一种车辆检测方法及装置制造方法及图纸

本申请提供了一种车辆检测方法及装置，包括：获取当前场景中的监控图像；利用深度卷积神经网络模型对所述监控图像提取表达能力更强的视觉特征，输出特征图像；将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括有车的概率和车辆的相对位置。由于本申请实施例中利用深度卷积神经网络模型对所述监控图像提取特征输出特征图像，后续只需要将卷积核与所述特征图像进行计算即可，无需对原始监控图像进行预处理、无需再对整张原始监控图像进行滑动框扫描，且不需要对原始图像进行多尺度特征计算，从而节省了计算时间、大大提高了检测效率和检测准确度。

【技术实现步骤摘要】

本申请涉及计算机视觉
，尤其涉及一种车辆检测方法及装置。
技术介绍
精确鲁棒的车辆检测对于安防监控(特别是在卡口和电子警察场景下)具有重要的应用意义，路上经过的每一辆车都是安防监控领域中非常关心的目标。现有的车辆检测技术大多采用如下方式：首先对监控画面进行图像预处理，比如直方图均衡、对比度调整等；然后提取预先定义的一系列特征，比如边缘、纹理、各个方向上的梯度特征等；最后利用上述特征，依次对经过预处理的图像中不同大小、长宽比或位置的窗口逐一进行分类判断，如果大于某个阈值则认为是车辆。采用上述方式对车辆进行检测，需要首先对图片进行预处理，然后对整张图片进行特征提取，再将经过处理的图片按照不同尺度缩放、分类处理、多尺度计算等，耗费了大量时间，导致检测效率极低。现有技术不足在于：现有车辆检测方案计算量大、检测速度慢、检测场景单一、检测精度低。
技术实现思路
本申请实施例提出了一种车辆检测方法及装置，以解决现有技术中车辆检测方案计算量大、检测速度慢、检测场景单一、检测精度低的技术问题。本申请实施例提供了一种车辆检测方法，包括如下步骤：获取当前场景中的监控图像；利用深度卷积神经网络模型对所述监控图像提取特征，输出特征图像；将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括有车的概率和车辆的相对位置。本申请实施例提供了一种车辆检测装置，包括：获取模块，用于获取当前场景中的监控图像；特征提取模块，用于利用深度卷积神经网络模型对所述监控图像提取特征，输出特征图像；训练模块，用于预先训练卷积核；检测模块，用于将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括有车的概率和车辆的相对位置。有益效果如下：本申请实施例所提供的车辆检测方法及装置，在获取到当前场景中的监控图像后，可以利用深度卷积神经网络模型对所述监控图像提取特征，输出特征图像，将训练得到的卷积核与所述特征图像进行卷积计算得到检测结果，所述检测结果包括有车的概率和车辆的相对位置。由于本申请实施例中利用深度卷积神经网络模型对所述监控图像提取特征输出特征图像，后续只需要将卷积核与所述特征图像进行计算即可，可以适用于卡口或电子警察等多个检测场景，无需对原始监控图像进行预处理、无需再对整张原始监控图像进行滑动框扫描，且不需要对原始图像进行多尺度特征计算，从而节省了计算时间、大大提高了检测效率和检测精度。附图说明下面将参照附图描述本申请的具体实施例，其中：图1示出了本申请实施例中车辆检测方法实施的流程示意图；图2示出了本申请实施例中车辆检测过程示意图；图3示出了本申请实施例中车辆检测装置的结构示意图。具体实施方式为了使本申请的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。针对现有技术的不足，本申请实施例提出了车辆检测方法及装置，可以同时支持多种复杂场景、支持任意大小/比例的车辆且可以在CPU/GPU快速实现高精度的实时监测，下面进行说明。图1示出了本申请实施例中车辆检测方法实施的流程示意图，如图所示，所述车辆检测方法可以包括如下步骤：步骤101、获取当前场景中的监控图像；步骤102、利用深度卷积神经网络模型对所述监控图像提取特征，输出特征图像；步骤103、将预先训练得到的卷积核作为滑动窗口与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括有车的概率和车辆的相对位置。具体实施时，可以在需要监控的场景中预先布置监控摄像头，由摄像头回传当前场景中的监控图像。实际使用中，摄像头回传的可能为监控视频，监控视频可以包括若干帧的监控图像。本申请实施例中的监控图像可以为红绿蓝RGB图像，一个图像可以按照颜色的不同分为三张图像，具体实施时可以分别以三张图像进行后续操作。深度学习在处理图像问题中展现了巨大的优势，其深层的网络结构和端到端的优化思想使得让机器自动从数据中进行学习成为可能。卷积神经网络(ConvolutionalNeuralNetworks，简称CNN)是深度学习较为热门的方法之一，一般地，卷积神经网络的基本结构可以包括两层，一层是特征提取层，一层是特征映射层。本申请实施例利用深度卷积神经网络模型对所述监控图像进行特征提取，输出特征图像，这个输出就是通过神经网络学习得到的用于检测的特征。其中，卷积神经网络模型可以采用现有的模型，例如现有的GoogleNet模型，这个模型是由卷积层和感知模块InceptionModule堆叠而成。本申请实施例中所述卷积核可以理解为根据车的部分或整体特征(车头、车灯、车尾、车轱辘、车身等)进行样本训练得到的数字表示，所述卷积核可以为1*1、3*3、5*5等大小，卷积核中包括多个数值，例如：3*3的卷积核中包括9个数值。假设对监控图像提取特征后得到1个特征图像，采用一定大小(假设为3*3)的卷积核，可以利用所述卷积核与上述特征图像进行卷积计算，最终得到一个输出(大小可以为18*31)，所述输出的每个位置可以表示在所述特征图像中该位置存在一个固定大小和比例的车辆的概率。再利用1个卷积核与上述特征图像进行卷积计算，得到左上角x的相对偏移位置；同理，左上角y的相对偏移位置、右下角x的相对偏移位置、右下角y的相对偏移位置等各需要1个卷积核与特征图像进行计算得到。因此，对于一个固定比例和尺度的车辆的检测，当提取出的特征图像为1个时，可以利用5个一定大小(假设为3*3)的卷积核(卷积核中的参数总共大小为5*3*3)进行计算，卷积核与特征图像进行卷积计算之后，可以得到5张图(大小为5*18*31的输出，即5张18*31的图)。其中，第一张图可以表示每个位置有车的概率，所有的数字都在0～1之间，另外四张图分别可以表示车辆的相对位置的左上角x坐标、左上角y坐标、右下角x坐标、右下角y坐标的相对偏移位置。如果要对多尺度、多长宽比的车辆进行检测，假设需要处理scale个尺度、ratio种长宽比的车辆检测，本申请实施例可以利用5*scale*ratio个卷积核进行卷积计算，最终输出5*scale*ratio个图，每张输出的图可以表示某种尺度和比例的、某个属性本文档来自技高网...

