[发明专利]一种基于机器视觉的多种类汽车车灯检测方法、装置及计算机存储介质

权利要求书

1.一种基于机器视觉的多种类汽车车灯检测方法，其特征在于，包括以下步骤：

S1、获取汽车车灯图像进行预处理构建训练集；

S2、构建ResNet101+FPN+Faster R-CNN的网络模型，所述网络模型由ResNet101与FPN进行特征提取并将提取的特征图分别送入Faster R-CNN的RPN模块和感兴趣区域池化模块，由所述RPN模块提取的感兴趣区域结合所述感兴趣区域池化模块的输出进行分类和回归得到分类结果及检测边框结果，所述ResNet101与FPN进行特征提取包括由ResNet101的五个卷积层输出{C1，C2，C3，C4，C5}与FPN的特征信息{M5，M4，M3，M2，M1}融合得到特征图，其中M5由C5进行卷积得到，M4由M5上采样后与C4卷积融合得到，M3由M4上采样后与C3卷积融合得到，以此类推；

S3、由所述训练集对步骤S2构成的所述网络模型进行训练；

S4、将待检测的汽车车灯图像输入至步骤S3训练后的网络模型进行检测得到检测结果。

2.根据权利要求1所述的基于机器视觉的多种类汽车车灯检测方法，其特征在于，所述步骤S2中ResNet101的输出与FPN的特征融合后分别对各维度信息进行卷积得到特征图，其中高维信息所采用的卷积核不大于低维信息所采用的卷积核并且最高维信息所采用的卷积核小于最低维信息所采用的卷积核。

3.根据权利要求2所述的基于机器视觉的多种类汽车车灯检测方法，其特征在于，所述ResNet101的输出与FPN的特征融合时的卷积所使用的卷积核为1×1，所述ResNet101的输出与FPN的特征融合后卷积所使用的卷积核由高维至低维依次为2×2、2×2、3×3、3×3和5×5。

4.根据权利要求1所述的基于机器视觉的多种类汽车车灯检测方法，其特征在于，所述步骤S3中对所述网络模型进行训练时，所述RPN模块和所述分类回归模块均使用CIoU作为边界框回归损失函数，

其中，IoU是交并比，α是用于调整比率的参数，v是用于测量纵横比一致性的参数，b^gt和b^gt分别是预测边框和实际边框的中心点，ρ()是欧氏距离，w和h分别是预测边框的宽度和高度，w^gt和h^gt分别为实际边框的宽度和高度。

5.根据权利要求1所述的基于机器视觉的多种类汽车车灯检测方法，其特征在于，所述步骤S1中的预处理包括采用中值滤波、直方图均衡化、调整对比度和调整饱和度中的一种或多种方法进行增强，并使用随机缩放或旋转中的一种或两种方法对所述汽车车灯图像进行扩展。

6.根据权利要求1所述的基于机器视觉的多种类汽车车灯检测方法，其特征在于，所述步骤S1中的预处理包括在所述扩展后以随机选取四组汽车车灯图像采用Mosaic方法生成一组新的车灯图像的方式进行数据扩展。

7.一种基于机器视觉的多种类汽车车灯检测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，实现权利要求1至6中任意一项所述的基于机器视觉的多种类汽车车灯检测方法。

8.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现权利要求1至6中任意一项所述的基于机器视觉的多种类汽车车灯检测方法。