基于深度学习的车辆检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的车辆检测方法及装置，所述方法包括：获取车辆样本图像，并对所述车辆样本图像进行预处理；通过预处理后的车辆样本图像构建深度卷积神经网络模型；使用所述深度卷积神经网络模型对待检测车辆图像进行检测，并输出检测结果。本实施例的技术方案对预处理后的车辆样本图像构建深度卷积神经网络模型，然后使用所述深度卷积神经网络模型对待检测车辆图像进行检测，并输出检测结果，该方法能够避免过多的重复计算，从而提高了检测速度，并且能够获得更好的车辆识别效果。

【技术实现步骤摘要】
基于深度学习的车辆检测方法及装置
本专利技术涉及计算机视觉
，特别涉及一种基于深度学习的车辆检测方法及装置。
技术介绍
计算机视觉是人工智能和图像处理领域的一个重要交叉学科。早期的计算机视觉任务的解决方法主要含有两个步骤，一个是手动设计特征，另一个是构建一个浅层学习系统。随着人工智能的发展，深度学习于2006年正式提出。深度学习起源于多层人工神经网络，目前已成功应用于计算机视觉、自然语言处理和智能搜索等领域。当前已有的深度学习网络主要包括卷积神经网络、深度置信网和堆叠自动编码机。卷积神经网络由于其层间联系和空域信息的紧密关联，使其广泛运用在图像处理中。图像处理中的车辆检测一般通过使用背景建模算法实现实时的运动车辆检测，确定图像中的车辆运动区域，然后利用阴影信息、车灯信息和/或车窗信息得到最终的车辆图像，从而完成车辆检测过程。现有技术中公开的车辆检测方法，在检测时首先输入检测图像，然后提取检测图像的Haar-like特征，再然后使用级联分类器对检测图像的Haar-like特征进行检测识别，最后根据识别出的车辆特征判断检测图像中车辆位置的信息。该方法缺乏对不同监控场景的适应性，只能从单一的视角对车辆进行检测，如果视频摄像机的拍摄角度发生了改变，该方法的检测效果将大大降低。
技术实现思路
有鉴于此，本专利技术实施例的目的是提供一种从大量不同场景的车辆样本和非车辆样本中学习到车辆本质特征，能够使车辆识别效果更好的基于深度学习的车辆检测方法及装置。为了实现上述目的，本专利技术实施例提供了一种基于深度学习的车辆检测方法，包括：获取车辆样本图像，并对所述车辆样本图像进行预处理；其中所述车辆样本图像包括包含车辆图像的车辆样本图像和仅包含背景图像的车辆样本图像；通过预处理后的车辆样本图像构建深度卷积神经网络模型；使用所述深度卷积神经网络模型对待检测车辆图像进行检测，并输出检测结果。作为优选，通过预处理后的车辆样本图像构建深度卷积神经网络模型，包括：将预处理后的车辆样本图像通过网络结构图构建成预设边长的网格；计算每一网格单元的预测边界框和与其对应的边界置信度；根据预设过滤规则过滤所述边界框；对过滤后的边界框进行非极大值抑制处理。作为优选，通过预处理后的车辆样本图像构建深度卷积神经网络模型，包括：优化所述深度卷积神经网络模型。作为优选，优化所述深度卷积神经网络模型，包括：采用预设算法检测所述深度卷积神经网络模型的性能。作为优选，在获取包含车辆图像信息的车辆样本信息时，所述方法还包括：获取预设类别的车辆样本图像；对所述车辆样本图像采用预设图像处理方法进行变换，形成新的车辆样本图像。作为优选，所述预设类别包括以下至少一种类别：正面和背面车辆样本图像、侧面车辆样本图像和斜侧面车辆样本图像；所述预设图像处理方法包括以下至少一种图像处理方法：尺度变换、平移变换、旋转变换和水平翻转。作为优选，对所述车辆样本图像进行预处理，包括：根据预设车辆样本图像尺寸，对车辆样本图像的尺寸进行Gabor滤波器的卷积操作，然后进行归一化处理。作为优选，使用所述深度卷积神经网络模型对待检测车辆图像进行检测后，所述方法还包括：检测所述深度卷积神经网络模型的准确度。作为优选，使用所述深度卷积神经网络模型对待检测车辆图像进行检测之前，所述方法还包括：获取待检测车辆图像。本专利技术实施例还提供一种基于深度学习的车辆检测装置，包括：第一获取模块，配置为获取车辆样本图像，并对所述车辆样本图像进行预处理；构建模块，配置为通过预处理后的车辆样本图像构建深度卷积神经网络模型；检测模块，配置为使用所述深度卷积神经网络模型对所述待检测车辆图像进行检测，并输出检测结果。与现有技术相比，本专利技术实施例具有以下有益效果：本实施例的技术方案对预处理后的车辆样本图像构建深度卷积神经网络模型，然后使用所述深度卷积神经网络模型对待检测车辆图像进行检测，并输出检测结果，该方法能够避免过多的重复计算，从而提高了检测速度，并且能够获得更好的车辆识别效果。附图说明图1为本专利技术的基于深度学习的车辆检测方法的实施例一的流程图；图2为本专利技术的基于深度学习的车辆检测方法的实施例二的流程图；图3为本专利技术的基于深度学习的车辆检测装置的实施例一的示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1为本专利技术的基于深度学习的车辆检测方法的实施例一的流程图，如图1所示，本实施例的基于深度学习的车辆检测方法，具体可以包括如下步骤：S101，获取车辆样本图像，并对所述车辆样本图像进行预处理。其中所述车辆样本图像包括包含车辆图像的车辆样本图像和仅包含背景图像的车辆样本图像。仅包含背景图像的车辆样本图像，即不包含有车辆图像的车辆样本图像。这样可以提高提取车辆特征的准确性。由于在具体实施时获取的车辆样本图像在尺寸和角度等方面并不一致，因此为方便以后的步骤中对车辆样本图像的使用，本实施例首先将车辆样本图像进行预处理，例如进行归一化处理。S102，通过预处理后的车辆样本图像构建深度卷积神经网络模型。本实施例构建深度卷积神经网络模型是为了对车辆的特征信息进行识别，从而由复杂的背景中检测出车辆。本实施例所提取的车辆特征包括HOG特征、Gabor特征和STRIP特征等单一特征，或者这些单一特征组合而成的混合特征(HOG特征+Gabor特征，HOG特征+Haar-like特征)等。本实施例的建模方法可以解决现有技术的关于背景建模的算法如，混合高斯模型、ViBe算法和直接设定背景图像等算法容易受到光照、天气等各种外部条件的影响而导致准确度降低，并且系统的持续执行将带来大量的数据与能耗的问题。S103，使用所述深度卷积神经网络模型对待检测车辆图像进行检测，并输出检测结果。具体地，本实施例在构建深度卷积神经网络模型时，卷积神经网络从大量的场景中提取到包含有车辆图像的车辆样本图像和不包含有车辆图像的车辆样本图像中学习到车辆本质的特征，这种特征比手工设计的特征具有更强的可分性，从而提高车辆检测的效率和准确度。本实施例的技术方案对预处理后的车辆样本图像构建深度卷积神经网络模型，然后使用所述深度卷积神经网络模型对待检测车辆图像进行检测，并输出检测结果，该方法能够避免过多的重复计算，从而提高了检测速度，并且能够获得更好的车辆识别效果。图2为本专利技术的基于深度学习的车辆检测方法的实施例二的流程图，本实施例的基于深度学习的车辆检测方法在上述实施例一的基础上，进一步更加详细地介绍本专利技术的技术方案。如图2所示，本实施例的基于深度学习的车辆检测方法，具体可以包括如下步骤：S201，获取车辆样本图像，并对所述车辆样本图像进行预处理。具体地，在获取包含车辆图像的车辆样本图像时，步骤S201包括：A，获取预设类别的车辆样本图像；B，对所述车辆样本图像采用预设图像处理方法进行变换，形成新的车辆样本图像。其中，所述预设类别包括以下至少一种类别：正面和背面车辆样本图像、侧面车辆样本图像和斜侧面车辆样本图像；所述预设图像处理方法包括以下至少一种图像处理方法：尺度变换、平移变换、旋转变换和水平翻转。构建深度卷积神经网络模型时，为充分训练网络，需要尽量多的获取车辆样本图像。例如，可以从网络或实际拍摄的本文档来自技高网...

