[发明专利]基于SML-YOLOV5的行驶途中被遮挡车辆的识别方法及装置

权利要求书

1.一种基于SML-YOLOV5的行驶途中被遮挡车辆的识别方法，其特征在于，包括以下步骤：

(1)对预先获取的交通车辆原始图像进行预处理，分为训练图像和测试图像；

(2)构建基于SML-YOLOV5的车辆目标识别网络，包括主干网络模块、NECK模块以及YoloHead目标检测头模块；所述主干网络模块使用轻量级网络ShuffleNet来提取车辆的特征信息，NECK模块通过利用深度可分离卷积和注意力机制改进过的BI-FPN进一步加强特征的提取能力，YoloHead目标检测头模块用于检测目标对象；

(3)将训练图像输入到基于SML-YOLOV5的车辆目标识别网络中进行训练；

(4)将测试图像输入到训练好的SML-YOLOV5车辆目标检测网络中，评估基于SML-YOLOV5的车辆目标识别网络的整体性能。

2.根据权利要求1所述的基于SML-YOLOV5的行驶途中被遮挡车辆的识别方法，其特征在于，步骤(2)所述主干网络模块包括一个CBR模块，七个BLK模块；所述CBR模块包含一个普通的卷积层，一个Batch Normalization层，一个RELU激活层和一个最大池化层；

所述BLK模块中ShuffleNet网络中包含两个单元，分别为步长为1的ShuffleNet单元和步长为2的ShuffleNet单元；所述步长为1的ShuffleNet单元使用了一个1*1的小卷积，之后进行一个3*3深度可分离卷积，以此在迭代一次后再加使用一个1*1的小卷积恢复通道维度；与此同时，在每个深度可分离卷积层后都接一个BN层，每一个小卷积之后除了BN层还需要一个ReLU函数，最后加上通道重排；所述步长为2的ShuffleNet单元在上述步长为1的ShuffleNet单元旁路上增加了一个3*3深度可分离卷积和一个1*1的小卷积，并将操作替换为级联操作，增加维度。

3.根据权利要求1所述的基于SML-YOLOV5的行驶途中被遮挡车辆的识别方法，其特征在于，步骤(2)所述NECK模块，首先将主干网络中的BLK模块提取的特征信息大小为4A×4A，通道数为C的图像，经过卷积和下采样的方式加强特征提取，采用卷积核大小为1×1，步长为1的普通卷积，并改变通道数，通过下采样使图像大小由为原来的4A×4A变为A×A，缩小为原来的四分之一，得到大小为A×A，通道数为4C和大小为4A×4A，通道数为C的图像；其次，通过主干网络中的BLK模块提取的大小为2A×2A通道数为2C的特征图像，经过卷积核大小为1×1的卷积进一步提取特征；然后将主干网络中的BLK模块提取的大小为A×A，通道数为4C的图像，使用1×1的卷积进一步提取特征和上采样，得到大小为4A×4A，通道数为C和大小为A×A，通道数为4C的图像；将提取到的4A×4A，通道数为C和A×A，通道数为4C各自组合，通过add和卷积来进行融合，将融后的特征又重新分配到其他的卷积层上，中间层信息再次汇总融合进行卷积操作再次分配到上下两层，其余特征层信息使用融合和卷积提取特征信息，最终采用到检测头中进行检测目标。

4.根据权利要求1所述的基于SML-YOLOV5的行驶途中被遮挡车辆的识别方法，其特征在于，所述步骤(3)包括以下步骤：

(31)把分配好的训练样本数据输入到的基于SML-YOLOV5的车辆目标识别网络中使其从头开始进行训练；

(32)计算基于SML-YOLOV5的车辆目标识别网络的损失函数，以损失函数最小作为目标对网络中的参数进行优化：

其中，y_i为标签值，y_i'为预测值；

(33)当训练的目标损失值收敛时保存网络模型参数，得到最终的基于SML-YOLOV5的车辆目标识别网络。

5.一种基于SML-YOLOV5的行驶途中被遮挡车辆的识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于SML-YOLOV5的行驶途中被遮挡车辆的识别方法。