一种基于轻量卷积和多尺度融合的交通目标检测方法

摘要: 本发明涉及计算机视觉和智能交通,具体涉及一种基于轻量卷积和多尺度融合的交通目标检测方法。背景技术:1、随着智慧交通、辅助驾驶和边缘智能感知技术的发展,基于道路图...
一种基于轻量卷积和多尺度融合的交通目标检测方法

本发明涉及计算机视觉和智能交通,具体涉及一种基于轻量卷积和多尺度融合的交通目标检测方法。

背景技术:

1、随着智慧交通、辅助驾驶和边缘智能感知技术的发展,基于道路图像的交通目标检测已广泛应用于道路监控、交通流量分析、交通安全预警以及车辆环境感知等场景。交通目标检测通常需要从城市道路图像中识别机动车、行人、骑行者等目标,并确定各目标在图像中的位置,为后续的目标跟踪、行为分析和交通决策提供基础数据。

2、城市道路场景具有目标类型多、尺度变化大、遮挡频繁以及背景环境复杂等特点。远距离车辆、行人和骑行者在图像中所占像素较少,能够用于识别和定位的纹理、轮廓及边缘信息有限;不同目标之间还可能发生相互遮挡,或者受到道路设施、阴影、光照变化及复杂背景的干扰。尤其是在小目标、遮挡目标和边界模糊目标同时存在时,检测模型容易出现目标特征提取不充分、不同类别特征混淆以及边界框定位偏差等问题。

3、现有交通目标检测方法多采用深度神经网络对图像进行多层特征提取,并通过多尺度特征融合提高不同尺寸目标的检测能力。yolo系列单阶段目标检测算法具有检测速度较快、网络结构相对紧凑等特点,其中轻量化模型能够在一定程度上满足车载设备、路侧终端和嵌入式设备的实时检测需求。然而,现有轻量化检测模型通常需要通过减少网络层数、降低特征通道数量或者采用低计算量卷积结构压缩模型规模,该类处理虽然能够降低参数量和计算量,但也容易削弱特征提取和通道信息交互能力,使小目标及遮挡目标的细节信息在网络传递过程中逐渐丢失。

4、与此同时,现有多尺度特征融合通常采用特征拼接、逐层传递或者预设权重融合方式,不同尺度特征之间的融合关系相对固定,难以根据目标在图像中的实际位置、尺寸及遮挡程度,自适应地选择更有利于目标识别的特征。当浅层细节特征与深层语义特征不能得到有效协调时,容易造成小目标特征被背景信息淹没,或者目标边界信息在融合过程中被弱化。此外,现有边界框回归方法在目标轮廓清晰、匹配质量较高时能够取得较好的定位效果,但面对目标面积较小、遮挡严重、边界模糊或者预测框与真实框重叠程度较低的样本时,仍可能存在优化不充分、收敛不稳定及定位精度不足的问题。

技术实现思路

1、针对现有城市交通目标检测方法难以兼顾边缘端轻量化部署与复杂场景下多尺度目标检测精度的问题,本发明的目的是提出一种基于轻量卷积和多尺度融合的交通目标检测方法。

2、所述方法包括如下步骤:

3、s1、获取交通图像数据集,并进行预处理;

4、s2、对yolov11n模型进行改进,得到lmsf-yolov11n模型:

5、s21、构建msaf-se多尺度自适应融合模块,再将msaf-se多尺度自适应融合引入c2psa模块,得到c2psa_msaf-se模块;

6、将yolov11n模型主干网络末端sppf模块,和颈部网络之间的c2psa模块,替换为c2psa_msaf-se模块;

7、s22、构建lgsconv轻量化卷积单元,并将颈部网络pan路径中的两个conv模块分别替换为lgsconv轻量化卷积单元;

8、s23、构建vovlgscsp轻量化颈部模块,并将颈部网络pan路径中的两个c3k2模块和fpn路径中的两个c3k2模块,分别替换为vovlgscsp轻量化颈部模块;

9、s3、采用预处理后的数据集对lmsf-yolov11n模型进行训练;

