[发明专利]车灯状态识别方法、装置、设备及存储介质

权利要求书

1.一种车灯状态识别方法，其特征在于，所述方法包括：

获取车辆视频图像；

将所述车辆视频图像输入预先训练好的车辆检测模型，进行车辆目标检测，得到对应车辆的车灯状态识别区域；

将所述车灯状态识别区域输入预先训练好的车灯识别模型，识别出对应车辆的车灯状态；所述车灯识别模型为经过网络通道和层精简的DenseNet分类网络，所述DenseNet分类网络包括三个稠密块和两个过渡层，其中，每两个所述稠密块之间设置一个所述过渡层；在所述DenseNet分类网络的第一个稠密块之后的过渡层添加通道注意力机制模块，构建为SE-DenseNet分类网络；所述通道注意力机制模块加在过渡层的卷积层和最大池化层之间；

所述通道注意力机制模块包括依次级联的分割层、平均池化层、两层卷积层和尺寸重塑层，以及缩放平移层和按元素操作层；

所述平均池化层用于进行全局平均池化将所述分割层输出特征图的全局信息压缩到一个通道描述器，使其具有全局感受野；

所述两层卷积层用于建模通道间的相关性，第一层卷积层实现降维，第二层卷积层实现升维；

所述尺寸重塑层用于对第二层卷积层的输出维度进行调整，得到和输入特征相同数目的归一化的权重；

所述尺寸重塑层的输出和所述分割层的输出作为所述缩放平移层的输入，所述缩放平移层用于对所述尺寸重塑层和所述分割层的输出数据进行scale操作，将得到的归一化后的权重分别加权到对应的通道特征上；

所述缩放平移层的输出和所述分割层的输出作为所述按元素操作层的输入，所述按元素操作层将所述缩放平移层和所述分割层的输出数据进行Eltwise运算，将所述缩放平移层和所述分割层合并后输出，所述按元素操作层的输出作为所述最大池化层的输入。

2.根据权利要求1所述的方法，其特征在于，所述车辆检测模型为YOLOv3-SPP网络；

所述YOLOv3-SPP网络为在YOLOv3网络大目标检测分支的第一卷积层和第二卷积层之间添加SPP空间金字塔结构得到的。

3.根据权利要求2所述的方法，其特征在于，在所述YOLOv3-SPP网络的小目标检测分支中融合浅层特征。

4.根据权利要求1所述的方法，其特征在于，所述根据所述车辆视频图像，采用预先训练好的车辆检测模型，进行车辆目标检测，确定对应车辆的车灯状态识别区域，包括：

将所述车辆视频图像输入预先训练好的车辆检测模型，得到高度为H的指示车辆位置信息的目标框；

截取目标框高度从H/2开始至H的区域，得到车灯状态识别区域。

5.根据权利要求1所述的方法，其特征在于，所述DenseNet分类网络的损失函数为：

Loss＝-αq(x)log(p(x))

其中，α为平衡因子，α_N为第N种车灯状态类别样本数量的占比，N为车灯状态类别数；x为输入的特征数据；p(x)为车灯状态类别的预测概率；q(x)为车灯状态类别的真实概率。