一种新型深度学习车辆检测方法和系统

本发明涉及车辆交通，尤其涉及一种新型深度学习车辆检测方法和系统。

背景技术：

1、汽车给我们的生活带来了许多便利，但交通道路堵塞、交通事故逐年增多、停车位不易管理凸显，加快智能车辆管理系统发展，缓解因汽车数量增长带来的社会压力已经迫在眉睫。目标检测是计算机视觉领域中的重要一环，也是建设智能交通的基础之一，车辆检测作为目标检测领域的热点研究方向，其主要是对图像以及视频流中出现的目标进行识别、定位以及分类，在智能交通以及自动驾驶辅助等领域都有应用需求和重要的研究价值。

2、目前，目标监测主要包括两大类方法：

3、一是使用工具计算图像特征的传统计算机视觉方法，该技术主要包括区域选择、兴趣特征提取以及分类器分类三个步骤，但传统车辆检测算法基于滑动窗口的区域选择没有针对性，导致产生大量窗口冗余，造成算法时间复杂度高。由于交通环境的复杂多变的环境，车辆检测任务会受到来自环境的随机性干扰，对实时性要求高，故传统的目标检测算法已难以实现实际应用场景下的车辆检测。

4、二是自动提取并学习图像特征的深度学习方法，利用卷积神经网络对车辆特征进行提取而非使用人工设计的目标特征，可大幅提高车辆实时检测的准确性。基于深度学习的车辆检测算法主要分为两大类：分别是两阶段车辆检测算法和单阶段车辆检测算法。两阶段车辆检测虽然确实可以提高检测精度，但是因为网络计算量增大，导致检测速度变慢的问题，始终不能满足目标车辆的实时检测。单阶段检测算法通过将车辆检测任务转换为回归任务计算，可以回避复杂的候选框计算，从而大幅度降低算法模型的复杂程度，有效提高对车辆的检测效率，但也大大降低了模型对车辆特征的学习能力，不可避免的影响到检测精度。

5、综上所述，当前现有技术均存在不同程度的应用缺陷，缺少能够精准、高效、可靠进行车辆检测的方法。

技术实现思路

1、有鉴于此，本发明实施例提出一种新型深度学习车辆检测方法和系统。

2、本发明的一实施例提出一种新型深度学习车辆检测方法，包括：

3、获取目标车辆的原始图像集合，并对所述原始图像集合进行预处理；

4、构建改进yolov5s模型，在模型中引入注意力机制模型和自适应特征融合模型；

5、将处理后的原始图像集合输入至所述改进yolov5s模型中，采用单阶段车辆检测技术进行图像特征提取。

6、示例性地，所述获取目标车辆的原始图像集合，并对所述原始图像集合进行预处理包括：

7、获取所述原始图像集合；

8、将所述原始图像集合转化为适合yolov5s模型训练的格式。

9、示例性地，所述改进yolov5s模型的整体架构包括输入模块、backbone模块、neck模块和head模块，所述输入模块采用mosaic方法对数据进行数据增强，所述backbone模块用于对图像集合进行初步特征提取，所述neck模块采用了特征金字塔fpn与路径聚合网络pan相结合的结构对深层网络提取的语义信息与浅层网络提取的位置信息进行融合，其中，所述backbone模块包括c3模块和spp模块。

