CN111582213A - 一种基于Centernet的汽车识别方法 - Google Patents

一种基于Centernet的汽车识别方法 Download PDF

Info

Publication number
CN111582213A
CN111582213A CN202010413014.1A CN202010413014A CN111582213A CN 111582213 A CN111582213 A CN 111582213A CN 202010413014 A CN202010413014 A CN 202010413014A CN 111582213 A CN111582213 A CN 111582213A
Authority
CN
China
Prior art keywords
enhanced
network structure
training
centernet
test set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010413014.1A
Other languages
English (en)
Inventor
蔡润轩
方志军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tieke Shidai Technology Co ltd
Original Assignee
Beijing Tieke Shidai Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Tieke Shidai Technology Co ltd filed Critical Beijing Tieke Shidai Technology Co ltd
Priority to CN202010413014.1A priority Critical patent/CN111582213A/zh
Publication of CN111582213A publication Critical patent/CN111582213A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Centernet的汽车识别方法，包括如下步骤：S1：采集并收集原始图像数据；S2：对原始图像进行分类，具体分为训练集、验证集、测试集；并对训练集、验证集、测试集分别进行增强处理得到增强后的训练集、增强后的验证集、增强后的测试集；S3：搭建基于Centernet的网络结构；S4：对Centernet网络结构，采用Group Normalization进行标准化，Radam优化器作为网络训练的优化方法，进行迭代训练，得到训练后的Centernet网络结构；S5：用增强后的验证集和增强后的测试集对训练后的Centernet网络结构进行验证和测试。本发明方法将在车辆类别和位置特征的基础上，尝试通过新型的卷积网络方法提取图像中更加底层的特征，从而在空间位置上，得到车辆轨迹更详尽的特征。