【技术保护点】
一种基于深度学习的车辆检测方法，其特征在于，包括：获取车辆样本图像，并对所述车辆样本图像进行预处理；其中所述车辆样本图像包括包含车辆图像的车辆样本图像和仅包含背景图像的车辆样本图像；通过预处理后的车辆样本图像构建深度卷积神经网络模型；使用所述深度卷积神经网络模型对待检测车辆图像进行检测，并输出检测结果。

【技术特征摘要】
1.一种基于深度学习的车辆检测方法，其特征在于，包括：获取车辆样本图像，并对所述车辆样本图像进行预处理；其中所述车辆样本图像包括包含车辆图像的车辆样本图像和仅包含背景图像的车辆样本图像；通过预处理后的车辆样本图像构建深度卷积神经网络模型；使用所述深度卷积神经网络模型对待检测车辆图像进行检测，并输出检测结果。2.根据权利要求1所述的方法，其特征在于，通过预处理后的车辆样本图像构建深度卷积神经网络模型，包括：将预处理后的车辆样本图像通过网络结构图构建成预设边长的网格；计算每一网格单元的预测边界框和与其对应的边界置信度；根据预设过滤规则过滤所述边界框；对过滤后的边界框进行非极大值抑制处理。3.根据权利要求1所述的方法，其特征在于，通过预处理后的车辆样本图像构建深度卷积神经网络模型，包括：优化所述深度卷积神经网络模型。4.根据权利要求3所述的方法，其特征在于，优化所述深度卷积神经网络模型，包括：采用预设算法检测所述深度卷积神经网络模型的性能。5.根据权利要求1所述的方法，其特征在于，在获取包含车辆图像信息的车辆样本信息时，所述方法还包括：获取预设类别的车辆样本图像；对所述车辆样本图像采用预设图像处理方...

【专利技术属性】
技术研发人员：施文进，施俊，
申请(专利权)人：惠龙易通国际物流股份有限公司，
类型：发明
国别省市：江苏,32