(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210250838.0 (22)申请日 2022.03.15 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 贺宜　鲁曼可　曹博　巴继东　 李泽　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 薛玲 (51)Int.Cl. G06V 20/58(2022.01) G06V 20/40(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/74(2022.01) G06V 10/22(2022.01) G06N 3/04(2006.01) G06N 3/00(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于轻量化深度学习网络的车辆检测 方法 (57)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YOL Ov3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。 权利要求书4页 说明书9页 附图2页 CN 114898327 A 2022.08.12 CN 114898327 A 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P SO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Y OLOv3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Y OLOv3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。 2.根据权利要求1所述的基于轻量 化深度学习网络的车辆检测方法， 其特 征在于， 步骤1中所述每幅道路车辆图像中每 个车辆标注框为： B oxm， 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： Φ＝(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， Φ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。 3.根据权利要求1所述的基于轻量 化深度学习网络的车辆检测方法， 其特 征在于， 步骤2中的P SO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 权　利　要　求　书 1/4 页 2 CN 114898327 A 2步骤2.3： 初始化粒子的速度Vk＝0、 个体最优位置Pbest(k)及其对应的个体极值f(Pbest (k))、 群体 最优位置Gbest及其对应的全局极值f(Gbsst)， 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f(Pbest(k))以及个体 最优位置Pbest(k)， 粒子群的全局极值f(Gbsst)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。 4.根据权利要求1所述的基于轻量 化深度学习网络的车辆检测方法， 其特 征在于， 步骤3所述通过K ‑means聚类算法进行聚类生成聚类优化后的先验框宽高， 具体过程 为： 步骤3.1： 先读取PSO粒子群优化算法得到的K个标注框的宽高尺寸Pk＝(w′k， h′k)， k∈ [1， K]， 作为K ‑means聚类算法所要生成的K个先验框的初始值； 步骤3.2： 计算每幅道路车辆图像所有 的车辆标注框与K个先验框的距离交并比值， 改 进的距离公 式d， 进一步计算每幅道路车辆图像所有的车辆标注框与K个先验框的距离值并 比较距离值大小， 将与K个先验框的距离值 最小的标注框们和先验框分为 一类； 所述计算每幅道路车辆 图像所有的车辆标注框与生成的K个先验框的距离交并比， 距 离交并比(DIOU)公式为： 所述改进的距离公式为： 其中， b， bBox分别表示先验框(锚框)和标注框(边界框)的中心点， ρ表示两个中心的欧 氏距离， c表示能够同时包围先验框和 和标注框的最小封闭框的对角线距离； 步骤3.3： 针对所属某一类先验框的标注框们， 对其按宽高进行排序， 取中间值作为该 类新先验框以更新先验框的宽高尺寸； 步骤3.4： 计算每个新的先验框与每幅道路车辆图像所有的车辆标注框的距离交并比 以及距离值， 按上述 步骤进行新的分类； 步骤3.5： 重复上述步骤3.3、 3.4， 直到先验框 的宽高尺寸不在更新， 则输出此K个经过 K‑means聚类算法优化后的先验框 宽高尺寸(w ″k， h″k)， k∈[1， K]。 5.根据权利要求1所述的基于轻量 化深度学习网络的车辆检测方法， 其特 征在于，权　利　要　求　书 2/4 页 3 CN 114898327 A 3