Description

一种基于Centernet的汽车识别方法
技术领域
本发明属于自动驾驶中的图像识别技术，具体涉及一种基于Centernet的汽车识别方法。
背景技术
现有自动驾驶技术主要利用在汽车，火车等作为辅助驾驶，均采用基于深度学习的图像识别，决策规划等方法。相关技术主要分为三类：(1)基于激光传感器的SLAM方法，属于感知-规划-控制中的感知类方法；(2)基于2D摄像头传感器的视觉SLAM方法；(3)基于多传感器的融合方法。不同种类的传感器决定了相关方法的类型。
各自的优点缺陷：激光传感器能更加精确得到捕捉远处物体信息，但成本相对较高，且相关方法没有2D的成熟。2D摄像机需要间接获取障碍物距离，精确跟3D激光传感器相比略低。由于5G技术，电子信息，电动车产业的蓬勃发展，在可见的将来自动驾驶相关技术将得到广阔的发展和使用。
发明内容
本发明所要解决的技术问题是现有的图像识别方法仅仅在车辆分类、车牌识别、汽车位置等特征的识别上具有成熟的应用，对2D图像的信息不能充分挖掘，目的在于提供一种基于Centernet的汽车识别方法，解决上述问题。
本发明通过下述技术方案实现：
一种基于Centernet的汽车识别方法，包括如下步骤：
S1：采集并收集原始图像数据；
S2：对原始图像进行分类，具体分为训练集、验证集、测试集；并对训练集、验证集、测试集分别进行增强处理得到增强后的训练集、增强后的验证集、增强后的测试集；
S3：搭建基于Centernet的网络结构；
S4：对Centernet网络结构，采用Group Normalization进行标准化，Radam优化器作为网络训练的优化方法，进行迭代训练，得到训练后的Centernet网络结构；
S5：用增强后的验证集和增强后的测试集对训练后的Centernet网络结构进行验证和测试。
网络模型优化方式在显存足够的情况下采取Adam优化方式依然能取得不错的效果。
进一步地，一种基于Centernet的汽车识别方法，所述S2还包括对原始图像数据的长度和宽度进行调整，S2具体步骤如下：
S21：调整原始图像数据的长度和宽度得到调整后的图片；
S22：选用X张调整后的图片作为训练集；选用Y张调整后的图片作为验证集；选用Z张调整后的图片作为测试集；
S23：将训练集、验证集、测试集的图片分别进行数据增强处理得到增强后的训练集、增强后的验证集、增强后的测试集。
进一步地，一种基于Centernet的汽车识别方法，所述S21具体为：将原始图像数据的长度统一调整为2560像素，将原始图像数据的宽度统一调整为512像素。
进一步地，一种基于Centernet的汽车识别方法，所述S22具体为：X取值为4000，Y取值为256，Z取值为2000。
进一步地，一种基于Centernet的汽车识别方法，所述S23中增强处理具体是对训练集、验证集、测试集内的图片采用旋转和模糊高斯处理。
进一步地，一种基于Centernet的汽车识别方法，所述S3中搭建基于Centernet的网络结构，具体是Backbone采用hourglass或Efficientnet或Dla的网络结构。
进一步地，一种基于Centernet的汽车识别方法，所述S4具体包括如下步骤：
S41：将增强后的训练集送入Centernet网络结构进行训练得到第一特征数据集；训练过程依次为全部网络结构-部分结构-头部结构-全部网络结构；
S42：采用Group Normalization对Centernet网络结构中部分参数进行标准化。
现有的图像识别方法仅仅在车辆分类、车牌识别、汽车位置等特征的识别上具有成熟的应用，对2D图像的信息不能充分挖掘，本发明提供的Centernet识别方法应用于汽车图像识别领域，在车辆类别和位置特征的基础上，尝试通过新型的卷积网络方法提取图像中更加底层的特征，从而在空间位置上，得到车辆轨迹更详尽的特征。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种基于Centernet的汽车识别方法，为基于2D摄像头的自动驾驶中图像识别方法，以往的图像识别方法仅仅在车辆分类、车牌识别、汽车位置等特征的识别上具有成熟的应用，对2D图像的信息不能充分挖掘。本发明方法将在车辆类别和位置特征的基础上，尝试通过新型的卷积网络方法提取图像中跟更加底层的特征，例如车身位置和旋转角度的绝对姿态，从而在空间位置上，得到车辆轨迹更详尽的特征，并且更精准的识别信息也会有利于后续轨道规划的方法研究。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明方法流程图。
图2为Centernet结构流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
如图1所示，本发明通过下述技术方案实现：
一种基于Centernet的汽车识别方法，包括如下步骤：
S1：采集并收集原始图像数据；
S2：对原始图像进行分类，具体分为训练集、验证集、测试集；并对训练集、验证集、测试集分别进行增强处理得到增强后的训练集、增强后的验证集、增强后的测试集；
S3：搭建基于Centernet的网络结构；
