一种基于多特征深度学习的车辆检测方法及装置制造方法及图纸
【技术实现步骤摘要】
一种基于多特征深度学习的车辆检测方法及装置
本专利技术涉及智能交通管理领域，更具体的说，是涉及一种基于多特征深度学习的车辆检测方法及装置。
技术介绍
智能交通装置(ITS)采用图像处理、人工智能、嵌入式、传感器和模式识别等多种技术手段，解决交通拥堵、交通事故等问题，从而提高道路交通装置安全性和有效性。其中，车辆检测是智能交通装置的重要组成部分，交通疏导、辅助驾驶装置道路监控等领域有着广阔的应用前景。目前，常用的车辆检测方法有：基于建模和模板匹配的方法和基于统计学习的方法。基于建模和模板匹配的方法利用局部特征描述车辆，并利用模版匹配方法进行车辆定位，该方法容易受到背景环境、复杂光照和复杂天气的影响，且对所建模型的要求较高，算法的稳定性不够好。基于统计学习的方法首先对车辆样本提取特征，再利用分类器对样本特征进行训练，获得前景车辆和复杂背景的差异特征后，利用差异特征进行车辆定位。目前利用神经网络自主学习识别对象特征的方法已成功实现，如利用卷积神经网络(ConvolutionalNeuralNetwork，CNN)自主选取车辆特征进行学习与识别，但是采用单纯的CNN方案摆...
【技术保护点】
一种基于多特征深度学习的车辆检测方法，其特征在于，包括以下步骤：S1、通过组合特征卷积神经网络训练得到的车辆检测模型；S2、抓拍获取车辆图像数据；S3、提取车辆图像数据中的特征信息；S4、将特征信息输入到车辆检测模型中进行车辆检测，得到检测结果。
【技术特征摘要】
1.一种基于多特征深度学习的车辆检测方法，其特征在于，包括以下步骤：S1、通过组合特征卷积神经网络训练得到的车辆检测模型；S2、抓拍获取车辆图像数据；S3、提取车辆图像数据中的特征信息；S4、将特征信息输入到车辆检测模型中进行车辆检测，得到检测结果。2.根据权利要求1所述的基于多特征深度学习的车辆检测方法，其特征在于，在步骤S1中，所述组合特征卷积神经网络的训练过程包括：S11、获取若干车辆样本图像，组成源样本，并标注样本图像中每辆车的有外接矩形框；S12、提取源样本中每一个样本图像的灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息；S13、将步骤S12中获取的信息输入到组合特征卷积神经网络中进行训练，得到车辆监测模型。3.根据权利要求2所述的基于多特征深度学习的车辆检测方法，其特征在于，在步骤S2中，所述特征信息包括灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息。4.根据权利要求3所述的基于多特征深度学习的车辆检测方法，其特征在于，所述步骤S3具体包括：对源图像分别进行灰度变换、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测，得到灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息三个单通道图像，并舍弃原来的RGB颜色特征。5.根据权利要求3所述的基于多特征深度学习的车辆检测方法，其特征在于，所述步骤S4具体包括：S41、在组合特征卷积神经网络中输入灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息；S42、灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息分别经过第一卷积层、第一池化层，得到三个维度为n的特征向量；S43、将三个特征向量进行组合，得到维度为3*n的组合特征向量；将组合特征向量作为下一个卷积层的输入，经过若干组卷积层计算并均值池化后，输入到全连接层，最终输出车辆坐标位置。6.根据权利要求5所述的基于多特征深度学习的车辆检测方法，其特征在于，所述步骤S42具体包括：S421、灰度图像经过第一卷积层进行卷积计算Conv(5，1，32)，卷积核大小为5*5，滑动时每次移动1个像素，总共32个特征图像；经过第一池化层采用最大池化Pooling(3，2)，池化范围大小为3*3，每次移动2个像素，得到灰度图像的特征向量(x1,x2,...,xn)；S422、X方向上的Sobel边缘图像经过经过第一卷积层进行卷积计算Conv(5，1，32)，卷积核大小为5*5，滑动时每次移动1个像素，总共32个特征图像；经过第一池化层采用最大池化Pooling(3，2)，池化范围大小为3*3，每次移动2个像素，得到X方向上的Sobel边缘图像的特征...
【专利技术属性】
技术研发人员：袁静，田丹丹，张仁辉，
申请(专利权)人：武汉烽火众智数字技术有限责任公司，
类型：发明
国别省市：湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。