(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 202210263947.6 (22)申请日 2022.03.17 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区正 街174号 (72)发明人 赵敏　孙棣华　庞思袁　 (74)专利代理 机构 北京汇泽知识产权代理有限 公司 11228 专利代理师 武君 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G01C 3/00(2006.01) (54)发明名称 一种基于级联SSD和单目深度估计的前向车 辆距离检测方法 (57)摘要 本发明公开了一种基于级 联SSD和单目深度 估计的前向车辆距离检测方法， 包括以下步骤： S1、 获取前向车辆训练样本和深度估计数据集； S2、 搭建骨干网络； S3、 搭建目标检测网络； S4、 搭 建深度估计子网络； S5、 基于级联SSD网络和单目 深度估计前向车辆距离检测网络的训练； S6、 基 于K‑means聚类特征点的选取和距离检测。 本发 明采用基于空洞卷积的扩展感受野模块来扩大 感觉野， 并结合在线特征选择策略， 提高小尺度 车辆目标检测的准确度； 针对车辆定位不够准确 问题， 提出级联SSD网络， 通过引入可变形卷积来 缓解锚框机制导致的特征不对齐问题； 针对单目 深度估计特征点选取不准确问题， 提出基于K ‑ means聚类特征点的选取和测距方法， 有效解决 了横向和纵向测距误差 较大问题。 权利要求书2页 说明书6页 附图1页 CN 114612883 A 2022.06.10 CN 114612883 A 1.一种基于级联SSD和单目深度估计的前向车辆距离检测方法， 其特征在于， 包括以下 步骤： S1、 获取前向车辆训练样本和深度估计数据集； S2、 搭建骨干网络； S3、 搭建目标检测网络； S4、 搭建深度估计子网络； S5、 基于级联S SD网络和单目深度估计前向车辆距离检测网络的训练； S6、 基于K ‑means聚类特 征点的选取和距离检测。 2.根据权利要求1所述的基于级联SSD和单目深度估计的前向车辆距离检测方法， 其特 征在于， 所述S1包括以下步骤： S11、 下载KITTI数据 集， 所述KITTI数据集 中包含车辆训练图片、 标注文件、 每张图片对 应的相机和雷达标定参数和点云文件； S12、 对KIT TI数据集进行 数据清洗， 筛 选出标注有误的图片并剔除； S13、 采用K ‑means聚类选择 出合适的锚框个数和高宽比； S14、 统计KIT TI数据集的深度信息， 为后续优化深度估计模型做准备； S15、 随机将KIT TI数据集的80％作为训练集， 20％作为测试集。 3.根据权利要求2所述的基于级联SSD和单目深度估计的前向车辆距离检测方法， 其特 征在于， 所述S2包括以下步骤： S21、 选取VG G‑16作为特 征提取的骨干网络的基础， 并在此基础上进行修改； S22、 将训练图片下采样至Conv4 ‑3分辨率大小， 再通过3个3 ×3卷积层， 获得图片目标 细节的低级别特征图δ0； 接着将fc7层特征上采样至Conv4 ‑3分辨率大小， 获得特征图δ1， 然 后将Conv5 ‑3通过反卷积上采样后获得特征图δ2， 最后将δ0、 δ1、 δ2三个特征图与Conv4 ‑3进 行通道维度的特 征融合， 实现特 征增强， 得到融合后的特 征图ψ0； S23、 将 ψ0作为串联ASPP的输入， ASPP的空洞率 分别设置为2和3， 再将通过每个ASPP后的 特征层 ψ1、 ψ2提取出来， 将 ψ0、 ψ1、 ψ2在通道上叠加， 并使得其和原始Conv4 ‑3通道数目一致， 得 到特征图ψ。 4.根据权利要求3所述的基于级联SSD和单目深度估计的前向车辆距离检测方法， 其特 征在于， 所述S3包括以下步骤： S31、 将目标检测子网络采用SSD网络为基础进行改进， 首先将检测网络中的锚框个数 和尺寸更改为S13中的得到的尺寸； S32、 在S23中得到的特征图ψ基础 上， 额外添加3组卷积层， 每组卷积层由1个步长为2的 1×1卷积和1个3 ×3卷积组成， 共用4个尺度的特征图构建特征金字塔， 作为目标检测网络 的初检网络， 用来分类背景和前 景； S33、 在初检网络的基础上， 对每个尺度的特征图采用可变形卷积， 以缓解锚框机制造 成的特征不对齐问题。 5.根据权利要求4所述的基于级联SSD和单目深度估计的前向车辆距离检测方法， 其特 征在于， 所述S4包括以下步骤： S41、 在S23中得到的特征图ψ基础 上， 通过额外的3层 卷积层， 每组卷积层由1个步长为2 的1×1卷积和1个3 ×3卷积组成， 得到特 征层σ0；权　利　要　求　书 1/2 页 2 CN 114612883 A 2S42、 在特征层σ0的基础上， 通过恒等映射与反卷积层进行上采样， 将反卷积图像大小变 为原图的1/4大小。 6.根据权利要求5所述的基于级联SSD和单目深度估计的前向车辆距离检测方法， 其特 征在于， 所述S5包括以下步骤： S51、 设计总体损失函数， 包括目标检测损失函数、 单目估计网络损失函数和感知损失 函数； S52、 将网络输入图片大小设置为300*300， 初始学习率设置为0.003， 学习率调整为多 项式衰减， batc h‑size设置为16； S53、 将模型训练先迭代50万次， 然后抑制深度估计网络分支， 将目标检测分支迭代15 万次后， 再对整个网络迭代 20万次。 7.根据权利要求6所述的基于级联SSD和单目深度估计的前向车辆距离检测方法， 其特 征在于， 所述S6包括以下步骤： S61、 以原始图像作为输入， 通过训练好的模型， 得到图像中的车辆检测置信度和检测 框以及该图像的单目深度图像； S62、 得到检测框的坐标(x1,y1,x2,y2)， 中心点 坐标表示 为： 以此中心点横向坐标来划分车辆为上下两个部分， 下部分包含了车尾或者车头的大部 分信息， 也是 车车之间距离最近点的所在， 以此作为深度估计聚类集 合； S63、 采用K ‑means聚类算法， 对S62得到的集合进行聚类， 主要聚类为前景和背景两类， 最后采用前 景簇聚类中心点作为测距特 征点并输出距离信息 。权　利　要　求　书 2/2 页 3 CN 114612883 A 3