智能车辆目标检测方法、计算机设备及可读存储介质与流程

本发明涉及无人驾驶，具体为智能车辆目标检测方法、计算机设备及可读存储介质。

背景技术：

1、环境感知是实现车辆智能驾驶的基础，目标检测是实现环境感知的关键技术。由于道路交通场景复杂多变，存在小目标和遮挡区域误检漏检等问题。此外，智能车辆的计算资源有限，不仅需要检测精度高、检测速度快，还需要复杂度小的模型来减少对于高性能计算平台的依赖。

2、基于深度学习的目标检测算法摒弃了传统机器视觉目标检测算法存在的模型复杂、特征提取鲁棒性差、适应性不高以及实时性差等缺点。通过运用卷积神经网络，这些算法成功地完成了对目标的信息特征提取、分类以及回归问题，显著提高了目标检测的精度和检测速度。

3、深度学习目标检测方法主要分为两类：一是以faster-rcnn为代表的两阶段目标检测算法，二是以yolo为代表的单阶段目标检测算法。相较于两阶段目标检测算法，单阶段目标检测算法无需生成感兴趣区域提取候选框，而是直接生成目标检测物体的类别概率和位置坐标值。这一创新实现了端到端的实时目标检测任务，显著提高了检测速度，满足了实时性要求。雾天复杂的道路交通环境使得视觉传感器采集的图像清晰度不高、对比度较低、色彩失真情况明显等，这导致目标检测的精度降低且容易出现漏检等情况。因此一种能在雾天等能见度低的环境下实现高精度的实时目标检测方法尤为重要。

技术实现思路

1、针对现有技术的不足，本发明提供了智能车辆目标检测方法、计算机设备及可读存储介质，提高智能车辆在复杂多变的道路环境中对各类目标的检测精度和处理速度，同时确保模型具有良好的泛化能力和高效的计算性能。

2、为实现以上目的，本发明通过以下技术方案予以实现：智能车辆目标检测方法，包括以下步骤：

3、接收由车载摄像头捕获的图像，并对所述图像进行预处理；

4、使用改进的yolov7模型对预处理后的图像进行处理，包括特征提取和目标检测，其中模型包括有特征提取能力的骨干网络、进行特征融合的颈部网络和生成目标检测结果的头部网络；

5、对所生成的特征图进行分析，将每个特征图分为s×s个网格，每个网格生成三个目标预测框，每个预测框包括五个参数：框的中心坐标、高宽尺度及预测框的置信度，其中置信度计算为预测框内是否包含目标的概率乘以预测框与真实框的交并比；

6、应用非极大值抑制算法处理所有预测框，以筛选出置信度最高的预测框作为最终的目标检测结果。

7、优选的，所述骨干网络的特征提取步骤包括：

8、应用多个cbs模块对接收的图像进行初步特征提取，每个cbs模块包括一个卷积层、一个批量归一化层和一个silu激活函数，用于提取基础图像特征；

9、将特征输入至elan模块，所述elan模块由两个分支组成：

10、第一分支通过1x1的卷积进行通道数变化，用于调整特征维度；

11、第二分支开始于1x1的卷积模块进行通道数变化，继而通过四个3x3的卷积模块进行深入的特征提取，并将这四个特征图进行叠加，形成综合特征图；

12、在elan模块中，采用p-elen模块代替传统的elan-tiny模块中的普通卷积，使用可分离卷积以减少冗余计算和内存访问；

13、使用mp模块进一步处理特征，所述mp模块包括最大池化层和cbs模块的结合，其中一支经过最大池化和cbs模块后输入到拼接模块中，另一支直接通过两个cbs模块后进行拼接，以实现特征的有效融合。

14、优选的，所述颈部网络的特征融合步骤包括：

15、使用特征金字塔网络结构来处理从骨干网络获得的多尺度特征图，通过上采样和下采样操作来调整各特征图的尺度，以实现浅层特征与深层特征的融合；

16、重构sppcspc模块，通过替换原有的并行最大池化层为三个串行的5×5最大池化层，并在每个池化后应用leakyrelu激活函数，以提高处理速度同时保持感受野不变；

