[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

说明书

本发明公开了一种基于SML‑YOLOV5的行驶途中被遮挡车辆的识别方法及装置，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；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；将事先分配好的训练图像输入到目标识别网络进行训练；将测试图像输入到训练好的目标识别网络中，进行评估。本发明提出的基于SML‑YOLOV5的车辆目标识别网络结构简单，采用轻量级网络的方式进行特征提取，并采用深度可分离卷积来降低参数量，能够实现道路图像中实时的车辆的准确识别，且识别准确率较高；本发明通过重组通道网络和空间注意力机制的方法，对于复杂环境中的被遮挡车辆的检测，可以保证较高的检测准确性和快速性。

技术领域

本发明属于物体检测领域及智能交通领域，具体涉及一种基于SML-YOLOV5的行驶途中被遮挡车辆的识别方法及装置。

背景技术

随着现代经济社会发展，人们生活水平日益提高，汽车拥有量也越来越多。在实际生活中，车辆拥堵的现象也随之增加，引起了车辆被障碍物遮挡导致与后车相撞，或是转弯车辆被遮挡导致两车相撞等问题，从而导致许多事故的发生，给城市治理带来了很大的挑战。随着无人驾驶汽车的增加、辅助驾驶技术的普及，被遮挡车辆的目标识别也成为一项重大挑战。

近些年来，卷积神经网络(CNNs)在图像分类、检测和分割等任务上占据愈来愈重要的地位，在众多模型中脱颖而出并占据一席之地，但目前的被遮挡车辆检测任务中存在噪声干扰和检测速度慢等问题，现有的先进检测模型在检测精度和效率指标上也有待提高。

与传统的目标检测算法相比，基于深度学习的目标检测算法具有更高的准确率、更快的检测速度和更强的鲁棒性。例如RCNN、Fast RCNN、Yolo等，但其在智能交通领域针对复杂环境和小目标的检测仍然表现出检测时间长，准确率低，鲁棒性差等问题，难以满足实际场景中的要求。

发明内容

发明目的：针对行驶途中被遮挡车辆的检测识别问题，本发明提供一种基于SML-YOLOV5的行驶途中被遮挡车辆的识别方法及装置，可以智能、快速、准确地的进行小目标识别检测。

技术方案：本发明提供一种基于SML-YOLOV5的行驶途中被遮挡车辆的识别方法，具体包括以下步骤：

(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。

进一步地，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；