【技术保护点】
一种车辆检测方法，其特征在于，包括如下步骤：获取当前场景中的监控图像；利用深度卷积神经网络模型对所述监控图像提取特征，输出特征图像；将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括有车的概率和车辆的相对位置。

【技术特征摘要】
1.一种车辆检测方法，其特征在于，包括如下步骤：
获取当前场景中的监控图像；
利用深度卷积神经网络模型对所述监控图像提取特征，输出特征图像；
将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，
所述检测结果包括有车的概率和车辆的相对位置。
2.如权利要求1所述的方法，其特征在于，所述利用深度卷积神经网络模
型对所述监控图像提取特征，输出特征图像，具体为：利用深度卷积神经网络
模型对所述监控图像提取不同的特征，输出k个特征图像；
所述将预先训练得到的卷积核与所述特征图像进行卷积计算，具体为：将
预先训练得到的5*k*scale*ratio个卷积核与所述k个特征图像分别进行卷积计
算；其中，所述scale为车辆尺度的种类，所述ratio为车辆长宽比的种类。
3.如权利要求1所述的方法，其特征在于，所述卷积计算具体为全卷积计
算。
4.如权利要求1所述的方法，其特征在于，所述预先训练得到的卷积核为
多个，所述将预先训练得到的卷积核与所述特征图像进行卷积计算，具体为：
将所述多个预先训练得到的卷积核并行与所述特征图像进行卷积计算。
5.如权利要求4所述的方法，其特征在于，在进行卷积计算时如果同一辆
车在不同位置产生响应，采用非最大值抑制方法将输出的所述车辆的多个相对
位置进行合并。
6.如权利要求1所述的方法，其特征在于，进一步包括：
根据所述车辆的相对位置和预先设置的相对参考框，计算所述车辆在所述
监控图像中的绝对位置。
7.如权利要求1所述的方法，其特征在于，进一步包括：
利用校验模型对所述检测结果进行校验，所述校验模型是通过对正例和负
例进行训练得到的。
8.如权利要求1所述的方法，其特征在于，所述卷积核的训练过程具体为：
获取若干车辆样本图像，所述样本图像中每辆车标注有外接矩形框；
利用深度卷积神经网络模型提取所述样本图像的特征，输出特征图像；
根据卷积核与所述特征图像检测所述样本图像中的车辆，根据检测结果以
及所述外接矩形框调整所述卷积核内的参数，直至所述检测结果中车辆的位置
与所述外接矩形框接近或重合。
9.一种车辆检测装置，其特征在于，包括：<...

【专利技术属性】
技术研发人员：张德兵，
申请(专利权)人：北京格灵深瞳信息技术有限公司，
类型：发明
国别省市：北京;11