CN115424237B 一种基于深度学习的前向车辆识别与距离检测方法 （重庆大学）

127.一种基于深度学习的前向车辆识别与距离本发明提供了一种基于深度学习的前向车向车辆识别与距离检测网络的训练；基于K_Means优化前向车辆距离检测。本发明一种基于目标测距特征点拟合五个方面来实现前向车辆2S2.1引入以VGG_16为骨干的多任务注意力网络S2.3提取步骤S2.2替换后的注意力模块对应共享网络Convφ1S3.3从三个不同感受野尺度的金字塔中选取同分辨率大小的金字塔进行通道维度的2.根据权利要求1所述的一种基于深度学习的前向车辆识别与距离检测方法，其特征3.根据权利要求2所述的一种基于深度学习的前向车辆识别与距离检测方法，其特征34.根据权利要求1所述的一种基于深度学习的前向车辆识别与距离检测方法，其特征S5.1设计总体损失函数Ltotal，所述总体损失函数5.根据权利要求1所述的一种基于深度学习的前向车辆识别与距离检测方法，其特征4[0002]前向车辆目标检测和距离检测是智能驾驶系统环境感知技术不可或缺的重要部5[0029]S3.3从三个不同感受野尺度的金字塔中选取同分辨率大小的金字塔进行通道维6[0036]S5.1设计总体损失函数Ltotal，所述总体损失函数Ltotal包括目标检测损失函数估计可以提高距离检测的精度。本发明通过多尺度感受野融合模块和改进的级联SSD车辆于测距特征点拟合与基于K_Means优化的测距方式，解决了2D车辆边界框中非车辆区域深[0050]S1.获取前向车辆识别与距7[0052]KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算[0053]KITTI数据集的数据采集平台装配有2个灰度摄像机，2个彩色摄像机，一个[0057]通过对每个车辆目标的距离进行统计，本实施例KITTI数据集中距离最远的一个[0058]S1.4参考YOLOv2算法中的K_Means(k均值聚类算法)方法，将目标框聚类为2_11[0064]MTAN(Muliti_TaskAttentionNetwrok)由一个包含全局特征池化的共享网络和[0065]S2.2引入大核注意力机制LKA替换步骤S2.1引入的MTAN注意力模块中的1×1卷积[0066]LKA包括空间局部卷积(Depth_wiseConvolution)、空间远程卷积(Depth_wiseDilationConvolution)和通道卷积(1×1Convol8[0072]S3.1将得到的特征图ψ1作为多尺度感受野融合模块(Multi_scaleReceptive[0076]S3.3从三个不同感受野尺度的金字塔中选取同分辨率大小的金字塔进行通道维[0078]步骤S3.4可以用来缓解锚框机制造成的特征不对齐问题，提高检测框的回归精9[0088]S4.3将一种空间递增离散化策略(SID)引[0089]S5.基于深度学习的前向车辆识别[0092]其中，级联SSD目标检测的损失函数分为Anchor提纯模块(AnchorRefinement全类别Softmax交叉熵，L表示基于Centerness加权的预热WarmUp策略以及余弦退火算法定义如代步数损失的平均值，这样做可以减少随机梯度下降和随机训练数据选择带来的不确定[0125]①将前向车辆距离检测模型的目标检