[发明专利]细粒度非机动车特征检测方法、存储介质及计算机设备

权利要求书

1.一种细粒度非机动车特征检测方法，其特征在于，包括以下步骤：

S1、构建特征检测网络，所构建的特征检测网络包括卷积神经网络、多个分块融合模块，以及驾驶人特征检测器和非机动车特征检测器，卷积神经网络包括多个串接的CBR模块和最大池化层；多个分块融合模块相连接，每个分块融合模块还分别与卷积神经网络的一个CBR模块、驾驶人特征检测器、非机动车特征检测器连接，从而实现从深层特征图向浅层特征图分块融合的特征金字塔网络；

S2、从特征检测网络的不同CBR模块中选取多个网络特征层，进行逐层分块及融合处理，得到融合后的驾驶人细粒度特征图和非机动车细粒度特征图；

S3、将分块融合后的驾驶人细粒度特征图和非机动车细粒度特征图分别输入驾驶人特征检测器、非机动车特征检测器，进行感兴趣区域的定位和分类；

S4、将分块融合后的驾驶人细粒度特征图和非机动车细粒度特征图分别输出到上采样层，向浅层特征图进一步分块融合特征，得到融合了更细粒度分辨率信息的驾驶人特征图和非机动车特征图；

每个分块融合模块均包括切分模块及分别与切分模块连接的两条输出支路，每条输出支路均包括相连接的相加模块和卷积模块，相加模块对来自CBR模块经切分模块处理后的特征图、上采样层输出的特征图进行叠加处理；

每个分块融合模块的输入包括三个，一个是CBR模块的输出，两个是上采样层的输出；分块融合模块的输出包括四个，两个输出到上采样层进行向上特征金字塔融合，两个输出到驾驶人特征检测器、非机动车特征检测器进行分类回归处理。

2.根据权利要求1所述的细粒度非机动车特征检测方法，其特征在于，所述检测方法还包括：

S5、对所构建的特征检测网络进行训练，在训练过程中加入互斥损失函数L_Mutex让特征检测网络模型准确区分出同类目标重叠的检测框。

3.根据权利要求2所述的细粒度非机动车特征检测方法，其特征在于，利用互斥损失函数L_Mutex拉大候选框P与周围真值框T₂间的距离，周围真值框T₂为除了与候选框匹配上的真值框T₁以外的重叠程度最大的真值框；通过函数IoT(P,T₂)来表示候选框P与周围真值框T₂间的距离：

其中，area(P∩T₂)表示候选框P与周围真值框T₂的交集面积，area(T₂)表示周围真值框T₂的面积；候选框P与周围真值框T₂间的互斥损失函数L_Mutex表示为：

其中P⁺表示N个正样本候选框，若不存在周围真值框T₂，则IoT＝0；特征检测网络在训练过程中采用的损失函数为：

L_all＝L_conf+L_loc+γ·L_Mutex

L_conf和L_loc分别表示特征检测网络中的分类损失和定位损失；γ为互斥损失的权重系数。

4.根据权利要求1所述的细粒度非机动车特征检测方法，其特征在于，步骤S2中，从特征检测网络的六个不同CBR模块中选取网络特征层，分别作为五个分块融合模块的输入；经过五个分块融合模块逐层分块特征融合后，输出5个驾驶人细粒度特征图和5个非机动车细粒度特征图，各自输入到对应的检测层进行区域定位和类别识别。