一种深度卷积神经网络运动车辆检测方法技术

本发明专利技术涉及一种基于深度卷积神经网络的运动车辆检测方法。本发明专利技术利用单目摄像头实现对前方运动车辆的检测算法，提出了一种基于卷积神经网络的运动车辆检测框架。通过卷积网络可以非常准确的获取车辆特征，进而可以准确分离出目标车辆，达到机器识别的效果，从而能够更快速的跟踪到目标车辆。并且在车辆检测方面能够适应高速行驶的环境，为智能辅助驾驶的实现提供了技术保障。本发明专利技术不仅解决了交通安全、提高道路行车吞吐量、降低恶性交通事故发生率、还减少生命财产损失。从提高社会经济效益来说，这一发明专利技术具有极大的现实意义和广阔的应用前景。

【技术实现步骤摘要】

本专利技术属于汽车防撞
，涉及一种用于运动车辆的识别方法，尤其涉及一种用于利用单目摄像头的汽车辅助驾驶技术，该技术实现了对运动车辆检测以及跟踪。
技术介绍
作为现代化先进交通工具，汽车改变了人们的生活方式，推动了社会经济的发展和人类文化的进步，给人们的生活带来极大便利的同时，也带来了严重的交通安全问题。为了减少交通事故和人员伤亡，各国都在积极的研究对策，利用各种方法和措施来减少交通事故的发生。不仅如此，汽车辅助驾驶系统与汽车未来的发展方向密切相关，在不远的未来，汽车驾驶一定会变得简单便捷，对人员的驾驶技术水平高低的依赖一定会变得越来越低，直至实现完全自动驾驶。而要实现自动驾驶，汽车必须具备可靠的车辆识别检测系统，这是安全行车的前提条件和重要保障，是走向自动驾驶技术这一万里长征的第一步。近年来由于电子技术的飞跃发展，使得相关技术日新月异，尤其是信息产业的迅速发展，使得运动车辆的目标检测与跟踪技术成为可能。运动车辆的识别系统分成目标检测与目标跟踪两部分内容。前者是根据视频拍摄所得的道路信息中检测出前方出现的运动车辆，起到检测跟踪的数据初始化作用；后者是在检测出运动目标车辆的基础上，对运动车辆进行跟踪检测，实时锁定住目标车辆，为汽车防撞系统的后续步骤做准备，如：为计算车辆的间距以及车辆的测速提供初始化信息等。汽车辅助驾驶系统在技术上存在的一个最大问题是检测的实时性，此外在跟踪系统中如何更有效准确地的识别出前方运动车辆也是研究汽车辅助驾驶系统必须要考虑的问题。通常情况下，用传统的运动车辆检测方法会存在这一下问题：1)在提取候选区域之前，系统需要先对样本库车辆图片进行大量学习，然后在候选区域验证步骤中用简化的Lucas-Kanade树形分类对假设区域进行匹配，因此系统的准确性依赖于样本图片的覆盖面；2)该方法主要针对的是单目标车辆的检测和跟踪，在实际运用中系统的鲁棒性不强，不具备实用性；3)该检测系统进行正常检测工作的前提是光线良好且不具备复杂地形，而不具备在黑夜中正常工作的能力。为了解决这些问题，本专利技术提出了一种基于新型卷积神经网络的运动车辆检测框架算法，提高了整个检测的准确率。
技术实现思路
本专利技术针对现有检测以及跟踪方法的不足，提供了一种基于新型卷积神经网络的运动车辆检测方法。首先，本专利技术使用了一个全新的运动车辆检测框架，该框架包括三个模块。第一部分是视频源输入模块，该模块对前期图像的进行预处理工作。该模块记录了摄像机提供的图片，并将图片的格式转换成能够被录像处理模块处理的格式，如：解压缩，旋转，去除交叉图片等。第二部分与第三部分共同共同实现对新型运动车辆目标检测过程。第二部分是提取候选区域模块，该模块通过使用改进后的卷积神经网络对输入模块的视频图片进行假设区域提取操作。第三部分是候选区域进行验证处理模块，该模块确保输出正确的目标车辆位置信息。同时，滤除由系统毛刺噪声而引入的干扰像素点，提高检测精度。本专利技术解决其技术问题所采用的技术方案包括如下步骤：步骤1.将前期图像进行预处理。所述的预处理包括解压缩、旋转、去除交叉图片等。步骤2.采用一个LeNet-5卷积神经网络结构进行候选区域提取。该神经网络结构由卷积层特征提取和BP神经网络两部分组成，且卷积层共有5层。2-1.卷积层的输入为一段视频中经过预处理的单帧图片(说明：单帧图片表示在学习部分卷积层中的输入图片，同时在后文中的检测部分也表示待检测图片)，将该图片传入卷积层的S1层，分别与x个5×5的不同类型车辆的卷积核进行卷积，得到x个可能包含不同类型车辆特征信息的特征图。2-2.在卷积层的C2层对特征图进行下采样。2-3.将压缩后的特征图在卷积层S3重新与5×5大小的卷积核进行运算。该处卷积的目的在于对压缩后的特征图进行模糊处理，弱化运动车辆的位移区别。由于此时数据量仍然很大，因此需要进一步操作。2-4.对卷积层的C4层继续进行(2,2)尺寸的池化操作，得到卷积层的S5层。2-5.将得到的卷积层的S5层经过重构(此处重构即为将特征图层与卷积核进行卷积运算后进行按序排列，顺序为卷积特征的排列顺序)得到卷积层的F6层，该层即为输出的检测结果，由于输出的检测结果要包含这x种不同类型车辆的检测结果，因此在F6层中需要输出x个5×5特征图来表示所对应车辆类型的检测结果，并将每种车辆类型的检测判断结果按序输出。在整个卷积神经网络中，单帧图片输入值卷积层的不同特征图层，其相同位置的像素点在后一图层的运算结果通过计算得到：yij＝fks({xsi+δi,sj+δj本文档来自技高网...

