【技術實現步驟摘要】
本專利技術涉及人工智能目標檢測與目標分類，尤其涉及一種用于車輛檢測的全局感知方法及系統。
技術介紹
1、早期的車輛檢測方法依賴于背景減除和圖像模板匹配，但由于背景變化和噪聲的影響，這些方法的準確性和速度都很低。后來，研究人員開始使用形狀上下文、haar類特征、hog和sift等人工特征進行車輛檢測。這些方法在處理光照變化和車輛遮擋時表現良好，但由于需要手動提取特征，因此復雜且耗時。基于早期方法的缺陷，提出了一種域自適應的faster?r-cnn方法，用于晴天、陰天和雪天等各種不同天氣下的車輛檢測。這種方法提高了faster?r-cnn在復雜環境中的檢測精度，但它更適用于有序的交通場景，而不是混亂無序的交通。相反，為了適應無序交通環境，設計了一種少量樣本多檢測框的檢測器(ssmd)，以實現精度和速度之間的平衡。然而，在處理不同大小的車輛時，其精度明顯較低。yolov3算法的車輛檢測方法，使用反殘差塊和非最大抑制(nms)來解決車輛檢測中復雜多變的車輛特征問題。雖然其運行速度值得稱贊，但僅限于車輛檢測。在復雜的交通環境中，如車輛遮擋和多變的天氣條件下，它的檢測性能較差，因此不適合不規則交通條件下的車輛檢測。為此，改進yolov3，提出了一種針對擁堵大都市的實時車輛檢測技術，通過yolov3算法從前方視圖檢測車輛，為自動駕駛提供有價值的數據。這種方法能從前方識別車輛，但很難檢測到遮擋的車輛。盡管速度驚人，但準確性卻大打折扣，科學家們研發了一種非層次方法骨干網(vitdet)來執行檢測任務，該骨干網可作為窗口注意機制的簡單特征金字塔網絡
技術實現思路
1、針對上述所顯示出來的問題，本專利技術提供了一種用于車輛檢測的全局感知方法及系統用以解決
技術介紹
中提到的基于注意力機制的模型檢測方式所采集的分辨率圖像中的小目標像素仍然較少，難以準確捕捉車輛全局特征從而導致最終的車輛檢測定位和分類結果精度不高，降低了實用性的問題。
2、一種用于車輛檢測的全局感知方法，包括以下步驟：
3、獲取車輛圖片并將其劃分為多個特征塊；
4、將每個特征塊輸入到基于級聯模式的注意力基準網絡中獲取多個階段的多尺度特征圖；
5、將多個階段的多尺度特征圖進行交叉融合和噪聲抑制，獲取融合特征信息；
6、基于融合特征信息和多尺度特征圖，通過浮點計算和雙線性插值，輸出車輛檢測框、車輛類別和車輛掩碼。
7、優選的，所述獲取車輛圖片并將其劃分為多個特征塊，包括：
8、獲取車輛圖片并將其轉化為rgb三通道圖像，將rgb三通道圖像劃分為多個網格，獲取每個網格內的特征塊；
9、所述將每個特征塊輸入到基于級聯模式的注意力基準網絡中獲取多個階段的多尺度特征圖，包括：
10、將特征塊轉換為一維向量序列并饋送到基于級聯模式的注意力基準網絡中；
11、通過注意力基準網絡的窗口處理機制對多個一維向量序列進行特征融合，獲取多個階段的多尺度特征圖。
12、優選的，所述通過注意力基準網絡的窗口處理機制對多個一維向量序列進行特征融合，獲取多個階段的多尺度特征圖，包括：
13、對每個一維向量序列進行定義，將定義序列與采用ln和不重疊窗口自注意力機制對定義序列計算的結果進行特征融合，獲取第一特征圖；
14、將第一特征圖與采用ln和多層感知機制對第一特征圖計算的結果進行特征融合，獲取第二特征圖；
15、將第二特征圖與采用ln和位移窗口多頭自注意力機制對第二特征圖計算的結果進行特征融合，獲取第三特征圖；
16、將第三特征圖與采用ln和多層感知機制對第三特征圖計算的結果進行特征融合，獲取第四特征圖；
17、將第四特征圖作為第一階段的多尺度特征圖，并將第一階段的多尺度特征圖進行重復特征融合獲取第二階段的多尺度特征圖，重復上述步驟獲取四個階段的多尺度特征圖。
18、優選的，所述將多個階段的多尺度特征圖進行交叉融合和噪聲抑制，獲取融合特征信息，包括：
19、確定每個階段的多尺度特征圖的當前分辨率，根據當前分辨率確定每個階段多尺度特征圖特征學習調節權重；
20、采用自上而下和自下而上的特征融合方式和每個階段多尺度特征圖特征學習調節權重對多尺度特征圖進行交叉融合獲取每個階段的輸出特征圖；
