[发明专利]一种加入注意力机制的YOLOv5神经网络车辆检测方法

说明书

本发明公开了一种加入注意力机制的YOLOv5神经网络车辆检测方法，包括：采用汽车图像数据集，对所述数据集进行预处理；对YOLOv5神经网络进行改进，添加注意力机制；将标注好的所述数据集按照符合网络要求的格式输入所述改进后的YOLOv5神经网络进行训练并测试结果；将训练好的模型部署到移动端进行目标车辆的检测与识别。本发明提高了模型对小目标识别的效果，提升了模型的识别精度与模型收敛的速度，实现移动端对目标实时的识别功能。

技术领域

本发明涉及人工智能与交通安全中的图像检测与识别的技术领域，尤其涉及一种加入注意力机制的YOLOv5神经网络车辆检测方法。

背景技术

近年来随着科技的不断进步，人工智能技术在许多领域的应用取得了有益效果，图像的智能检测与识别技术也应运而生，随着YOLO、Tensorflow等一系列神经网络框架的设计开发，此项技术也日益成熟，若将这种图像识别技术应用在交通安全系统中，当部分路段出现道路拥挤时，可以快速对拥挤地段采取相应疏通措施，当有救护车或消防车等紧急车辆需要通行时，可以提前疏通道路以防出现紧急车辆无法通行的情况。

由于道路环境复杂，多变的背景环境会影响图像识别的准确率，现有技术采用的图像识别检测方法会受到环境的影响，没有针对性的对所训练图像的关键部分分配足够多的“注意力”，有时会出现错误识别或者遗漏识别的情况，提升识别的准确率和识别效率就成为了亟需解决的重要问题。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术采用的图像识别检测方法会受到环境的影响，没有针对性的对所训练图像的关键部分分配足够多的“注意力”，有时会出现错误识别或者遗漏识别的情况，提升识别的准确率和识别效率就成为了亟需解决的重要问题。

为解决上述技术问题，本发明提供如下技术方案：采用汽车图像数据集，对所述数据集进行预处理；对YOLOv5神经网络进行改进，添加注意力机制；将标注好的所述数据集按照符合网络要求的格式输入所述改进后的YOLOv5神经网络进行训练并测试结果；将训练好的模型部署到移动端进行目标车辆的检测与识别。

作为本发明所述的加入注意力机制的YOLOv5神经网络车辆检测方法，其特征在于：所述汽车图像数据集包括UA-DETRAC公开数据集、图像标注工具Labelimg。

作为本发明所述的加入注意力机制的YOLOv5神经网络车辆检测方法，其特征在于：所述的UA-DETRAC公开数据集包括，24个不同地点拍摄的10个小时的视频；所述视频以每秒25帧的速度录制，分辨率为960*540像素。

作为本发明所述的加入注意力机制的YOLOv5神经网络车辆检测方法，其特征在于：对所述数据集进行预处理过程包括，标注工用图像具Labelimg对所述图像数据集进行标注；根据COCO数据集格式将标注后的所述图像数据集保存为txt格式标注文件，并将所述数据集根据8：1的划分比例分为训练集和验证集。

作为本发明所述的加入注意力机制的YOLOv5神经网络车辆检测方法，其特征在于：添加注意力机制包括添加通道注意力模块：将输入的特征图，即H×W×C，分别经过基于H和W的全局最大池化层和全局平均池化，得到两个1×1×C的特征图；将所述特征图分别送入一个两层的神经网络，第一层的神经元个数为C/r，激活函数为ReLU，第二层的神经元个数为C；将输出的特征进行元素求和操作并激活，生成通道注意力模块，即M_c；将M_c与输入特征进行乘法运算，生成空间注意力模块需要的输入特征，其具体实现公式如下：