10、s4、将待检测的交通图像,输入训练完的lmsf-yolov11n模型,进行目标检测。

11、进一步,所述构建msaf-se多尺度自适应融合模块,包括:对输入特征分别进行步长为1的卷积处理、步长为2的卷积处理以及连续两次步长为2的卷积处理,得到p3、p4和p5三路不同尺度特征;分别对p3、p4和p5进行通道增强;以其中一路特征的尺度作为目标融合尺度,对通道增强后的三路特征进行尺度调整,使三路特征具有一致的空间尺寸;将尺度调整后的三路特征分别进行卷积处理,并将卷积处理结果进行拼接,对拼接结果进行归一化处理,得到分别对应于三路特征的融合权重;将尺度调整后的三路特征分别与对应的融合权重相乘,并将相乘结果相加,得到所述目标融合尺度对应的多尺度融合特征。

12、进一步,分别以p3、p4和p5特征的尺度作为所述目标融合尺度,得到分别对应于p3、p4和p5尺度的三个多尺度融合特征。

13、进一步,将msaf-se多尺度自适应融合引入c2psa模块,具体为,将c2psa模块所包含的psablock模块中的position-sensitive attention注意力机制替换为msaf-se多尺度自适应融合模块。

14、进一步,所述构建lgsconv轻量化卷积单元,包括:对输入特征进行通道压缩,得到压缩后特征;将所述压缩后特征分别输入深度卷积分支和恒等映射分支,并将两个分支的输出特征依次进行拼接、通道混洗和通道融合,得到通道融合特征;在通道融合之后设置se_light轻量化通道注意力模块,由所述se_light轻量化通道注意力模块根据所述通道融合特征生成通道权重,并利用所述通道权重对所述通道融合特征进行通道重标定,得到lgsconv轻量化卷积单元的输出特征。

15、进一步,所述构建vovlgscsp轻量化颈部模块,包括:将输入特征分别输入基础特征分支和变换特征分支;通过所述基础特征分支对输入特征进行卷积处理,得到基础特征;

16、通过所述变换特征分支对输入特征进行卷积处理,并将卷积处理后的特征依次输入n个lgsbottleneck残差单元,得到变换特征,将所述基础特征与所述变换特征进行拼接,并对拼接后的特征进行卷积融合,得到所述vovlgscsp轻量化颈部模块的输出特征。

17、进一步,所述lgsbottleneck残差单元包括主分支和残差分支;主分支依次通过两个lgsconv轻量化卷积单元进行处理,残差分支通过1×1卷积进行处理,并将两分支输出进行残差融合,得到变换特征。

18、进一步,步骤s3中,在边界框回归过程中,采用focaler-diou损失替换原有的ciou损失,对预测边界框进行优化。

19、一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行上述方法的步骤。

20、一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现上述方法的步骤。

21、本发明所述方法的有益效果为:

22、(1)本发明通过vovlgscsp轻量化颈部模块和lgsconv轻量化卷积单元对yolov11n颈部网络进行改进,减少特征融合和尺度变换过程中的冗余卷积计算,从而降低模型参数量和浮点运算量,提高模型在车载设备、路侧终端及嵌入式设备上的部署效率。

23、(2)本发明通过通道混洗、通道重标定、残差连接和双分支融合,增强轻量化卷积过程中的通道信息交互和特征传递能力,减少小目标及遮挡目标的纹理、轮廓和边缘信息在网络传递过程中的损失,提高目标相关通道的响应强度,缓解普通轻量化卷积可能造成的细节特征丢失问题。

24、(3)本发明通过msaf-se多尺度自适应融合模块,对不同尺度特征进行通道增强、尺度对齐和自适应加权融合,使模型能够根据目标的位置和尺度差异利用有效特征,从而提高远距离小目标、遮挡目标及多尺度交通目标的识别能力,减少复杂背景干扰引起的误检、漏检和类别混淆。

25、(4)本发明在训练阶段采用focaler-diou损失对边界框回归进行辅助优化,改善小目标、遮挡目标、边界模糊目标以及预测框与真实框重叠程度较低样本的回归效果,从而减小边界框定位偏差,提高复杂城市交通场景下的检测精度和稳定性。

26、(5)本发明通过vovlgscsp轻量化颈部模块降低特征传递和融合过程中的计算量,并通过lgsconv、通道重标定、残差连接及双分支融合缓解轻量化处理造成的特征损失;在此基础上,msaf-se多尺度自适应融合模块进一步协调不同尺度特征,使保留下来的细节特征和语义特征得到有效融合,并配合focaler-diou损失改善边界框回归。上述各部分相互配合,使模型在降低参数量和计算量的同时,提高远距离小目标、遮挡目标和边界模糊目标的识别与定位能力,从而兼顾边缘端部署效率和复杂城市交通场景下的检测精度。