(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 202211324522.8 (22)申请日 2022.10.27 (71)申请人 浙江理工大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街928号 (72)发明人 铁治欣　宋滢锟　陶灵兵　陈燕兵　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 杜娟 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/56(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进YOLOX-s模型的车辆检测方法及系 统 (57)摘要 本发明公开了一种基于改进YOLOX ‑s模型的 车辆检测方法及系统， 涉及车辆检测技术领域。 步骤为： 获取车辆监控图像数据集； 对车辆监控 图像数据集进行图像增强， 得到第一数据集； 搭 建改进型YOLOX ‑s目标检测模型； 利用改进型 YOLOX‑s目标检测模型对第一数据集中的车辆位 置和类别进行检测。 本发明提出了一种新的车辆 检测分类模型， 在图片处理阶段， 使用Mosaic数 据增强， 在主干网络底部加入注意力机制， 抑制 图像的干扰 特征， 将YOL OX‑s模型颈部网络的FPN +PAN结构替换为BiFPN结构， 在不增加 成本的情 况下得到 更多高层特征融合。 本发 明可以实现对 真实交通 监控数据的高效车辆 检测。 权利要求书1页 说明书8页 附图3页 CN 115512302 A 2022.12.23 CN 115512302 A 1.一种基于改进YOLOX ‑s模型的车辆检测方法， 其特 征在于， 具体步骤 包括如下： 获取车辆监控图像数据集； 对所述车辆监控图像数据集进行图像增强， 得到第一数据集； 搭建改进型YOLOX ‑s目标检测模型； 利用所述改进型YOLOX ‑s目标检测模型对所述第一数据集中的车辆位置和类别进行检 测。 2.根据权利要求1所述的一种基于改进YOLOX ‑s模型的车辆检测方法， 其特征在于， 所 述改进型YOLOX ‑s目标检测模型的搭建过程为： 将ECA注意力机制加入YOLOX ‑s模型中， 将 YOLOX‑s模型颈部网络的FPN+PAN结构替换为BiFPN结构。 3.根据权利要求1所述的一种基于改进YOLOX ‑s模型的车辆检测方法， 其特征在于， 利 用Mosaic数据增强方法对所述车辆监控图像数据集进行图像增强。 4.根据权利要求3所述的一种基于改进YOLOX ‑s模型的车辆检测方法， 其特征在于， 所 述Mosaic数据增强方法 的步骤为： 从所述车辆监控图像数据集中随意抽取若干图片， 对所 述若干图片进行缩放； 创建画板， 将完成缩放的若干图片进行图片合并， 并处理检测框边 界， 得到所述第一数据集。 5.根据权利要求2所述的一种基于改进YOLOX ‑s模型的车辆检测方法， 其特征在于， 在 所述BiFPN结构中使用加权特 征融合机制， 计算公式为： 其中， wi表示第i个可学习权重， wj表示第j个可学习权重， ∈＝0.0001为设定值， Ii表示 第i个分辨 率不同的输入特 征。 6.一种基于改进YOLOX ‑s模型的车辆检测系统， 其特征在于， 包括依次相连的数据获取 模块、 数据增强模块、 模型构建模块、 检测分类模块； 其中， 所述数据获取模块， 用于获取 车辆监控图像数据集； 所述数据增强模块， 用于对所述车辆监控图像数据集进行图像增强， 得到第一数据集； 所述模型构建模块， 用于搭建改进型YOLOX ‑s目标检测模型； 所述检测分类模块， 用于利用所述改进型YOLOX ‑s目标检测模型对所述第一数据集中 的车辆位置和类别进行检测。 7.根据权利要求6所述的一种基于改进YOLOX ‑s模型的车辆检测系 统， 其特征在于， 还 包括数据预处理模块， 与所述数据获取模块、 所述数据增强模块相连， 用于对所述车辆监控 图像数据集设置预训练权 重。权　利　要　求　书 1/1 页 2 CN 115512302 A 2基于改进Y OLOX‑s模型的车辆检测方 法及系统 技术领域 [0001]本发明涉及车辆检测技术领域， 更具体的说是涉及一种基于改进YOLOX ‑s模型的 车辆检测方法及系统。 背景技术 [0002]道路目标检测在计算机视觉领域是一项非常具有挑 战性的任务， 快速、 准确的车 辆检测和分类也是智能交通系统的关键。 道路目标检测的难点在于要求在复杂场景中对相 对较小的车辆进行精确定位， 并进行实时检测。 现有技术中， 常用的道路目标检测方法可以 分为两大类： 传统的检测算法和基于深度学习的检测 算法。 传统的检测 算法主要依靠人工 提取原始图像中目标 的描述性特征， 然后训练分类器判断该区域是否包含目标物体， 但是 存在检测精度低的缺点， 在一些背景复杂的交通图像中性能并不理想， 而深度学习算法相 对于传统算法， 对于道路目标的多分类任务具有 更好的稳定性、 鲁棒性和计算速度， 现阶段 基于深度学习的检测算法已经成为主流。 [0003]然而， 由于道路目标容易受到复杂背景和小目标稀疏特征的影响， 很难快速、 准确 地检测和识别车辆类型。 车辆识别研究发展至今， 仍然面临着许多挑战， 主要来自以下几个 方面： (1)在不同的光照以及不同的天气条件下， 车辆目标的表面特征会发生变化， 导致同 一类别的车辆产生较大的差异； (2)同一品牌的不同类型车辆外观可能很相似， 导致不同类 别车辆差异较小， 较难进 行识别； (3)监控摄像头的位置受限、 角度多变， 会导致同一车辆在 图像中的尺 寸、 姿态产生比较大的变化， 提高了识别的难度； (4)道路拥堵、 车辆目标小和存 在遮挡时容易出现误检、 漏检等状况。 因此， 对本领域技术人员来说， 研究更加准确鲁棒的 精细化车 型识别方法， 具有重要的现实意 义。 发明内容 [0004]有鉴于此， 本 发明提供了一种基于改进YOLOX ‑s模型的车辆检测方法及系统， 以解 决背景技 术中提出的问题。 [0005]为了实现上述目的， 本 发明采用如下技术方案： 一种基于改进YOLOX ‑s模型的车辆 检测方法， 具体步骤 包括如下： [0006]获取车辆监控图像数据集； [0007]对所述车辆监控图像数据集进行图像增强， 得到第一数据集； [0008]搭建改进型YOLOX ‑s目标检测模型； [0009]利用所述改进型YOLOX ‑s目标检测模型对所述第一数据集中的车辆位置和类别进 行检测。 [0010]可选的， 所述改进型YOLOX ‑s目标检测模型的搭建过程为： 将ECA注意力机制加入 YOLOX‑s模型中， 将YOLOX ‑s模型颈部网络的FPN+PAN结构替换为BiFPN结构。 [0011]通过采用上述技术方案， 具有以下有益的技术效果： 在主干网络尾部加入ECA注意 力机制， 使用卷积神经网络去自适应的将注意力放到重要的物体上， 优化了网络对初始前说　明　书 1/8 页 3 CN 115512302 A 3