17、对网络结构进行调整，以增加一个160×160尺寸的特征预测尺度，直接将四倍下采样的特征图与其他层的特征图进行拼接融合，细化对小目标的检测能力，降低因增加检测头而引入的额外参数量和复杂度；

18、在特征融合过程后，引入上下文聚合模块，使用自适应权重对不同层级的特征图进行加权融合，确保只有有用的全局信息被集成到局部特征中，增强目标检测的准确性和减少信息冗余。

19、优选的，所述置信度的计算公式为：

20、

21、其中，为网络预测第类目标的置信度，为预测框与真实框的交互比。

22、优选的，所述目标包括至少一种：汽车、行人或骑行者。

23、优选的，所述改进的yolov7模型的训练步骤包括：

24、使用训练集和验证集对改进的yolov7模型进行模型训练

25、配置训练超参数，设置批大小为24、迭代轮数为300；

26、开始训练模型，使用训练数据集，在每个训练迭代中，计算损失并更新模型权重，保存最好的模型；

27、在每个模型训练周期结束后，使用验证集来评估模型的性能，监控验证集上的损失和准确率指标，以便及时停止训练，防止过拟合。

28、优选的，所述评估模型的性能步骤包括：

29、计算模型在测试集上的准确率、f1分数指标，并绘制可视化评估结果混淆矩阵，以确定其在真实情况中的表现。

30、本发明还提供智能车辆目标检测装置，包括：

31、图像接收模块，配置为接收由车载摄像头捕获的图像；

32、图像预处理模块，配置为对所接收的图像进行预处理，包括mosaic数据增强、自适应锚框计算及图片自适应缩放等操作；

33、特征提取模块，配置为使用改进的yolov7模型的骨干网络对预处理后的图像进行特征提取，包括应用多个cbs模块和至少一个elan模块，其中elan模块进一步包括p-elen模块以减少冗余计算；

34、特征融合模块，配置为使用颈部网络对来自特征提取模块的不同尺度特征图进行处理，该模块包括一个特征金字塔网络结构，并重构sppcspc模块以改进特征融合效率；

35、目标检测模块，配置为使用头部网络分析来自特征融合模块的特征图，将特征图分为多个网格，并在每个网格生成目标预测框，每个预测框包括坐标、尺度及置信度计算，该模块还包括非极大值抑制算法以筛选出最终的目标检测结果。

36、本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的方法。

37、本发明还提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的方法。

38、本发明提供了智能车辆目标检测方法、计算机设备及可读存储介质。具备以下有益效果：

39、1、本发明通过使用改进的yolov7模型，特别是在模型中集成的elan模块和特征金字塔网络，显著提升了目标检测的精确度。elan模块的双分支设计和特征金字塔的融合策略有效提取和整合了来自不同层级的特征信息，使得模型能够更准确地识别和分类大小不一的目标，如汽车、行人和骑行者。这种精确的检测能力对于实现智能车辆在复杂道路环境中的安全导航至关重要。

40、2、本发明通过广泛采集不同环境下的图像数据，并进行系统的预处理和数据增强操作，显著增强了模型的泛化能力。这种数据处理策略保证了模型在不同的道路、天气和光照条件下均具有良好的表现，增强了模型在实际应用中的适用性和鲁棒性。

41、3、本发明在模型通过采用p-elen模块减少冗余计算和优化内存使用，以及通过串行池化层简化计算过程，显著提高了模型的运行效率。这些改进使得模型不仅适用于高性能计算平台，也能在较低配置的系统中实现实时目标检测，满足智能车辆对快速反应和即时决策的需求。

42、4、本发明的基于改进yolov7的智能车辆目标检测方法，通过构建基于改进yolov7的目标检测模型对道路目标进行检测，提高了模型的检测效率和准确率。