10、示例性地，所述构建改进yolov5s模型，在模型中引入注意力机制模型和自适应特征融合模型包括：

11、在所述backbone模块中引入所述注意力机制模型，用于对所述backbone模块提取出的第一特征进行深度提取得到第二特征；

12、在所述neck模块中引入所述自适应特征融合模型，用于将浅层的位置信息与高层的语义信息进行融合得到融合特征，以提升对图像集合中小目标的检测精度。

13、示例性地，所述注意力机制模型包括通道注意力模型和空间注意力模型，用于在通道和空间两个方向对目标进行特征提取。

14、示例性地，所述第二特征包括一维通道特征图和二维空间特征图，所述用于对所述backbone模块提取出的第一特征进行深度提取得到第二特征包括：

15、采用平均池化和最大池化对所述第一特征进行处理得到两类不同的特征；

16、将两类不同的特征输入至多层感知机网络，并对网络产生的特征图进行拼接得到所述一维通道特征图；

17、将两类不同的特征进行拼接，并对拼接后的特征进行卷积运算得到所述二维空间特征图。

18、示例性地，所述自适应特征融合模型将所述neck模块输出的特征进行加权特征融合，对来自不同层的特征分别乘权重参数得到所述融合特征。

19、示例性地，所述注意力机制模型包括cbam注意力机制和gam注意力机制，所述自适应特征融合模型包括asff自适应特征融合机制和bifpn特征融合机制。

20、本发明的另一实施例提出一种新型深度学习车辆检测系统，包括：

21、获取单元，用于获取目标车辆的原始图像集合，并对所述原始图像集合进行预处理；

22、模型构建单元，用于构建改进yolov5s模型，在模型中引入注意力机制模型和自适应特征融合模型；

23、特征提取单元，用于将处理后的原始图像集合输入至所述改进yolov5s模型中，采用单阶段车辆检测技术进行图像特征提取。

24、本发明提供了一种新型深度学习车辆检测方法和系统，包括：获取目标车辆的原始图像集合，并对原始图像集合进行预处理；构建改进yolov5s模型，在模型中引入注意力机制模型和自适应特征融合模型；将处理后的原始图像集合输入至改进yolov5s模型中，采用单阶段车辆检测技术进行图像特征提取。相对于现有技术而言，本发明的技术方案通过在传统模型中添加注意力模型和改进特征融合模型，有效提升了车辆检测的准确性和实时性，有效提升算法模型对不同尺度的目标的检测能力。

技术特征：

1.一种新型深度学习车辆检测方法，其特征在于，包括：

2.根据权利要求1所述的一种新型深度学习车辆检测方法，其特征在于，所述获取目标车辆的原始图像集合，并对所述原始图像集合进行预处理包括：

3.根据权利要求2所述的一种新型深度学习车辆检测方法，其特征在于，所述改进yolov5s模型的整体架构包括输入模块、backbone模块、neck模块和head模块，所述输入模块采用mosaic方法对数据进行数据增强，所述backbone模块用于对图像集合进行初步特征提取，所述neck模块采用了特征金字塔fpn与路径聚合网络pan相结合的结构对深层网络提取的语义信息与浅层网络提取的位置信息进行融合，其中，所述backbone模块包括c3模块和spp模块。

4.根据权利要求3所述的一种新型深度学习车辆检测方法，其特征在于，所述构建改进yolov5s模型，在模型中引入注意力机制模型和自适应特征融合模型包括：

5.根据权利要求4所述的一种新型深度学习车辆检测方法，其特征在于，所述注意力机制模型包括通道注意力模型和空间注意力模型，用于在通道和空间两个方向对目标进行特征提取。

6.根据权利要求5所述的一种新型深度学习车辆检测方法，其特征在于，所述第二特征包括一维通道特征图和二维空间特征图，所述用于对所述backbone模块提取出的第一特征进行深度提取得到第二特征包括：

7.根据权利要求6所述的一种新型深度学习车辆检测方法，其特征在于，所述自适应特征融合模型将所述neck模块输出的特征进行加权特征融合，对来自不同层的特征分别乘权重参数得到所述融合特征。

8.根据权利要求7所述的一种新型深度学习车辆检测方法，其特征在于，所述注意力机制模型包括cbam注意力机制和gam注意力机制，所述自适应特征融合模型包括asff自适应特征融合机制和bifpn特征融合机制。

9.一种新型深度学习车辆检测系统，其特征在于，包括：

技术总结
本发明提供了一种新型深度学习车辆检测方法和系统，包括：获取目标车辆的原始图像集合，并对原始图像集合进行预处理；构建改进yolov5s模型，在模型中引入注意力机制模型和自适应特征融合模型；将处理后的原始图像集合输入至改进yolov5s模型中，采用单阶段车辆检测技术进行图像特征提取。相对于现有技术而言，本发明的技术方案通过在传统模型中添加注意力模型和改进特征融合模型，有效提升了车辆检测的准确性和实时性，有效提升算法模型对不同尺度的目标的检测能力。

技术研发人员：包振三,白昱
受保护的技术使用者：长春理工大学
技术研发日：
技术公布日：2024/12/5