[发明专利]一种基于关键点热图的车辆检测方法

摘要

本发明公开了一种基于关键点热图的车辆检测方法，其目的在于利用车辆的特有特征结合关键点热图预测，提出一种新型的车辆检测的方法，其技术关键在于（1）对车辆特有属性位置的关键点数据标注方法；（2）采用漏斗网络提取车辆的图像的特征；（3）采用改进的关键点池化获取关键点热图、嵌入向量和偏移向量组成的特征，利用定位的车牌或者车轮的特征来补充定位车辆的全局信息，同时剔除不正确的目标框，最终获取鲁棒性较好的目标定位框并预测车辆的方向。

主权项

1.一种基于关键点热图的车辆检测与车辆方向识别方法，其特征在于包括如下步骤：/n步骤1：训练与测试数据准备：下载获取车辆公开数据集KITTI、UA-DETRAC，利用网络爬虫算法从互联网获取车辆图片，从道路监控视频数据使用开源的车辆检测算法提取车辆图像，共计获得样本M张；/n步骤2：数据标注：对步骤1所述的M张车辆数据标注四个关键点，数据标注存储为json文件；/n步骤3：数据处理：将M张样本按照8∶1∶1划分为训练集、验证集、测试集；/n步骤4：网络结构设计：主干网络采用两个漏斗网络级联进行关键点特征提取，两个漏斗网络在连接时通过一个1x1、3X3、1x1的卷积组合块同时进行跳连接，对两个漏斗网络级联输出的特征图采用改进的关键点池化层处理，输出由关键点热图、嵌入向量和偏移向量组成的特征；/n步骤5：网络训练：输入图像的大小为S*S，使用的批量尺寸设定为n，迭代总次数设置为e，初始化学习率设置为lr，损失函数由类别损失函数、目标关键点关联损失和关键点偏移损失来优化完整的损失函数。采用随机水平翻转、随机尺度缩放(比例在0.6到1.3之间)、随机裁剪与随机色彩抖动等方法进行数据增强；/n总的损失函数公式：L＝L_det+aL_pull+βL_push+γL_offset (1)/n其中α，β和γ分别为pull，push和offset的权重；/n /n其中为预测热图中第c类的得分，N为图片I中目标个数，i，j为像素坐标值；关键点通过高斯分布分散到热力图其中w，h为输入图片I的大小；/n /n其中p∈r²，σ为r/3；/n使用SmoothL1损失来预测关键点映射到原图时的偏移δ，公式如下：/n /n步骤6：测试：输入测试数据H利用训练好的模型给出车辆的位置信息和方向。/n