[发明专利]一种服务于特种车辆的车路协同多目标检测方法及系统

权利要求书

1.一种服务于特种车辆的车路协同多目标检测方法，其特征在于，包括以下步骤：

S1、获取路侧视角下交通道路图像信息；

S2、构建部署在路侧边缘计算平台的轻量化车路协同多目标检测模型；轻量化车路协同多目标检测模型以单阶段算法YOLOv4为基础，包括：网络骨干部分、网络颈部和网络头部；所述网络骨干部分采用改进的MobileNetV3的特征提取网络；所述改进的MobileNetV3的特征提取网络包括起始的1个2维卷积层、中间的若干个由改进的倒残差结构构成的不同尺度的卷积层和最后的1个2维卷积层；所述改进的倒残差结构中采用通道域注意力机制和坐标注意力机制；所述通道域注意力机制和坐标注意力机制中的卷积运算为逐通道过参数卷积DO-Conv；所述轻量化车路协同多目标检测模型以路侧视角下交通道路图像信息为输入，输出可视化车路协同目标检测结果；

所述逐通道过参数卷积DO-Conv由一个可训练的逐通道卷积核和一个可训练的常规卷积核组成，其中D_mul≥M×N；对于给定的三维输入张量逐通道过参数卷积操作运算符⊙所输出的张量与常规卷积相同，是为C_out维的特征张量

所述逐通道过参数卷积的运算采用两种等价的数学表达方式进行描述，如下公式表示：

上式中，表示在第一与第二轴的转置后的三维张量；

所述模型的训练，包括：在配置文件中，对神经网络深度学习训练各项超参数进行设置，采用改进的随机梯度下降方法对网络可训练参数进行更新；所述改进的随机梯度下降方法包括：在原有参数更新公式中，加入与上一时刻学习步长相关的系数λ，使得参数更新的方向与距离不仅由当前求解的梯度方向与模长决定，同时与此前所积累的更新方向与速率有关；参数更新过程的公式为：

ωⁿ⁺¹＝ωⁿ-ηvⁿ

上式中，vⁿ表示当前时刻的可训练参数的更新方向与距离，其取决于上一时刻的更新方向、距离和当前时刻梯度方向与模长；系数λ取值为0.9；

S3、将获取的路侧视角下交通道路图像信息作为原始图像，输入到构建的轻量化车路协同多目标检测模型中，并对轻量化车路协同多目标检测模型进行优化训练，基于坐标注意力机制增强神经网络对空间信息的长程依赖性，以获得网络自主对有车辆目标道路位置的持续关注能力。

2.根据权利要求1所述的服务于特种车辆的车路协同多目标检测方法，其特征在于，所述步骤S1中，获取路侧视角下交通道路图像信息，具体包括：

S11、采用工业相机采集涵盖整体道路区域的路侧视角下交通道路图像信息；

S12、将采集的视频信息推送至轻量化检测网络模型输入端，网络输出检测可视化结果，编写脚本对视频数据进行收流，通过具有Python接口的计算机视觉软件包OpenCV，读取与计算平台连接的多模态传感器获取视频信息。

3.根据权利要求1所述的服务于特种车辆的车路协同多目标检测方法，其特征在于，所述步骤S2中，构建部署在路侧边缘计算平台的轻量化检测网络模型DCM3-YOLOv4，具体包括：

S21、采用轻量化单阶段多目标检测模型以单阶段算法YOLOv4为基础，结合MobileNet系列网络轻量化的特点，采用MobileNetV3的特征提取网络替换CSPDarknet53作为所述轻量化检测网络模型的骨干网络，完成对图像进行卷积并提取车辆目标特征信息的任务；

S22、在完成特征提取任务后，基础检测网络M3-YOLOv4在特征图输出部分采用原网络中空间金字塔池化Spatial Pyramid Pooling，SPP与路径聚合网络Path AggregationNetwork，PANet对网络不同深度特征信息进行处理；

S23、采用空间金字塔池化在MobileNet网络的最后一个特征层进行三次由卷积、批标准化和采用Leaky ReLU函数激活构成的运算单元后，分别利用四个不同尺度的最大池化进行处理；

S24、采用路径聚合网络对特征进行反复提取，沟通不同深度特征层信息；

S25、基础检测网络M3-YOLOv4通过试验选取出合适特征层，并通过PANet进行特征融合；融合后，通过YOLO系列检测头完成对待检测目标信息的回归，对输出信息进行解码，完成路侧视觉感知任务。