技术特征：
1.一种轻量车辆检测的方法，其特征在于，包括如下步骤：获取待检测车辆环境图像数据；对所述待检测车辆环境图像数据进行图像处理，得到416
×
416的车辆环境图像数据；将yolov4网络结构算法与ghostnet模型结合，在ghostnet模型中加入注意力机制模块，得到gs-yolo模型；将所述416
×
416的车辆环境图像数据输入至所述gs-yolo模型，得到特征提取结果，获得图像中车辆的位置。2.根据权利要求1所述的方法，其特征在于，基于yolov4网络结构算法结合ghostnet模型，在ghostnet模型中加入注意力机制模块，得到gs-yolo模型，包括：将ghostnet模型与所述yolov4网络结构融合，所述ghostnet模型中的ghost模块采用卷积核为1
×
1的传统卷积和深度卷积的轻量卷积。3.根据权利要求2所述的方法，其特征在于，所述ghostnet模型包括多个ghost bottleneck模块，其中ghost bottleneck模块包括多个ghost模块。4.根据权利要求2所述的方法，其特征在于，所述基于yolov4网络结构算法结合ghostnet模型，在ghostnet模型中加入注意力机制模块，得到gs-yolo模型，包括：在ghost bottleneck模块中添加注意力机制模块，得到gs-yolo模型。5.根据权利要求1所述的方法，其特征在于，还包括多尺度检测模块，所述多尺度检测模块改进为panet网络中使用五次卷积块的3
×
3卷积，下采样过程中使用的3
×
3卷积以及在预测网络yolo-head中使用3
×
3深度可分离卷积。6.根据权利要求2所述的方法，其特征在于，还包括fire module模块，在sppnet结构的输入输出部分加入fire module模块。7.一种轻量车辆检测的装置，其特征在于，包括：获取模块，用于获取待检测车辆环境图像数据；图像处理模块，用于对所述待检测车辆环境图像数据进行图像处理，得到416
×
416的车辆环境图像数据；构建gs-yolo模型模块，用于将yolov4网络结构算法与ghostnet模型结合，在ghostnet模型中加入注意力机制模块，得到gs-yolo模型；目标检测模块，将所述416
×
416的车辆环境图像数据输入至所述gs-yolo模型，得到特征提取结果，获得图像中车辆的位置。8.一种计算机，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的方法步骤。
技术总结
本发明属于图像识别技术领域，具体涉及一种轻量车辆检测的方法、装置及计算机，包括如下步骤：获取待检测车辆环境图像数据；对所述待检测车辆环境图像数据进行图像处理，得到416
技术研发人员：胡伟超 赵玉娟 于鹏程 郭宇阳 张奇 陈彬 赵洹琪 胡雁宾
受保护的技术使用者：公安部道路交通安全研究中心
技术研发日：2021.12.24
技术公布日：2022/4/5