一种复杂场景下的车辆检测方法及系统技术方案

本发明专利技术公开了一种复杂场景下的车辆检测方法及系统，基于快速区域卷积神经网络，该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROI pooling层、全连接层和输出层，该系统中还配置有复杂区域拆分层，所述复杂区域拆分层用于将复杂场景划分成若干简单场景并连接在输入层后，所述复杂区域拆分层的输出连接到region proposal层和卷积层，卷积层的输出连接到池化层，池化层、region proposal的输出均连接到ROI pooling层，所述ROI pooling层顺序连接全连接层、输出层后输出检测结果。本发明专利技术的一种复杂场景下的车辆检测方法及系统与现有技术相比，通过设计基于深度学习的车辆检测方法，完成智慧停车，能够极大的节省成本，实用性强，适用范围广泛，易于推广。

A method and system for vehicle detection in complex scene

The invention discloses a complex scene vehicle detection method and system, regional fast convolution neural network based on a configuration of the regional fast convolution neural network input layer, layer and pool layer convolution and region proposal candidate region layer, pooling layer, ROI fully connected layer and output layer in the system it has complex regional split layer, the layer is used to split complex regional complex scene is divided into several simple scenes and connected to the input layer, the output layer of the split complex region is connected to the region proposal layer and the output layer of the laminate roll, convolution is connected to the pool layer, output layer, region pool proposal are connected to the ROI pooling layer, the ROI layer of pooling sequentially connected connection layer, the output layer after the output of test results. A vehicle detection method and system in complex scenes based on the invention, compared with the existing technology, achieves intelligent parking by designing vehicle detection method based on deep learning, which can greatly save cost, is practical, and has wide application scope and is easy to popularize.