【技术保护点】
一种新型深度卷积神经网络运动车辆检测方法，其特征在于包括如下步骤：步骤1.将前期图像进行预处理；步骤2.采用一个LeNet‑5卷积神经网络结构进行候选区域提取；该神经网络结构由卷积层特征提取和BP神经网络两部分组成，且卷积层共有5层；2‑1.卷积层的输入为一段视频中经过预处理的单帧图片(说明：单帧图片表示在学习部分卷积层中的输入图片，同时在后文中的检测部分也表示待检测图片)，将该图片传入卷积层的S1层，分别与x个5×5的不同类型车辆的卷积核进行卷积，得到x个可能包含不同类型车辆特征信息的特征图；2‑2.在卷积层的C2层对特征图进行下采样；2‑3.将压缩后的特征图在卷积层S3重新与5×5大小的卷积核进行运算；该处卷积的目的在于对压缩后的特征图进行模糊处理，弱化运动车辆的位移区别；由于此时数据量仍然很大，因此需要进一步操作；2‑4.对卷积层的C4层继续进行(2,2)尺寸的池化操作，得到卷积层的S5层；2‑5.将得到的卷积层的S5层经过重构(此处重构即为将特征图层与卷积核进行卷积运算后进行按序排列，顺序为卷积特征的排列顺序)得到卷积层的F6层，该层即为输出的检测结果，由于输出的检测结果要包含这x种不同类型车辆的检测结果，因此在F6层中需要输出x个5×5特征图来表示所对应车辆类型的检测结果，并将每种车辆类型的检测判断结果按序输出；步骤3.采用中值滤波对候选区域进行验证。...

【技术特征摘要】
1.一种新型深度卷积神经网络运动车辆检测方法，其特征在于包括如下步骤：步骤1.将前期图像进行预处理；步骤2.采用一个LeNet-5卷积神经网络结构进行候选区域提取；该神经网络结构由卷积层特征提取和BP神经网络两部分组成，且卷积层共有5层；2-1.卷积层的输入为一段视频中经过预处理的单帧图片(说明：单帧图片表示在学习部分卷积层中的输入图片，同时在后文中的检测部分也表示待检测图片)，将该图片传入卷积层的S1层，分别与x个5×5的不同类型车辆的卷积核进行卷积，得到x个可能包含不同类型车辆特征信息的特征图；2-2.在卷积层的C2层对特征图进行下采样；2-3.将压缩后的特征图在卷积层S3重新与5×5大小的卷积核进行运算；该处卷积的目的在于对压缩后的特征图进行模糊处理，弱化运动车辆的位移区别；由于此时数据量仍...

【专利技术属性】
技术研发人员：高生扬，姜显扬，唐向宏，严军荣，姚英彪，许晓荣，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33