21、將每個階段的輸出特征圖通過一個1*1的卷積進行去噪獲取每個階段的去噪特征圖；
22、根據每個階段的去噪特征圖獲取融合特征信息。
23、優選的，所述基于融合特征信息和多尺度特征圖，通過浮點計算和雙線性插值，輸出車輛檢測框、車輛類別和車輛掩碼，包括：
24、基于融合特征信息和多尺度特征圖使用區域候選網絡生成包含車輛目標大致位置信息的候選區域；
25、計算每個候選區域的置信度，選擇置信度最高的目標候選區域將其映射到車輛圖片上；
26、通過浮點計算和雙線性差值確定目標候選區域在車輛圖片上的區域邊界和細節信息；
27、根據區域邊界和細節信息輸出車輛檢測框、車輛類別和車輛掩碼。
28、一種用于車輛檢測的全局感知系統，該系統包括：
29、劃分模塊，用于獲取車輛圖片并將其劃分為多個特征塊；
30、第一獲取模塊，用于將每個特征塊輸入到基于級聯模式的注意力基準網絡中獲取多個階段的多尺度特征圖；
31、第二獲取模塊，用于將多個階段的多尺度特征圖進行交叉融合和噪聲抑制，獲取融合特征信息；
32、輸出模塊，用于基于融合特征信息和多尺度特征圖，通過浮點計算和雙線性插值，輸出車輛檢測框、車輛類別和車輛掩碼。
33、優選的，所述劃分模塊，包括：
34、劃分子模塊，用于獲取車輛圖片并將其轉化為rgb三通道圖像，將rgb三通道圖像劃分為多個網格，獲取每個網格內的特征塊；
35、所述第一獲取模塊，包括：
36、轉換子模塊，用于將特征塊轉換為一維向量序列并饋送到基于級聯模式的注意力基準網絡中；
37、第一獲取子模塊，用于通過注意力基準網絡的窗口處理機制對多個一維向量序列進行特征融合，獲取多個階段的多尺度特征圖。
38、優選的，所述第一獲取子模塊，包括：
39、第一特征融合單元，用于對每個一維向量序列進行定義，將定義序列與采用ln和不重疊窗口自注意力機制對定義序列計算的結果進行特征融合，獲取第一特征圖；
40本文檔來自技高網...
【技術保護點】
1.一種用于車輛檢測的全局感知方法，其特征在于，包括以下步驟：
2.根據權利要求1所述用于車輛檢測的全局感知方法，其特征在于，所述獲取車輛圖片并將其劃分為多個特征塊，包括：
3.根據權利要求2所述用于車輛檢測的全局感知方法，其特征在于，所述通過注意力基準網絡的窗口處理機制對多個一維向量序列進行特征融合，獲取多個階段的多尺度特征圖，包括：
4.根據權利要求1所述用于車輛檢測的全局感知方法，其特征在于，所述將多個階段的多尺度特征圖進行交叉融合和噪聲抑制，獲取融合特征信息，包括：
5.根據權利要求1所述用于車輛檢測的全局感知方法，其特征在于，所述基于融合特征信息和多尺度特征圖，通過浮點計算和雙線性插值，輸出車輛檢測框、車輛類別和車輛掩碼，包括：
6.一種用于車輛檢測的全局感知系統，其特征在于，該系統包括：
7.根據權利要求6所述用于車輛檢測的全局感知系統，其特征在于，所述劃分模塊，包括：
8.根據權利要求7所述用于車輛檢測的全局感知系統，其特征在于，所述第一獲取子模塊，包括：
9.根據權利要
10.根據權利要求6所述用于車輛檢測的全局感知系統，其特征在于，所述輸出模塊，包括：
...【技術特征摘要】
1.一種用于車輛檢測的全局感知方法，其特征在于，包括以下步驟：
2.根據權利要求1所述用于車輛檢測的全局感知方法，其特征在于，所述獲取車輛圖片并將其劃分為多個特征塊，包括：
3.根據權利要求2所述用于車輛檢測的全局感知方法，其特征在于，所述通過注意力基準網絡的窗口處理機制對多個一維向量序列進行特征融合，獲取多個階段的多尺度特征圖，包括：
4.根據權利要求1所述用于車輛檢測的全局感知方法，其特征在于，所述將多個階段的多尺度特征圖進行交叉融合和噪聲抑制，獲取融合特征信息，包括：
5.根據權利要求1所述用于車輛檢測的全局感知方法，其特...
【專利技術屬性】
技術研發人員：李正國，施連燾，貢恩忠，王勇，張海洋，吳立偉，
申請(專利權)人：深圳職業技術大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。