【技术实现步骤摘要】
一种复杂场景下的车辆检测方法及系统
本专利技术涉及计算机视觉
，具体地说是一种复杂场景下的车辆检测方法及系统。
技术介绍
作为交通科技领域“十三五”规划布局的重点专项之一，智慧交通被认为是保障交通安全、缓解拥堵难题、减少交通事故的有效办法。随着人们生活水平的提高，家用车辆越来越多，使得停车难问题日渐凸显。而智慧停车是解决停车难，实现智慧交通的重要环节。在实现智慧停车过程中，最重要的环节就是车辆检测。现有的智慧停车大部分都是安装大量的地磁感应装置或者大量的摄像头来实现的。虽然现有方案已经日趋成熟，然而这些方案的成本较高。近年来，深度学习技术在目标检测领域取得了极大的成功。相比较传统的目标检测方法，基于深度学习的目标检测框架能够从大数据中更好的学习目标的特点，取得了更高的检测精度。现有的主要框架有RCNN，faster-RCNN，YOLO，SSD等经典算法。虽然这些算法能够取得较好的效果，然而在复杂场景下效果较差。比如某摄像头拍摄的一幅停车场的图像，经典的算法SSD只检测出了图像中极少量的车辆。原因是图像中存在大量的小目标(车辆)，且图中存在其他复杂的背景因素，例如有些车辆被树叶遮挡，有些车辆的摆放形态多变等。因此，如何针对复杂场景下的特点，基于深度学习框架设计精确的车辆检测方法，对于极大地降低企业成本，具有重要的意义。
技术实现思路
本专利技术的技术任务是针对以上不足之处，提供一种复杂场景下的车辆检测方法及系统。一种复杂场景下的车辆检测方法，基于快速区域卷积神经网络，该快速区域卷积神经网络中配置有输入层、卷积层、池化层、regionproposal候选区域层、ROIpooling层、全连接层和输出层，其实现过程为：首先设计复杂区域拆分单元，将复杂场景划分成若干简单场景；将复杂区域拆分单元加入到快速区域卷积神经网络中的输入层后，接收来自输入层输入的图像；将复杂区域拆分单元的输出分别连接到快速区域卷积神经网络的regionproposal层、卷积层，来分别学习候选的proposal、局部特征，且卷积层输出特征到池化层进行采样；将池化层的特征与regionproposal层的候选特征进行融合，输入到ROIpooling层，将特征归一化到相同的长度；最后再输入到全连接层，全连接层的输出作为最后的特征，通过优化目标函数，获得复杂性区域拆分卷积神经网络的参数，从而进行车辆检测。所述复杂区域拆分单元将复杂场景划分为简单场景的过程为：在复杂区域拆分单元中配置两个层，第一个层为复杂区域选择层，该复杂区域选择层通过人工设置由1和0构成的卷积，将复杂的区域进行划分，划分为若干简单的区域；第二个层为简单区域提取层，根据上一层卷积的结果，将非0的元素提取出来。所述优化目标函数通过配置权重实现，其实现过程为：1)在输入图像进行训练时，设置图像中每个车辆的权重，在训练过程中，被遮挡的车辆的权重大于未被遮挡的车辆的权重；2)进行迭代优化，不断更新权重，根据训练精度，被分错的样本的权重大于分对样本的权重；3)最后，通过随机梯度下降优化公式，求解复杂性区域拆分卷积神经网络的参数，使得复杂性区域拆分卷积神经网络可用，当来一幅图像时，将图像直接输入到复杂性区域拆分卷积神经网络，即可得到检测结果。所述步骤1)中设置图像中每个车辆的权重通过以下公式实现：在上式中，变量x表示图像中的一个车，变量q表示未被遮挡的车辆的个数，变量p表示被遮挡的车辆的个数，ΩC表示被遮挡的车辆集合，ΩB表示未被遮挡的车辆集合。所述步骤2)进行迭代优化时权重更新通过以下公式实现：在上式中，变量un-1表示上一次迭代是样本x的权重，acc表示被上次迭代中目标检测的正确率，Ωerr表示上次迭代中被错误检测的车辆集合，Ωacc表示上次迭代中被正确检测的车辆集合。所述步骤3)中通过以下随机梯度下降优化公式来求解复杂性区域拆分卷积神经网络的参数w：Minui(yi-wTxi)2+||w||2；其中，yi是第i个样本的标记，xi是第i个样本的全连接层输出的特征。一种复杂场景下的车辆检测系统，基于快速区域卷积神经网络，该快速区域卷积神经网络中配置有输入层、卷积层、池化层、regionproposal候选区域层、ROIpooling层、全连接层和输出层，该系统中还配置有复杂区域拆分层，所述复杂区域拆分层用于将复杂场景划分成若干简单场景并连接在输入层后，所述复杂区域拆分层的输出连接到regionproposal层和卷积层，卷积层的输出连接到池化层，池化层、regionproposal的输出均连接到ROIpooling层，所述ROIpooling层顺序连接全连接层、输出层后输出检测结果。所述复杂区域拆分层中配置两个分层，第一个分层为复杂区域选择层，该复杂区域选择层通过人工设置由1和0构成的卷积，将复杂的区域进行划分，划分为若干简单的区域；第二个分层为简单区域提取层，根据上一分层卷积的结果，将非0的元素提取出来。本专利技术的一种复杂场景下的车辆检测方法及系统和现有技术相比，具有以下有益效果：本专利技术的一种复杂场景下的车辆检测方法及系统，不同于现有的智慧停车解决方案，拟在高点按照极少量的摄像头，通过设计基于深度学习的车辆检测方法，完成智慧停车，能够极大的节省成本，实用性强，适用范围广泛，易于推广。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。附图1是本专利技术复杂区域拆分单元实现示意图。附图2为本专利技术实现架构图。具体实施方式为了使本
的人员更好地理解本专利技术的方案，下面结合具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。随着智慧交通、智慧停车等产业的兴起，车辆检测技术扮演着越来越重要的角色。针对在复杂场景下的遮挡、大量的小目标造成车辆检测结果不精确问题，本专利技术提出了一种基于复杂区域拆分卷积神经网络(ComplexRegionSeparateConvolutionalNeuralNetwork,CRSCNN)的复杂场景下的车辆检测方法。首先设计了新的复杂性区域拆分单元，并在快速区域卷积神经网络(faster-RCNN)框架中加入复杂性区域拆分单元。基于提出的CRSCNN设计新的目标函数，并在目标函数中引入样本加权学习。提出的新的复杂性拆分单元具有两个优点：(1)能够进行粒度转换。将小粒度转换成大粒度。从而将小目标转为大目标，使得学到的网络能够对小目标进行充分学习。(2)能够将复杂的场景拆分为若干简单的场景。从而降低模型对车辆学习的难度。另外，本专利技术提出的基于样本加权的学习方法，通过对被遮挡车辆的样本进行加权，增加其在训练过程中的重要程度，从而提高被遮挡车辆被检测出的准确性。如附图1、图2所示，本专利技术基于快速区域卷积神经网络，该快速区域卷积神经网络中配置有输入层、卷积层、池化层、regionproposal候选区域层本文档来自技高网...