S4：对Centernet网络结构，采用Group Normalization进行标准化，Radam优化器作为网络训练的优化方法，进行迭代训练，得到训练后的Centernet网络结构；
S5：用增强后的验证集和增强后的测试集对训练后的Centernet网络结构进行验证和测试。
进一步地，一种基于Centernet的汽车识别方法，所述S2还包括对原始图像数据的长度和宽度进行调整，S2具体步骤如下：
S21：调整原始图像数据的长度和宽度得到调整后的图片；
S22：选用X张调整后的图片作为训练集；选用Y张调整后的图片作为验证集；选用Z张调整后的图片作为测试集；
S23：将训练集、验证集、测试集的图片分别进行数据增强处理得到增强后的训练集、增强后的验证集、增强后的测试集。
进一步地，一种基于Centernet的汽车识别方法，所述S21具体为：将原始图像数据的长度统一调整为2560像素，将原始图像数据的宽度统一调整为512像素。
进一步地，一种基于Centernet的汽车识别方法，所述S22具体为：X取值为4000，Y取值为256，Z取值为2000。
进一步地，一种基于Centernet的汽车识别方法，所述S23中增强处理具体是对训练集、验证集、测试集内的图片采用旋转和模糊高斯处理。
进一步地，一种基于Centernet的汽车识别方法，所述S3中搭建基于Centernet的网络结构，具体是Backbone采用hourglass或Efficientnet或Dla的网络结构。
进一步地，一种基于Centernet的汽车识别方法，所述S4具体包括如下步骤：
S41：将增强后的训练集送入Centernet网络结构进行训练得到第一特征数据集；训练过程依次为全部网络结构-部分结构-头部结构-全部网络结构；
S42：采用Group Normalization对Centernet网络结构中部分参数进行标准化。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于Centernet的汽车识别方法，其特征在于，包括如下步骤：
S1：采集并收集原始图像数据；
S2：对原始图像进行分类，具体分为训练集、验证集、测试集；并对训练集、验证集、测试集分别进行增强处理得到增强后的训练集、增强后的验证集、增强后的测试集；
S3：搭建基于Centernet的网络结构；
S4：对Centernet网络结构，采用Group Normalization进行标准化，Radam优化器作为网络训练的优化方法，进行迭代训练，得到训练后的Centernet网络结构；
S5：用增强后的验证集和增强后的测试集对训练后的Centernet网络结构进行验证和测试。
2.根据权利要求1所述的一种基于Centernet的汽车识别方法，其特征在于，所述S2还包括对原始图像数据的长度和宽度进行调整，S2具体步骤如下：
S21：调整原始图像数据的长度和宽度得到调整后的图片；
S22：选用X张调整后的图片作为训练集；选用Y张调整后的图片作为验证集；选用Z张调整后的图片作为测试集；
S23：将训练集、验证集、测试集的图片分别进行数据增强处理得到增强后的训练集、增强后的验证集、增强后的测试集。
3.根据权利要求2所述的一种基于Centernet的汽车识别方法，其特征在于，所述S21具体为：将原始图像数据的长度统一调整为2560像素，将原始图像数据的宽度统一调整为512像素。
4.根据权利要求2所述的一种基于Centernet的汽车识别方法，其特征在于，所述S22具体为：X取值为4000，Y取值为256，Z取值为2000。
5.根据权利要求2所述的一种基于Centernet的汽车识别方法，其特征在于，所述S23中增强处理具体是对训练集、验证集、测试集内的图片采用旋转和模糊高斯处理。
6.根据权利要求1所述的一种基于Centernet的汽车识别方法，其特征在于，所述S3中搭建基于Centernet的网络结构，具体是Backbone采用hourglass或Efficientnet或Dla的网络结构。
7.根据权利要求1所述的一种基于Centernet的汽车识别方法，其特征在于，所述S4具体包括如下步骤：
S41：将增强后的训练集送入Centernet网络结构进行训练得到第一特征数据集；训练过程依次为全部网络结构-部分结构-头部结构-全部网络结构；
S42：采用Group Normalization对Centernet网络结构中部分参数进行标准化。
CN202010413014.1A 2020-05-15 2020-05-15 一种基于Centernet的汽车识别方法 Pending CN111582213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010413014.1A CN111582213A (zh) 2020-05-15 2020-05-15 一种基于Centernet的汽车识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010413014.1A CN111582213A (zh) 2020-05-15 2020-05-15 一种基于Centernet的汽车识别方法

