中，行人是与汽车分开的，而且在行人众多的场景下考虑到安全因素，无人驾驶还不太容易投入使用。而无人驾驶汽车的目标检测系统考虑了太多行人的因素，这就导致了检测性能的下降。在行人不多的场景中，实际上不需要实时检测行人的位置，因为其在人行路上是相对安全的，遇到突发情况，无人车可以依靠紧急避障雷达躲避行人。而和无人驾驶汽车处在同一条道路上的汽车就必须要实时检测其位置，这样才能安全行驶。所以，设计一种专门检测汽车的目标检测网络是有必要的。无人驾驶汽车行驶在路上，需要感知周围复杂的环境和物体，其中发生交互最多的对象当然就是临近的车辆了，因此对前方车辆进行及时准确的检测是保障无人驾驶汽车安全行驶的关键。

现有技术中，用于环境感知的不同传感器各有其特点。激光雷达的精度非常高，可用来产生高精度地图并针对高精地图完成移动车辆的定位。但是，激光雷达的价格较高，难以实现大规模应用，而且点云数据具有很强的稀疏性。相比之下，摄像头的成本低，可以在车辆上大规模安装，并且，图像或视频数据能提供比点云数据更丰富的信息。基于人类驾驶的经验，通过设计合适的算法，理论上只用摄像头这一种传感器即可满足无人驾驶对环境感知的需求。因此基于视觉的目标检测是无人驾驶技术不可替代的一部分。近些年，硬件计算能力的提高以及大量数据集的产生，推动了深度学习的快速发展，从中受益最多的领域之一就是图像处理。传统的特征提取和分类算法逐渐被深度学习取代。正是深度学习，大数据等技术的发展，使得基于视觉的无人驾驶有了实现的可能。

然而，发明人发现了现有的无人驾驶专用车辆检测方法通用性差，检测算法复杂度高，运行速度慢，难以实际应用。因此，亟需一种新型的检测方法以解决上述问题。

发明内容

本发明的目的在于：针对现有技术的不足，提供一种基于神经网络的无人驾驶专用车辆检测方法，其通用性强，提高了检测的效率和检测的精度，满足了对车辆检测的准确性和实时性的要求。

为了实现上述目的，本发明采用如下技术方案：

一种基于神经网络的无人驾驶专用车辆检测方法，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。

进一步地，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，残差连接解决了梯度消失和梯度爆炸的问题，使神经网络更深而且不会出现退化问题，所述特征提取网络由三个组成单元串联构成，所述特征提取网络包含九个Fire模块和三个池化层。

进一步地，所述堆叠特征图由所述特征提取网络的前两个组成单元输出的特征图向后传递、并与所述特征提取网络的第三个组成单元输出的特征图组合而成，这样的组合得到包含丰富语义信息的堆叠特征图，有利于提高小物体的检测精度。