[发明专利]一种基于视觉传感器的路侧车辆识别方法

说明书

一种基于视觉传感器的路侧车辆识别方法，该方法针对路侧视角下多尺度车辆目标识别准确率低的问题，搭建基于视觉传感器的路侧车辆识别网络，首先构建残差注意力模块；其次，将残差注意力模块引入到YOLOv3网络的多尺度特征融合结构，形成基于残差注意力模块的路侧车辆识别网络YOLO‑A；然后，在YOLO‑A网络的基础上加入无锚框特征选择模块，形成改进YOLOv3网络的路侧车辆识别模型YOLO‑AF；接下来，训练YOLO‑AF网络；最后，使用训练好的YOLO‑AF网络进行路侧车辆识别。本发明提出的一种基于视觉传感器的路侧车辆识别方法具有较高的准确率和良好的实时性。

技术领域

本发明属于深度学习和环境感知领域，涉及一种基于视觉传感器的路侧车辆识别方法。

背景技术

随着现代社会经济的高速发展，城市化进程的加速，汽车在人们生产生活中占据越来越重要的地位。而随着车辆的急剧增加，交通逐渐成为社会发展的热点问题。智能车路系统应运而生，旨在借助现代化科学技术，改善交通通行状况，实现“人-车-路-云”的高度协同，是解决当前城市交通问题的有效途径。

在以车和路的智能化为条件的智能车路系统中，“聪明的车”和“智慧的路”是重要的双驱。“聪明的车”即智能汽车，“智慧的路”即智能路侧设备。在智能车路系统中，智能汽车的环境感知来源主要可以分为两大类，即自主式环境感知和协同式环境感知。自主式环境感知是利用毫米波雷达、摄像机等车载传感器进行环境感知；协同式环境感知是以车联网为基础，基于智能路侧设备捕获微观高分辨交通信息(周围车辆位置、车辆数量、行人位置与行人数量等)，并通过类似DSRC的无线传输设备广播到相关车辆和行人，作为辅助信息提供给车辆，感知更大范围的交通情况。其中，车辆作为主要的交通参与者，精准感知其空间位置、数量和类型等交通信息对降低车辆拥堵、减少交通事故发生具有重要意义。

此外，常见的环境感知传感器包括视觉传感器、雷达等。其中，视觉传感器具有探测范围广、成本低、采集的颜色信息丰富等优点，在目标识别尤其是目标分类方面，具有比较突出的优势。随着传统数字图像处理以及深度学习技术的快速发展，基于视觉传感器的车辆识别技术逐渐成为研究热点，在环境感知邻域中起到十分重要的作用。因此本文研究了一种基于视觉传感器的路侧车辆识别方法。

在路侧复杂交通场景中，车辆由远及近分布，路侧感知传感器获取的远近车辆信息的丰富度不同，尤其是远处车辆，数据分辨率较低，难以进行准确识别与定位。因此如何利用路侧端视觉传感器的数据信息，提高远处车辆目标的识别准确率，获取准确的车辆位置信息，保持较高的系统实时性，是极具挑战性且亟待解决的难题。

发明内容

针对上述难题，本发明提出了一种基于视觉传感器的路侧车辆识别方法，该方法包括如下步骤：

(1)首先，构建残差注意力模块；设深层低分辨率语义特征图为S₀，浅层高分辨率特征图为T，生成的注意力特征图为S；在残差注意力模块中，先将特征图S₀进行卷积、上采样处理，得到注意力图S₂；然后，将注意力图S₂与图T依次进行像素级相乘、像素级相加操作，生成最终的注意力特征图S；具体步骤为：

步骤一：对特征图S₀进行核为3×3的卷积处理，得到语义特征权重图S₁；卷积处理过程中采用Sigmoid函数进行非线性激活，Sigmoid函数解析式为：

在式1中，f()是Sigmoid函数表达式，z是特征图中点的语义值，e是自然常数；

步骤二：对语义权重图S₁进行上采样处理，得到与T空间大小相同的注意力图S₂；

步骤三：注意力图S₂与图T像素级相乘，生成的特征图与图T进行像素级相加运算，得到注意力特征图S，表达式如下：