[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

说明书

本发明属于智能交通领域，为细粒度非机动车特征检测方法、存储介质及计算机设备，其方法包括：构建特征检测网络，包括卷积神经网络、多个分块融合模块及驾驶人、非机动车特征检测器，通过多个相连接的分块融合模块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；从特征检测网络选取多个网络特征层，进行逐层分块及融合处理，得到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、非机动车特征检测器进行感兴趣区域的定位和分类，还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。本发明提出分块特征金字塔融合的检测网络，提高了目标检测准确率。

技术领域

本发明属于智能交通领域，具体涉及细粒度非机动车特征检测方法、存储介质及计算机设备。

背景技术

非机动车给人们的出行带来了极大的便利，但不戴头盔、无牌驾驶、超载驾驶等违章行为也极大增加了城市交通的安全隐患。借助卡口及电子警擦系统，交警部门可以对非机动车进行智能化交通管制，例如对非机动车人进行视频结构化分析、行进轨迹追踪等。

非机动车人包含两个部分：驾驶人和非机动车。非机动车人常常包含许多重要的感兴趣区域(ROI)，如车牌、车头、驾驶人头部、非机动车上半身等感兴趣区域，对非机动车人进行ROI目标检测是进行非机动车人属性分析的基础，也是非机动车人结构化分析的重要内容之一。

另一方面，现有基于深度学习的目标检测方法主要有两种：

1.Faster Region-based ConvolutionalNetwork(快速区域卷积网络)目标检测方法，简称为FasterRCNN方法，是一种两阶段检测法，第一阶段先进行候选区域提取，第二阶段精调候选区域；所以FasterRCNN方法的目标检测精度高，但是由于采取两阶段检测，所以实际检测速度慢。

2.Single Shot MultiBox Detector(单阶段多框检测器)目标检测方法，简称为SSD方法，是一种单阶段检测法，所以检测速度比两阶段检测法快，但是精度比两阶段检测法低。

现阶段非机动车人目标检测方法以SSD方法为主，但是当图像中出现较小目标时，SSD方法精度较低，利用特征金字塔方法可以提高目标检测精度。

非机动车人检测的输入是上下特征分块明显的图像，上半部分为驾驶人，下半部分为非机动车，因此如何基于分块和特征金字塔方法思想融合全局与局部信息提高非机动车人检测效果成为非机动车人结构化的一个重点优化方向。

发明内容

为解决现有技术所存在的技术问题，本发明提供细粒度非机动车特征检测方法、存储介质及计算机设备，提出分块特征金字塔融合的目标检测网络结构，对驾驶人、非机动车进行目标检测，提高了目标检测的准确率。

本发明方法采用以下技术方案来实现：细粒度非机动车特征检测方法，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。