[发明专利]基于边界紧约束网络的车辆目标位姿检测方法、装置及存储介质

说明书

本发明公开了一种基于边界紧约束网络的车辆目标位姿检测方法、装置及存储介质，涉及遥感图像目标检测技术，考虑到在实际道路交通场景应用环境中，使用垂直框进行车辆密集度检测即目标检测易受到道路环境复杂、车辆密集度高等因素的影响，造成误检、漏检等情况，而使用旋转矩形框进行车辆检测可以改善这一情况，因此，在YOLOv5的网络结构上新增加旋转分支，将多尺度特征和原检测结果转化为带有角度信息的旋转框检测结果，基于原损失函数和旋转分支重新定义了多任务损失函数，在满足实时性的需求下提升检测准确率。

技术领域

本发明涉及基于深度学习的端到端无锚图像目标搜索技术领域，具体涉及一种基于边界紧约束网络的车辆目标位姿检测方法、装置及存储介质。

背景技术

伴随着物联网、深度学习、交通监控技术的蓬勃发展，智能交通的理念已经逐渐进入了大众的视野，同时随着越来越多的企业开始进入无人车等市场，智能交通也成为一块新兴发展的方向。智能交通的本质并不是简单的智能车或者智能监控，而是一个体系，由车辆、路面、人、云端、监控等多个要素所构成的闭环体系，车辆行驶在道路上，根据汽车自身、路面及路边设施反馈的道路及行人等信息，在车端或者云端完成智能计算与决策，从而实现智能化的交通。在这个闭环体系中，每一环都对其他的系统的运行产生着影响，只有打通了整个回路，才能实现真正的智能化交通。在智能化交通体系中，智能化监控中的信息获取能力是不可或缺的一环，而在复杂场景如停车场中的车流量检测，由于其场景复杂性高，车辆密集度大，车辆方向任意等因素，往常通常需要人工的方法进行统计，使之成为了一项亟待解决的关键技术问题。

与此同时，针对目标检测这一传统的计算机视觉领域任务，随着深度学习理论和优化技术的发展，基于卷积神经网络(Convolution Neural Network, CNN)的目标检测识别模型取得了远超传统方法的性能。用于目标检测的深度模型可分为一阶段检测模型和两阶段检测模型。一阶段检测模型中的YOLOv5目标检测模型兼顾了检测精度与实时性的需求，通过重新设计特征提取网络，采用特征金字塔网络(Feature Pyramid Network, FPN)的自顶向下和PAN结构的自底向上的设计理念共同构建多尺度检测网络，提高了对不同尺度尤其是小目标的检测性能，对于本发明的场景具有较强的泛用性。

同时，在一些应用场合，车辆目标的方位角信息具有重要的参考价值，因此有研究开始着手于设计能够输出目标方位角估计的深度检测模型。CHEN C等人采用一阶段检测框架，设计了一个多尺度自适应校正网络来检测任意方向的目标并返回方向角，设计的模型采用五个参数来描述旋转框信息，其中、为目标中心点坐标，、为长宽，为方位角共5个参数描述目标旋转框信息，其中目标方位角定义为水平轴沿逆时针方向旋转到与目标旋转框相交的角度，范围为(-90°,0°]，与传统一阶段检测模型有所不同，采用旋转锚框以解决目标方位角估计问题，但锚框角度和长宽比等超参数的设定需要通过较多的对比和消融实验来确定，并且上述超参数对网络检测结果影响较大，故若想要网络效果达到理想状态，上述超参数的确定增加了非常多的计算量，实验复杂度增加。

发明内容

本发明的目的在于提供一种基于边界紧约束网络的车辆目标位姿检测方法、装置及存储介质，其通过YOLOv5骨干网络对图像特征进行了多层次提取，更准确的表征图像的语音信息，通过网络的颈将多层次特征进行自底向上以及自顶向下的多尺度特征融合，以达到深度使用各尺度层次的图像语义特征，此外通过新增加的旋转分支网络，对原有垂直框的坐标映射到对应的特征图上，再通过网络学习将垂直框转化为凸四边形再进一步转化成旋转框。整个流程基于YOLOv5网络框架，增加旋转分支后仍保证了车辆检测的精度和速度，降低了车流量检测的成本，助力智能交通和智能监控行业概念蓬勃发展。

本发明的技术方案为：

一种基于边界紧约束网络的车辆目标位姿检测方法，该方法包括如下步骤：

步骤一、数据预处理：对交通场景遥感图像中的车辆目标进行数据标注，得到图像数据，利用图像数据构建YOLO类型数据集，该数据集包括训练集、测试集和验证集；