申请/专利权人：吉林大学

申请日：2021-10-12

公开（公告）日：2024-04-16

公开（公告）号：CN114120246B

主分类号：G06V20/54

分类号：G06V20/54;G06V10/774;G06V10/82;G06V10/44;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.03.18#实质审查的生效;2022.03.01#公开

摘要：本发明公开了一种基于复杂环境的前方车辆检测算法，包括以下步骤：改进SSD网络模型、加入加权Mask和添加排斥损失。本发明的有益效果是：通过SSD网络模型可以对网络中的隐藏层进行最大程度地特征提取，有助于增强模型在复杂环境下对小尺度车辆目标的特征提取能力；通过加权Mask有助于解决背景与正负样本数据不平衡的问题，使网络模型的训练速度进一步加快；通过排斥损失增大检测框与周围非车辆目标之间的距离，可以防止检测框移向相邻的非车辆目标，有助于对车辆目标进行准确定位，有效提高网络模型对目标密集场景中重叠目标的检测性能；抗干扰能力强，具有准确性和实时性，有利于降低交通事故发生率和充分保护人们的生命财产安全。

主权项：1.一种基于复杂环境的前方车辆检测算法，其特征在于，包括以下步骤：步骤一、改进SSD网络模型，通过对神经网络进行扩展和加深，结合Inceptionblock和特征融合对SSD网络模型的基本结构进行改进；其改进的方法为：首先，在SSD的基础网络中添加4组Inceptionblock，对网络的局部特征进行有效提取；其次，新建Interp层，通过双线性插值的方式分别对Conv7层和Conv8_2层进行特征层尺度转换，输出尺度均为38x38，使其与Con4_3层的尺度大小相同；再次，新建Concat层，通过Concatenation操作将Con4_3层、Conv7层和Conv8_2层组合成一个新的特征层，实现特征融合；然后，以Feature_1为基础层，采用大小为3x3的卷积核逐层减小网络的特征层尺度，生成五个不同尺度的特征层；最后，新建Concat层，通过Concatenation操作将尺度对应相同的五组特征层进行逐一融合，依次构成Feature_2、Feature_3、Feature_4、Feature_5和Feature_6，并与Feature_1以特征金字塔的形式共同构建新的多尺度特征提取网络；步骤二、加入加权Mask，通过在采用数据集进行训练时计算实现样本分类和回归任务；所述加权Mask的计算方式如下：1当存在K个检测框时，正样本数量为N，负样本数量为M，K＝N+M，设定分类标签为Label；2当N0，设定用于正样本分类的加权Mask为：Pos_Mask＝LabelN；3当M0，且设定的正负样本的比例控制为1：3时，设定用于负样本分类的加权Mask为：Neg_Mask＝{1-Label}M×3；4因此，用于分类任务的加权Mask为：Cls_Mask＝Pos_Mask+Neg_Mask；5假设回归任务的权重系数为alpha，则用于回归任务的加权Mask为：Neg_Mask＝Pos_Mask×alpha；步骤三、添加排斥损失，改进的损失函数是在原有位置损失和置信度损失的基础上，添加一项排斥损失；所述排斥损失的损失函数公式为：L＝Lx,c,l,g+γLRepGT，其中，所述LRepGT为排斥损失函数，所述γ为权重系数；l表示检测框大小；g表示真实框大小；c表示多类别目标的置信度；x表示预测框中的横坐标，Lx,c,l,g表示与x,c,l,g有关的损失函数；设P+＝{P}，表示与真实框IoU大于0.5的所有候选框的集合，设G+＝{G}，表示所有真实框的集合；对于任意一个候选框P∈P+，令与其IoU最大的真实框作为它的指定目标，即： 其中，G表示所有的真实框集合，P表示预测框与真实框IoU交并比大于0.5的候选框集合；由于排斥损失旨在使候选框与除它指定目标以外的相邻真实框产生排斥，因此，对于任意一个候选框P∈P+，它的排斥目标为除指定目标以外，与其IoU最大的那个真实框，即： 其中，表示G和P集合中能使IoU交并比最大的变量G和P的值；设BP为候选框P回归出的检测框，则BP与之间的重叠IoG用以下公式进行表示： 因此，所述排斥损失通过以下公式计算：

全文数据：

权利要求：

百度查询： 吉林大学 一种基于复杂环境的前方车辆检测算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD