[发明专利]一种基于注意力和双向加权特征融合的车辆目标检测方法

说明书

本发明公开了一种基于注意力和双向加权特征融合的车辆目标检测方法，应用于交通技术领域，其中包括：选取UA‑DETRACK数据集，并对数据集进行预处理；对数据进行增强，并将处理后的图像作为训练样本；对车辆进行目标编码，然后进行网络的搭建；对于训练的样本进行特征提取，然后对提取的特征进行特征融合；对搭建好的网络进行训练，得到目标检测模型；对目标检测模型进行测试，并输出结果。通过引入带注意力机制的特征融合模式，解决中大目标，被遮挡或截断目标的检测精度低的问题。

技术领域

本发明涉及交通技术领域，更具体的说是涉及一种基于注意力和双向加权特征融合的车辆目标检测方法。

背景技术

近年来，随着市场需求以及人工智能技术的不断发展，智能交通技术成为交通领域中不可或缺的一个重要组成部分，车辆目标检测技术作为智能交通领域的一个重要步骤，也是广大学者研究的主要问题之一。基于深度学习的车辆目标检测任务中，主要分为基于候选框的算法和基于回归的算法，基于候选区域的算法由于受限于候选框的人为设置和候选框的数量繁多，运行速率较慢，而基于回归的算法舍去了候选框的计算，提高了检测效率。

CenterNet算法作为基于回归算法的代表之一，通过对于车辆中心的回归方式，可以有效地检测到目标车辆，但是它对于特种车辆的检测和较中大目标和被遮挡或者截断检测的精确率、漏检率和定位准确度仍与理想水平有一定差异。

因此，提出一种基于注意力和双向加权特征融合的车辆目标检测方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于注意力和双向加权特征融合的车辆目标检测方法，通过引入带注意力机制的特征融合模式，解决较中大目标，被遮挡或截断目标的检测精度低的问题。

为了实现上述目的，本发明提供如下技术方案：

一种基于注意力和双向加权特征融合的车辆目标检测方法，包括以下步骤：

S1、选取UA-DETRACK数据集，并对数据集进行预处理，得到预处理后的数据集；

S2、对预处理后的数据集进行数据增强处理，并将处理后的数据集作为训练样本；

S3、对车辆进行目标编码，然后进行网络的搭建；

S4、对训练样本进行特征提取，然后对提取的特征进行特征融合；

S5、对搭建好的网络进行训练，得到目标检测模型；

S6、对目标检测模型进行测试，并输出结果。

上述的方法，可选的，S1中的选取数据集的具体步骤如下：

选取UA-DETRACK数据集，将每帧图片的标注信息从xml格式中提取出来，并切分成训练集和测试集；通过编写python脚本将目标框位置信息进行规范化处理，并转换成TXT格式作为车辆数据集的标签。

上述的方法，可选的，S1中对数据集进行预处理的具体方法如下：

对路边停靠的密集且静止不动的车辆，以及极远处目标太小且过于模糊的车辆的目标框里的像素进行高斯模糊。

上述的方法，可选的，S2中对数据进行增强的方式如下：

对图像进行随机切分；对图像进行随机角度的翻转。

上述的方法。可选的，S3中，在数据编码模块，改变原来的一级编码模式对数据集中的目标进行两级编码。