Publications (1)

Publication Number Publication Date
CN111582213A true CN111582213A (zh) 2020-08-25

Family

ID=72124982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010413014.1A Pending CN111582213A (zh) 2020-05-15 2020-05-15 一种基于Centernet的汽车识别方法

Country Status (1)

Country Link
CN (1) CN111582213A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329776A (zh) * 2020-12-03 2021-02-05 北京智芯原动科技有限公司 基于改进CenterNet网络的车牌检测方法及装置
CN112507845A (zh) * 2020-12-02 2021-03-16 余姚市浙江大学机器人研究中心 基于CenterNet与深度关联矩阵的行人多目标跟踪方法
CN112784756A (zh) * 2021-01-25 2021-05-11 南京邮电大学 人体识别跟踪方法
CN112861608A (zh) * 2020-12-30 2021-05-28 浙江万里学院 一种分心驾驶行为的检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018102037A4 (en) * 2018-12-09 2019-01-17 Ge, Jiahao Mr A method of recognition of vehicle type based on deep learning
CN110543838A (zh) * 2019-08-19 2019-12-06 上海光是信息科技有限公司 车辆信息检测的方法及装置
CN110992731A (zh) * 2019-12-12 2020-04-10 苏州智加科技有限公司 基于激光雷达的3d车辆检测方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018102037A4 (en) * 2018-12-09 2019-01-17 Ge, Jiahao Mr A method of recognition of vehicle type based on deep learning
CN110543838A (zh) * 2019-08-19 2019-12-06 上海光是信息科技有限公司 车辆信息检测的方法及装置
CN110992731A (zh) * 2019-12-12 2020-04-10 苏州智加科技有限公司 基于激光雷达的3d车辆检测方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KAIWEN DUAN等: "CenterNet: Keypoint Triplets for Object Detection" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507845A (zh) * 2020-12-02 2021-03-16 余姚市浙江大学机器人研究中心 基于CenterNet与深度关联矩阵的行人多目标跟踪方法
CN112329776A (zh) * 2020-12-03 2021-02-05 北京智芯原动科技有限公司 基于改进CenterNet网络的车牌检测方法及装置
CN112329776B (zh) * 2020-12-03 2023-10-27 北京智芯原动科技有限公司 基于改进CenterNet网络的车牌检测方法及装置
CN112861608A (zh) * 2020-12-30 2021-05-28 浙江万里学院 一种分心驾驶行为的检测方法及系统
CN112784756A (zh) * 2021-01-25 2021-05-11 南京邮电大学 人体识别跟踪方法
CN112784756B (zh) * 2021-01-25 2022-08-26 南京邮电大学 人体识别跟踪方法

Similar Documents

Publication Publication Date Title
CN111582213A (zh) 一种基于Centernet的汽车识别方法
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN111079640B (zh) 一种基于自动扩增样本的车型识别方法及系统
CN101916383B (zh) 基于多摄像机的车辆检测跟踪识别系统
CN111860274B (zh) 基于头部朝向与上半身骨架特征的交警指挥手势识别方法
CN108875754B (zh) 一种基于多深度特征融合网络的车辆再识别方法
CN112084928B (zh) 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法
CN110516633B (zh) 一种基于深度学习的车道线检测方法及系统
CN110298330B (zh) 一种输电线路巡检机器人单目检测与定位方法
CN113449632B (zh) 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车
CN112287896A (zh) 一种基于深度学习的无人机航拍图像目标检测方法及系统
CN114627437B (zh) 一种交通目标识别方法及系统
CN104881661A (zh) 基于结构相似度的车辆检测方法
CN117152513A (zh) 一种面向夜间场景的车辆边界定位方法
CN111832410A (zh) 一种基于视觉与激光雷达融合的前向列车检测方法
CN114049541A (zh) 基于结构化信息特征解耦与知识迁移的视觉场景识别方法
CN115857040A (zh) 一种机车车顶异物动态视觉检测装置及方法
CN116168117A (zh) 一种面向车险反欺诈的图像生成方法、系统、装置和介质
CN117392629A (zh) 基于相机与雷达融合的多模态描述符地点识别方法及系统
CN113487878A (zh) 一种机动车违章压线行驶检测方法及系统
CN116597404B (zh) 基于多源传感器融合的可持续道路异常检测方法与系统
CN111652048A (zh) 一种基于深度学习的1：n人脸比对方法
WO2023071874A1 (zh) 道路救援工作节点确定方法、装置及电子设备、存储介质
CN116729042A (zh) 一种改进的yolox-nano模型、以及基于此模型的汽车电控悬架控制方法
CN114742975A (zh) 一种车载图像铁轨曲线建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200825

RJ01 Rejection of invention patent application after publication