本发明涉及面向计算机视觉、目标检测和自动驾驶领域，具体地说是一种基于卷积神经网络的车辆目标检测方法。
背景技术：
1、目标检测，也叫目标识别，是计算机视觉领域的一个经典问题，其目的在于从输入的rgb图像中得到感兴趣目标的二维边界框和类别，其准确性和实时性是整个系统的一项重要特征。在真实场景下对车辆进行检测获取相关信息，有助于交通流量统计工作的展开，对停车场泊车调度系统和自动驾驶系统均有辅助作用。
2、传统的车辆检测算法主要针对静态背景，目标运动速度过慢时目标提取困难且计算量大，当目标的大小、形态发生改变时，识别准确率低。卷积神经网络(convolutionalneural network,cnns)具有很强的泛化能力，可以自动学习目标的深层语义特征，通过训练后还能对目标进行精准定位，研究其在目标检测上的应用非常有必要。
技术实现思路
1、针对现有技术的不足，本发明提供一种基于卷积神经网络的车辆目标检测方法,实现对输入图像的高精度目标检测，克服目前yolov3算法在小目标检测上的不足，可广泛用于城市智慧交通、停车场泊车系统。
2、本发明为实现上述目的所采用的技术方案是：一种基于卷积神经网络的车辆目标检测方法，包括以下步骤：
3、步骤1：获取rgb图像构建数据集用于卷积神经网络的训练，对数据集进行预处理得到n个锚框；
4、步骤2：将数据集中rgb图像通过darknet53网络提取特征；
5、步骤3：通过基于特征融合的soft-spp模块，将特征分别输入到池化核不同的池化层，在池化层采用softpool方式进行池化后将不同特征通道的特征串联；
6、步骤4：串联后的第一尺寸特征经过convolutional set卷积层进行上采样得到第二尺寸的特征图，第二尺寸特征图经convolutional set卷积层进行上采样得到第三尺寸的特征图；将第一尺寸的特征图、第二尺寸的特征图、第三尺寸的特征图分别与darknet53网络中第一尺寸的特征图、第二尺寸的特征图、第三尺寸的特征图进行串联后，分别输入至第一坐标注意力模块、第二坐标注意力模块、第三坐标注意力模块中，每个坐标注意力模块通过为每个特征通道分配不同的权重，将输入的特征图与权重根据特征通道相乘，得到输出特征；
7、步骤5：基于第一坐标注意力模块、第二坐标注意力模块、第三坐标注意力模块分别输出的第一尺寸、第二尺寸、第三尺寸的特征图，通过预处理的数据得到的n/3个锚框作为参考进行预测，分别在第一尺寸、第二尺寸、第三尺寸的特征图上得到预测框，完成通过由darknet53网络、soft-spp模块、convolutional set卷积层和坐标注意力模块构成的训练卷积神经网络进行训练，得到训练后的卷积神经网络；
8、步骤6：将含有车辆目标的图像输入至训练后的卷积神经网络，进行边界框和目标类别的预测。
9、所述对数据集进行预处理得到n个锚框，包括以下步骤：
10、获取kitti数据集中的标签数据，使用k-means算法对标签中的边界框尺寸进行聚类，求得n个锚框的尺寸，用于预测不同尺寸的目标；
11、所述标签数据包括目标及其真实框位置、类别。
12、所述基于特征融合的soft-spp模块，使用softpool代替maxpool进行池化：
13、
14、其中，ai为邻域r内的像素点，wi为第i个像素点权值，j代表该邻域内的像素点序号；
15、池化的输出值用求得的权值wi与相应位置像素点ai加权并求和得到：
16、
17、表示池化后的输出值，﹡表示点乘。
18、训练过程中，同时考虑边界框两个角点之间的距离和边界框的长宽比，采用衡量预测框和真实框接近程度的kiou函数：
19、
20、
21、
22、边界框损失函数为：
23、lbox＝1-kiou
24、其中，h和w分别代表预测框的长和宽，hgt和wgt分别代表真实框的长和宽，ρ代表预测框与真实框对应点之间的欧式距离；k1和k2分别代表预测框的左上角点和右下角点；和分别代表真实框的左上角点和右下角点；c代表最小包围框ac的对角线长度；v用来度量长宽比的相似性，使得预测框和真实框的形状趋于相似；α是权重函数，iou表示预测框和真实框的交集面积与并集面积之比。
25、一种基于卷积神经网络的车辆目标检测系统，包括：
26、数据集构建模块，用于获取rgb图像构建数据集用于卷积神经网络的训练，对数据集进行预处理得到n个锚框；
27、特征提取模块，用于将数据集中rgb图像通过darknet53网络提取特征；
28、soft-spp模块，用于将特征分别输入到池化核不同的池化层，在池化层采用softpool方式进行池化后将不同特征通道的特征串联；
29、坐标注意力模块，用于串联后的第一尺寸特征经过convolutional set卷积层进行上采样得到第二尺寸的特征图，第二尺寸特征图经convolutional set卷积层进行上采样得到第三尺寸的特征图；将第一尺寸的特征图、第二尺寸的特征图、第三尺寸的特征图分别与darknet53网络中第一尺寸的特征图、第二尺寸的特征图、第三尺寸的特征图进行串联后，分别输入至第一坐标注意力模块、第二坐标注意力模块、第三坐标注意力模块中，每个坐标注意力模块通过为每个特征通道分配不同的权重，将输入的特征图与权重根据特征通道相乘，得到输出特征；
30、卷积神经网络模块，用于基于第一坐标注意力模块、第二坐标注意力模块、第三坐标注意力模块分别输出的第一尺寸、第二尺寸、第三尺寸的特征图，通过预处理的数据得到的n/3个锚框作为参考进行预测，分别在第一尺寸、第二尺寸、第三尺寸的特征图上得到预测框，完成通过由darknet53网络、soft-spp模块、convolutional set卷积层和坐标注意力模块构成的训练卷积神经网络进行训练，得到训练后的卷积神经网络；
31、目标检测模块，用于将含有车辆目标的图像输入至训练后的卷积神经网络，进行边界框和目标类别的预测。
32、一种基于卷积神经网络的车辆目标检测装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种基于卷积神经网络的车辆目标检测方法。
33、一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种基于卷积神经网络的车辆目标检测方法。
34、本发明具有以下有益效果及优点：
35、本发明可有效地处理车辆目标检测问题，网络模型能够准确地学习到图像的显著特征，尤其是对小目标的学习情况有所改善，并最终给出车辆目标的定位信息和分类信息。
1.一种基于卷积神经网络的车辆目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于卷积神经网络的车辆目标检测方法，其特征在于，所述对数据集进行预处理得到n个锚框，包括以下步骤：
3.根据权利要求1所述的一种基于卷积神经网络的车辆目标检测方法，其特征在于：所述基于特征融合的soft-spp模块，使用softpool代替maxpool进行池化：
4.根据权利要求1所述的一种基于卷积神经网络的车辆目标检测方法，其特征在于，训练过程中，同时考虑边界框两个角点之间的距离和边界框的长宽比，采用衡量预测框和真实框接近程度的kiou函数：
5.一种基于卷积神经网络的车辆目标检测系统，其特征在于，包括：
6.一种基于卷积神经网络的车辆目标检测装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-5任一项所述的一种基于卷积神经网络的车辆目标检测方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的一种基于卷积神经网络的车辆目标检测方法。
