(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 202210787123.9 (22)申请日 2022.07.04 (71)申请人 河南科技大 学 地址 471000 河南省洛阳市洛龙区开元 大 道263号 (72)发明人 付主木　高晓博　王子清　高爱云　 宋书中　王楠　陶发展　冀保峰　 陈启宏　焦龙吟　张冬凯　司鹏举　 (74)专利代理 机构 洛阳九创知识产权代理事务 所(普通合伙) 41156 专利代理师 闫宗莉 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/762(2022.01) G06V 20/70(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种针对多尺度目标和遮挡目标的自动驾 驶目标检测方法 (57)摘要 本发明涉及自动驾驶领域， 具体的说是一种 针对多尺度目标和遮挡目标的自动驾驶目标检 测方法， 首先， 构建自动驾驶复杂交通场景数据 集， 采集实际道路中的目标图像信息， 并对图像 进行预处理； 其次， 提出基于 K‑means与遗传算法 相结合的聚类方法对数据集中的边界框进行聚 类， 产生9种不同尺寸的锚框， 再次， 针对复杂中 的多尺度目标 实时检测问题， 提出注 意力特征金 字塔网络， 得到目标边界框的回归参数； 接着， 为 提高定位精度， 解决正负样本不均 问题， 构建基 于Focal loss和CIoU  loss的损失函数对目标边 界框的回归参数进行优化得到预测边界框； 最 后， 提出基于Soft ‑CIoU‑NMS算法对预测边界框 进行后处理。 本发明可以有效缓解复杂场景下遮 挡目标的漏检问题和定位 不准问题。 权利要求书2页 说明书6页 附图2页 CN 115100629 A 2022.09.23 CN 115100629 A 1.一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 通过构建 自动驾驶复杂交通场景数据集， 并对数据集中的目标边界框进行聚类， 计算得出目标边界 框的回归参数以提高多尺度目标的检测精度， 再对预测边界框进 行后处理以缓解遮挡目标 的漏检和定位。 2.根据权利要求1所述的一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 包括以下步骤： S1： 采集实际道路中的目标图像信息， 构建自动驾驶复杂交通场景数据集， 并对目标图 像信息进行 预处理； S2： 通过基于K ‑means与遗传算法相结合的聚类方法对数据集 中的边界框进行 聚类， 产 生9种不同尺寸的锚框； S3： 通过注意力特 征金字塔网络得到目标边界框的回归参数； S4： 构建基于Focalloss和CIoU  loss的损失函数对S3中得到的目标边 界框的回归参数 进行优化得到预测边界框； S5： 基于Soft ‑CIoU‑NMS算法对S4得到的预测边界框进行后处理， 得出最终的预测结 果。 3.根据权利要求2所述的一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 目标图像信息是指利用视觉相机采集的、 包括实际道路中的车辆、 行人、 交通 标志的图像信息 。 4.根据权利要求2所述的一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 对所构建的数据集中的目标边界框进行聚类， 得到9个锚框， 锚框的聚类方法 是将K‑Means与遗传算法进行结合， 使用遗传算法对K ‑Means得到的9个锚框的边界框参数 进行遗传和变异。 5.根据权利要求2所述的一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 所述注 意力特征金字塔网络对高层语义特征施加通道注意力机制得到通道注 意力图谱Mc， 对低层位置特 征施加空间注意力机制得到空间注意力图谱Ms。 6.根据权利要求5所述的一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 特 征注意力金字塔网络的表达式为： Ms(Fiin)＝σ(Conv3×3(GAPspatial(Fiin))) Mc(x)＝σ(Co nv1×1(GAPchannel(x))) 式中， Fiin表示下采样支路第i层特征； Fiout表示上采样 支路第i层特征； 表示带有广播 机制的矩阵乘法运算； Upsample表示上采样操作； cat表示拼接操作； Mc(x)表示通道注意力 图谱； x表示输入特征； σ 表示sigmoid激活函数； GAPchannel表示沿通道维度的全局池化层， Ms (x)空间注意力图谱， x表示输入特征； GAPspatial表示沿空间维度的全局池化层， Conv3×3和 Conv1×1分别表示3 ×3卷积和1 ×1卷积。 7.根据权利要求2所述的一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 所述损失函数包括用于解决正负样本不均问题的分类损失函数和用于提高定 位准确性的定位损失函数， 分类损失函数为Focal loss， 定位损失函数为Cl oU loss。权　利　要　求　书 1/2 页 2 CN 115100629 A 28.根据权利要求7所述的一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 损失函数的表达式为： L＝LFocal+LCIoU ＝‑(1‑pt)γlog(pt)+(1‑CIoU) 式中， pt表示目标为正样本的概率； γ表示正负样本调节因子； b和bgt分别表示预测边 界框与真实边界框的中心点坐标； c表示预测 边界框和真实边界框的最小外接矩形 的对角 线距离， p为预测边界框和真实边界框中心点的欧式距离； IoU表示预测边界框与真实边界 框的重叠程度。 9.根据权利要求2所述的一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 所述Soft ‑CloU‑NMS算法的输入是两个列表， 一个是边界框参数列表B＝ {b1， ...， bN}， 一个是边界框置信度列表S＝{s1， ...， sN}， 算法的超参数是非极大值抑制阈 值Nt。 10.根据权利要求9所述的一种针对多尺度目标和遮挡目标的自动驾驶目标检测方法， 其特征在于， 所述Soft ‑CloU‑NMS算法的步骤为： 第1步， 定义 一个空列表D用来存放 最终输出的预测边界框； 第2步， 将边界框 置信度列表S排序； 第3步， 将S列表中的最大元素所对应的边界框M从B列表删除， 并将M添加至输出列表D 中， 此时M就是一个局部极值， 将它当作一个目标； 第4步， 遍历剩余边界框即列表B， 判断B中元素与M的CloU值是否大于阈值Nt， 使用CloU 为正负样本划分的依据； 第5步， B中元素与M的CloU值大于阈值Nt时， 降低该元素 的置信度， 其更新方式为S＝si (1‑CIoU(M， bi))； 第6步， 重复1 ‑5步， 直到B＝φ， 此时B中所有目标都被筛 选出来， 算法结束。权　利　要　求　书 2/2 页 3 CN 115100629 A 3