【技术保护点】
一种复杂场景下的车辆检测方法，其特征在于，基于快速区域卷积神经网络，该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROI pooling层、全连接层和输出层，其实现过程为：首先设计复杂区域拆分单元，将复杂场景划分成若干简单场景；将复杂区域拆分单元加入到快速区域卷积神经网络中的输入层后，接收来自输入层输入的图像；将复杂区域拆分单元的输出分别连接到快速区域卷积神经网络的region proposal层、卷积层，来分别学习候选的proposal、局部特征，且卷积层输出特征到池化层进行采样；将池化层的特征与region proposal层的候选特征进行融合，输入到ROI pooling层，将特征归一化到相同的长度；最后再输入到全连接层，全连接层的输出作为最后的特征，通过优化目标函数，获得复杂性区域拆分卷积神经网络的参数，从而进行车辆检测。

【技术特征摘要】
1.一种复杂场景下的车辆检测方法，其特征在于，基于快速区域卷积神经网络，该快速区域卷积神经网络中配置有输入层、卷积层、池化层、regionproposal候选区域层、ROIpooling层、全连接层和输出层，其实现过程为：首先设计复杂区域拆分单元，将复杂场景划分成若干简单场景；将复杂区域拆分单元加入到快速区域卷积神经网络中的输入层后，接收来自输入层输入的图像；将复杂区域拆分单元的输出分别连接到快速区域卷积神经网络的regionproposal层、卷积层，来分别学习候选的proposal、局部特征，且卷积层输出特征到池化层进行采样；将池化层的特征与regionproposal层的候选特征进行融合，输入到ROIpooling层，将特征归一化到相同的长度；最后再输入到全连接层，全连接层的输出作为最后的特征，通过优化目标函数，获得复杂性区域拆分卷积神经网络的参数，从而进行车辆检测。2.根据权利要求1所述的一种复杂场景下的车辆检测方法，其特征在于，所述复杂区域拆分单元将复杂场景划分为简单场景的过程为：在复杂区域拆分单元中配置两个层，第一个层为复杂区域选择层，该复杂区域选择层通过人工设置由1和0构成的卷积，将复杂的区域进行划分，划分为若干简单的区域；第二个层为简单区域提取层，根据上一层卷积的结果，将非0的元素提取出来。3.根据权利要求1或2所述的一种复杂场景下的车辆检测方法，其特征在于，所述优化目标函数通过配置权重实现，其实现过程为：1)在输入图像进行训练时，设置图像中每个车辆的权重，在训练过程中，被遮挡的车辆的权重大于未被遮挡的车辆的权重；2)进行迭代优化，不断更新权重，根据训练精度，被分错的样本的权重大于分对样本的权重；3)最后，通过随机梯度下降优化公式，求解复杂性区域拆分卷积神经网络的参数，使得复杂性区域拆分卷积神经网络可用，当来一幅图像时，将图像直接输入到复杂性区域拆分卷积神经网络，即可得到检测结果。4.根据权利要求3所述的一种复杂场景下的车辆检测方法，其特征在于，所述步骤1)中设置图像中每个车辆的权重通过以下公式实现：

【专利技术属性】
技术研发人员：袭肖明，于治楼，陈祥，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东,37