申请/专利权人：武汉理工大学

申请日：2022-03-15

公开（公告）日：2024-04-26

公开（公告）号：CN114898327B

主分类号：G06V20/58

分类号：G06V20/58;G06V20/40;G06V10/82;G06V10/774;G06V10/764;G06V10/762;G06V10/74;G06V10/22;G06N3/0464;G06N3/006

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.08.30#实质审查的生效;2022.08.12#公开

摘要：本发明公开了一种基于轻量化深度学习网络的车辆检测方法。本发明采集道路车辆原始视频，获得道路车辆图像数据集；引入PSO粒子群算法，改进粒子适应度函数，优化车辆标注框宽高尺寸；采用距离交并比DIOU作为度量标签相似性的指标，结合PSO粒子群算法和K‑means聚类算法优化车辆先验框宽高尺寸；将深度可分离卷积添加至YOLOv3模型，修改YOLOv3模型中的Res模块；训练轻量化深度学习网络并进行道路车辆类别检测。本发明加速K‑means聚类算法和PSO粒子群优化算法的收敛，得到最优的道路车辆先验框尺寸，辅助YOLOv3深度学习网络生成精准的目标预测框，且在提高算法的检测精度的前提下大规模减少运算参数量，进一步提升算法的检测速度，实时检测交通场景中车辆类别。

主权项：1.一种基于轻量化深度学习网络的车辆检测方法，其特征在于，包括以下步骤：步骤1：通过道路监控摄像头采集车辆初始视频并传送至计算处理主机进行帧提取得到多幅道路车辆图像；人工标注每幅道路车辆图像中每个车辆标注框，并进一步人工标注每幅道路车辆图像中每个车辆标注框中车辆类别；提取每幅道路车辆图像中每个车辆标注框宽度以及每幅道路车辆图像中每个车辆标注框高度形成宽高数据集；步骤2：引入PSO粒子群优化算法，以标注框宽高尺寸作为待寻优变量，改进粒子适应度函数，利用PSO算法的全局搜索能力得到优化的K个标注框宽高尺寸；步骤3：将优化的K个标注框宽高尺寸作为K-means聚类算法所要生成的先验框的初始值，计算每个标注框与生成的每个先验框的距离交并比值，通过K-means聚类算法进行聚类生成聚类优化后的先验框宽高尺寸；步骤4：将深度可分离卷积添加至YOLOv3深度学习网络的的Res残差模块，得到轻量化的YOLOv3深度学习网络，将K-means和PSO算法优化后得到的适合本数据集的先验框宽高尺寸数据和车辆图像数据集输入至轻量化YOLOv3深度学习网络进行训练，得到训练后的轻量化YOLOv3深度学习网络模型；步骤5：将实时采集的交通视频传送至计算处理主机进行帧提取得到多幅实时道路车辆图像，进一步运用训练后的轻量化YOLOv3深度学习网络模型预测获得多幅实时道路车辆图像中的车辆预测框、预测框中车辆的类别；步骤1中所述每幅道路车辆图像中每个车辆标注框为：Boxm,n＝xm,n,ym,n,wm,n,hm,n,m∈[1,M],n∈[1,N]步骤1中所述宽高数据集为：Ф＝wm,n,hm,n,m∈[1,M],n∈[1,N]其中，Boxm,n表示第m幅道路车辆图像中第n个车辆标注框，Ф表示所有车辆标注框宽高尺寸数据集合，xm,n表示第m幅道路车辆图像中第n个车辆标注框中心点横坐标，ym,n表示第m幅道路车辆图像中第n个车辆标注框中心点纵坐标wm,n表示道路车辆数据集中第m幅道路车辆图像中第n个车辆标注框宽度，hm,n表示道路车辆数据集中第m幅道路车辆图像中第n个车辆标注框高度；M表示道路车辆图像的数量，N表示每幅道路车辆图像中车辆标注框的数量；步骤1所述每幅道路车辆图像中每个车辆外接矩形边框中车辆类别为：typem,n,typem,n∈[1,3]其中，typem,n＝1表示第m幅道路车辆图像中第n个车辆标注框中车辆类别为小轿车，typem,n＝2表示第m幅道路车辆图像中第n个车辆标注框中车辆类别为公交车，typem,n＝3表示第m幅道路车辆图像中第n个车辆标注框中车辆类别为货车；步骤2中的PSO算法优化得到K个标注框宽高尺寸的步骤为：步骤2.1：从步骤1所述的每幅道路车辆图像所有的车辆标注框中随机选择K个标注框；步骤2.2：将该K个标注框的宽高尺寸数据即ck＝wk,hk，k∈[1,K]作为PSO粒子群算法的粒子种群的中心点位置的初始值，并进行初始化；其中,ck＝wk,hk表示随机选择的K个标注框的宽高尺寸数据，且步骤2.3：初始化粒子的速度Vk＝0、个体最优位置Pbestk及其对应的个体极值fPbestk、群体最优位置Gbest及其对应的全局极值fGbsst，粒子群种群规模为N，即粒子群共N个粒子pj，j∈1,2,…,N；步骤2.4：计算每个粒子pj到中心点ck＝wk,hk的距离交并比DIOU，改进粒子适应度函数，其适应度函数如下所述： 步骤2.5：将适应度fit的计算结果进行比较，更新粒子的个体极值fPbestk以及个体最优位置Pbestk，粒子群的全局极值fGbest以及群体最优位置Gbest；步骤2.6：当达到最高迭代次数，则该算法结束，通过PSO算法优化得到群体最优位置Gbest＝P1,P2,P3,…,PK，则该最优的群体中的粒子的位置对应为优化后K个粒子坐标Pk＝w'k,h'k，k∈[1,K],即获得优化后的标注框宽高尺寸。

全文数据：

权利要求：

百度查询： 武汉理工大学 一种基于轻量化深度学习网络的车辆检测方法

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