[发明专利]一种轻量级车辆与行人的检测方法

说明书

本发明公开了一种轻量级车辆与行人的检测方法，包括以下步骤：(1)对人、车两类图像数据进行预处理，并将图像数据按比例划分为训练集和测试集；(2)构建基于改进的Yolov3‑tiny为检测模型：利用反残差网络结构结合多尺度可分离卷积对特征提取网络改进；(3)在步骤(2)构建的检测网络上使用训练集进行模型训练，确定最优模型进行检测。本发明通过对模型的压缩实现了在不降低模型精度的情况下，降低了模型的参数量与计算量；同时，结合了多尺度特征融合与自注意力机制，提升了网络的性能；本发明同时保证了精度和稳定性，实现了在移动端对车辆与行人的检测。

技术领域

本发明涉及一种检测方法，尤其涉及一种轻量级车辆与行人的检测方法。

背景技术

随着科学技术的不断发展，人们越来越追求安全、便捷、舒适的生活，例如人们在享受汽车带来便捷出行同时，也更多的关注行车安全问题。因此，如何改善驾驶安全，保障人身安全是目前汽车研究领域一个重要课题。近些年随着辅助驾驶系统的出现，在一定程度上保障了驾驶的安全性。辅助驾驶系统中利用目标检测算法识别前方车辆和行人在图像中的位置，根据已知的摄像机参数和摄像机投影相关知识进行车辆和行人的测距，并根据计算目标和车辆的距离实现行人和车辆的防碰撞预警等。目标检测作为计算机视觉中的一个重要组成部分，实现高效的目标检测算法必定能够在辅助驾驶系统中发挥重大作用。

现有技术中，卷积神经网络在检测算法上取得了较大的提升，其准确率已远高于非深度学习方法。但基于神经网络的检测算法存在计算量和参数量过大的问题，过于庞大的网络模型不利于移动端的部署也难以满足市场，由于各种嵌入式平台受资源的限制，导致卷积神经网络很难在低功耗、低算力平台的嵌入式及移动设备上进行部署。

发明内容

发明目的：本发明旨在提供一种轻量级车辆与行人的检测方法，以解决现有无人驾驶辅助系统中检测方法识别精确度低，模型参数量大，很难在计算量受限的移动端部署的问题。

技术方案：本发明的轻量级车辆与行人的检测方法，包括以下步骤：

(1)对人、车两类图像数据进行预处理，并将图像数据按比例划分为训练集和测试集；

(2)构建基于改进的Yolov3-tiny为检测模型：

利用反残差网络结构结合多尺度可分离卷积对特征提取网络改进，利用瓶颈层对通道进行升降维，然后将通道划分为若干组，并对每组应用不同的卷积核大小；将多尺度特征的组合方式改进为双向双输入特征，对只有一个输入边的节点进行改进，确保每一个节点都有两个尺度的特征输入，并将自上而下与自下而上混合使用；在检测网络引入自注意力机制，利用自注意力模块交错执行特征聚合和特征变换实现特征重标定；

(3)在步骤(2)构建的检测网络上使用训练集进行模型训练，确定最优模型进行检测。

有益效果：与现有技术相比，本发明具有如下显著优点：

本发明通过对模型的压缩实现了在不降低模型精度的情况下，降低了模型的参数量与计算量；同时，结合了多尺度特征融合与自注意力机制，提升了网络的性能；本发明同时保证了精度和稳定性，实现了在移动端对车辆与行人的检测；本发明的模型可以部署到算力受限的嵌入式平台中，在自动辅助驾驶系统中发挥作用。

附图说明

图1为本发明的模块结构图；

图2为本发明实施例中的主干网络各层分布表；

图3为本发明的双向双输入结合自注意力模块结构图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

本发明包括以下步骤：

(一)数据集获取