[发明专利]一种改进SMOKE的单目视觉3D车辆目标实时检测方法

权利要求书

1.一种改进SMOKE的单目视觉3D车辆目标实时检测方法，其特征在于：包括下列步骤：

步骤一、3D车辆数据采集与标定；

步骤二、数据集制作；

步骤三、构建3D车辆目标检测模型；

该步骤中，3D车辆目标检测模型为改进SMOKE的目标检测模型，包括在DLA-34骨干网络后添加DLAUP与IDAUP形成的DLA-seg骨干网络，DLA-seg骨干网络中使用形变卷积和下采样层组合进行信息提取，并添加注意力机制；

步骤四、检测模型训练与推理；

步骤五、将步骤四中最优的模型嵌入实时系统中，并进行实时检测。

2.根据权利要求1所述的一种改进SMOKE的单目视觉3D车辆目标实时检测方法，其特征在于：所述步骤三中，在进行检测框回归时，改进SMOKE中的损失函数为：其中，L_cls为关键点分类损失，为改进后的3D边界框回归损失，L_change为改进后的总损失，回归参数为α和β，z是特征图的深度偏移；x_c、y_c是表示特征图的关键点x和y坐标方向的偏移量；h、w、l是目标尺寸高宽长对应的残差，α是目标旋转角，β为检测框的航向角，检测框的航向角通过上述损失函数直接回归得到。

3.根据权利要求1或2所述的一种改进SMOKE的单目视觉3D车辆目标实时检测方法，其特征在于：所述步骤三中，采集的图像数据与标定数据联合输入模型后，经骨干网络处理后实现关键点分类，并同时进行3D检测框的回归，通过对检测框的导航角和3D坐标进行回归，结合分类得到的关键点实现对3D检测框的预测。

4.根据权利要求1或2所述的一种改进SMOKE的单目视觉3D车辆目标实时检测方法，其特征在于：骨干网络在DLAUP和IDLAUP部分引入注意力机制，在网络结构中添加1个通道注意力模块和1个空间注意力模块，骨干网络中Up1模块在可形变卷积后接入1个通道注意力模块和1个空间注意力模块；Up2模块在可形变卷积后接入1个通道注意力模块和1个空间注意力模块。

5.根据权利要求4所述的一种改进SMOKE的单目视觉3D车辆目标实时检测方法，其特征在于：通道注意力模块中，输入特征图是H×W×C，先分别进行一个全局平均池化和全局最大池化得到两个1×1×C的特征图，然后将这两个特征图分别送入两层的全连接神经网络，对应两个特征图的两层全连接神经网络是共享参数的，再将得到的两个特征图相加，通过激活函数得到归一化的权重系数，然后权重系数再与输入特征图相乘，得到最终输出特征图。

6.根据权利要求4所述的一种改进SMOKE的单目视觉3D车辆目标实时检测方法，其特征在于：空间注意力模块中，输入特征图为H×W×C，分别进行一个通道维度的最大池化和平均池化得到两个H×W×1的特征图，然后将这两个特征图在通道维度拼接起来，现在特征图为H×W×2，然后再经过一个卷积层，降为1个通道，同时保持H、W不变，输出特征图为H×W×1，然后再通过激活函数生成空间权重系数，然后再与输入特征图相乘得到最终特征图。

7.根据权利要求1或2所述的一种改进SMOKE的单目视觉3D车辆目标实时检测方法，其特征在于：步骤二中的数据分为标定数据、标签数据和单目相机RGB图像，按照9∶1划分采集到的关联数据为训练集和测试集；步骤四中，利用步骤二中数据集进行训练测试并获取最优的模型。