1.一种基于车辆计数感知注意力的稠密车辆检测方法,其特征在于,包括如下步骤:S1:构建数据集,从道路监控视频中选取车辆密集的图片构成密集场景车辆检测数据集,并划分为训练集和测试集;
S2:数据预处理,将获得的图片数据进行尺寸缩放,并根据需要采用水平/垂直翻转、旋转、缩放、裁剪、剪切、平移、对比度、色彩抖动、噪声对原始图像进行预处理,并对其进行车辆框的标注;
S3:构建网络模型:网络模型包括特征提取网络、车辆计数感知注意力模块以及目标分类与回归网络,所述车辆计数感知注意力模块接收获得的特征,并输出蕴含图片中车辆数量信息的注意力图谱,
车辆计数感知注意力模块结构如下:
将特征提取网络提取获得的特征先经过一个通道注意力模块,得到通道权重加权的特征;对加权后的特征进行取最大值与平均值的操作,得到维度为2*1*h*w的特征谱,再沿着通道维度进行合并,合并后输入到滤波器大小为2*1*1*2的卷积层,得到一个维度大小为2*h*w的特征谱,再通过sigmoid操作并取其中的前景通道作为该模块输出的计数感知注意力图谱,将车辆计数感知注意力模块输出的注意力图谱与特征提取网络提取获得的特征的每个通道都相乘,获得改进的密集场景车辆检测特征;
S4:构建稠密目标检测模型,将得到的改进的密集场景车辆检测特征输入到感兴趣区域生成网络,并得到一系列感兴趣区域,其中所述感兴趣区域生成网络用于分类对应区域是否为感兴趣区域以及回归感兴趣区域的位置;
S5:模型训练,将训练集数据输入到构建好的网络模型中,输入的图片数据获取到感兴趣区域后,计算每个感兴趣区域的交并比,并根据交并比将感兴趣区域划分为正负样本,并计算损失函数;
S6:检测结果输出,将测试图像数据集输入到训练好的网络模型中,获得一系列感兴趣区域,通过非极大值抑制算法进行处理,得到最终的感兴趣区域,并输入到池化层获得池化后的感兴趣区域特征,并将池化后的特征输入到分类器与回归器获得一系列预测结果,对预测结果再次利用非极大值抑制算法筛选获得最终检测结果。
2.根据权利要求1所述的基于车辆计数感知注意力的稠密车辆检测方法,其特征在于,步骤S4中,输入到感兴趣区域生成网络的图像中,每隔s个像素点以L个像素为基准长度,并以设定的长宽比与面积比生成k个锚框,对于特征图上的每个位置,分类分支会分别输出该位置对应的k个锚框是否为感兴趣区域的概率,回归分支会分别输出该位置对应的k个锚框的位置调整参数,结合回归分类分支与回归分支的输出,进而初步得到一系列感兴趣区域。
3.根据权利要求2所述的基于车辆计数感知注意力的稠密车辆检测方法,其特征在于,所述车辆计数感知注意力模块的输出通过车辆计数感知损失来监督,所述损失函数计算过程如下:
首先将每个图片数据的标注框内部都置为1,背景部分置为0,得到车辆计数密度图,对特征向量进行sigmoid操作获得前景与背景的概率,通过得到的车辆计数密度图与该向量计算交叉熵,最终计算得到车辆计数感知损失,分类、回归损失通过Faster RCNN中的分类损失和定位损失计算获得,总损失L为分类、回归损失和车辆计数感知损失之和。
4.根据权利要求3所述的基于车辆计数感知注意力的稠密车辆检测方法,其特征在于,步骤S5模型训练时,输入的数据包括经预处理的图片以及图片对应所标注的车辆框。
5.根据权利要求4所述的基于车辆计数感知注意力的稠密车辆检测方法,其特征在于,步骤S6中,利用非极大值抑制算法对初步得到的感兴趣区域处理过程如下:从前景概率最高的初步感兴趣区域开始,计算所有与其有重合部分的初步感兴趣区域对于其的交并比,若存在某感兴趣区域与作为前景概率最高的感兴趣区域的交并比超过阈值t1,则去除该感兴趣区域,直至找出所有应保留的感兴趣区域;
将经过非极大值抑制算法处理得到的感兴趣区域中取前景的概率最高的m个感兴趣区域作为最终感兴趣区域。
6.根据权利要求5所述的基于车辆计数感知注意力的稠密车辆检测方法,其特征在于,步骤S6中,对得到的预测结果按照其对应的交并比进行阈值为t2的非极大值抑制算法进行处理,并保留最大概率大于阈值t3的结果作为最终的检测结果。