[发明专利]抗复杂街道背景干扰的车型检测方法、系统及存储介质

权利要求书

1.一种抗复杂街道背景干扰的车型检测方法，其特征在于，包括以下步骤：

从监控视频中获取原始帧图像；

将所述原始帧图像输入车型检测模型进行检测，输出包含车辆位置信息和车型类别信息的检测结果；

其中，所述车型检测模型采用注意力机制替换网络中的残差连接。

2.根据权利要求1所述的一种抗复杂街道背景干扰的车型检测方法，其特征在于，所述车型检测方法还包括训练车型检测模型的步骤，具体为：

收集复杂街道背景下的各类车型图像，对收集到的所述车型图像进行标定，生成原始训练集；

对所述原始训练集进行镜像翻转操作，生成综合扩增训练集；

以添加注意力机制的Darknet53网络作为YOLOv3模型骨架网络，并增加一个特征维度，构建初始检测模型；

采用所述综合扩增训练集对所述初始检测模型进行训练，并在训练完成后，获得车型检测模型。

3.根据权利要求2所述的一种抗复杂街道背景干扰的车型检测方法，其特征在于，训练过程中采用端到端的方式进行训练，所述车型检测模型包含车辆候选区域提取的功能、车型检测特征提取的功能及车型特征分类的功能。

4.根据权利要求2所述的一种抗复杂街道背景干扰的车型检测方法，其特征在于，所述对收集到的所述车型图像进行标定，包括：

采用矩形框对所述车型图像中的车辆进行标定，要求矩形框中包含所述车辆的整体；

记录所述矩形框的第一左上角点坐标和所述矩形框的宽高；

根据第一左上角点坐标和所述矩形框的宽高获取并记录所述矩形框的第一右下角点坐标。

5.根据权利要求4所述的一种抗复杂街道背景干扰的车型检测方法，其特征在于，所述对所述原始训练集进行镜像翻转操作，生成综合扩增训练集，包括：

对所述原始训练集的所述车型图像进行镜像翻转操作，获得镜像翻转训练集；

根据所述第一左上角点坐标、第一右下角点坐标和所述矩形框的宽高获取并记录镜像翻转后的车型图像的第二左上角点坐标和第二右下角点坐标；

将所述原始训练集和所述镜像翻转训练集进行整合，获得综合扩增训练集。

6.根据权利要求2所述的一种抗复杂街道背景干扰的车型检测方法，其特征在于，所述以添加注意力机制的Darknet53网络作为YOLOv3模型骨架网络，并增加一个特征维度，构建初始检测模型，包括：

将注意力机制模块添加到所述Darknet53网络中，在所述Darknet53网络原有的残差块之后添加一个全局池化层和全连接层，对卷积得到的特征图进行处理，得到一个和通道数目一样的一维向量；

通过所述一维向量筛选出针对各个通道的注意力；

将所述Darknet53网络作为YOLOv3模型的骨架网络，在所述YOLOv3模型的最后一个yolo层后面再增加一个特征检测层，以将特征尺度增加到四个；

在所述YOLOv3模型的融合层中，将第一百零九层网络输出的特征和第十一层提取得到的特征进行特征融合；

根据修改的所述特征尺度重新计算预测使用的anchors，以加快训练过程的收敛。

7.根据权利要求6所述的一种抗复杂街道背景干扰的车型检测方法，其特征在于，所述一维向量的计算公式为：

其中，Y_(i，j)＝[Y1，Y2，…，Yl]代表长度为l的一维数组，是前一层网络卷积操作后的输出；输出结果为长度为l的一维数组Z_(i，j)＝[Z1，Z2，…，Zl]表示的是在宽高为H×W的特征图上横纵坐标分别为i和j的点。

8.一种抗复杂街道背景干扰的车型检测系统，其特征在于，包括：

图像获取模块，用于从监控视频中获取原始帧图像；

图像检测模块，用于将所述原始帧图像输入车型检测模型进行检测，输出包含车辆位置信息和车型类别信息的检测结果；

其中，所述车型检测模型采用注意力机制替换网络中的残差连接。