一种基于区域卷积神经网络的车辆检测方法技术

本发明专利技术属于图像处理及模式识别技术领域，具体地讲涉及一种基于区域卷积神经网络的车辆检测方法，包括以下步骤：采集至少一个待检测图片，每个待检测图片作为一个样本；利用选择性搜索的快速模型对每个样本提取候选区域；对提取到的候选区域进行调整，再利用卷积神经网络算法提取候选区域的卷积特征；对所述卷积特征进行训练分类，判断每个样本是否为车辆。本发明专利技术的车辆检测方法通过区域卷积神经网络来对车辆进行检测，提高了车辆的检测成功率，提升了车辆检测系统的鲁棒性。

【技术实现步骤摘要】
一种基于区域卷积神经网络的车辆检测方法
本专利技术属于图像处理及模式识别
，具体地讲涉及一种基于区域卷积神经网络的车辆检测方法。
技术介绍
随着汽车数量的上升，城市交通的顺畅运行、交通安全等方面的问题日渐凸显，现代智能交通系统也应运而生并且日趋成熟，其在日常生活中得到了广泛的应用，其中，车辆检测技术是现代智能交通系统中的关键技术。现有技术中的车辆检测方法，如adaboost算法、SVM方法、高斯背景差算法，容易受所处环境的影响，在恶劣天气、夜晚时光线暗弱或者光照强烈等情况下对车辆的检测成功率并不理想，特别是误检率与漏检率也居高不下。因此需要提出一种车辆检测算法来解决处在恶劣环境下车辆的检测成功率的问题。
技术实现思路
根据现有技术中存在的问题，本专利技术提供了一种基于区域卷积神经网络的车辆检测方法，该车辆检测方法减少了检测时间、提高了车辆的检测成功率。为实现上述专利技术目的，本专利技术提供了一种基于区域卷积神经网络的车辆检测方法，包括如下步骤：S1，采集至少一个待检测图片，每个待检测图片作为一个样本；S2，利用选择性搜索的快速模型对每个样本提取候选区域；S3，对提取到的候选区域进行本文档来自技高网...

【技术保护点】
1.一种基于区域卷积神经网络的车辆检测方法，其特征在于，包括如下步骤：S1，采集至少一个待检测图片，每个待检测图片作为一个样本；S2，利用选择性搜索的快速模型对每个样本提取候选区域；S3，对提取到的候选区域进行调整，再利用卷积神经网络算法提取候选区域的卷积特征；S4，对所述卷积特征进行训练和分类，判断出每个样本是否为车辆。

【技术特征摘要】
1.一种基于区域卷积神经网络的车辆检测方法，其特征在于，包括如下步骤：S1，采集至少一个待检测图片，每个待检测图片作为一个样本；S2，利用选择性搜索的快速模型对每个样本提取候选区域；S3，对提取到的候选区域进行调整，再利用卷积神经网络算法提取候选区域的卷积特征；S4，对所述卷积特征进行训练和分类，判断出每个样本是否为车辆。2.根据权利要求1所述的一种基于区域卷积神经网络的车辆检测方法，其特征在于：步骤S1具体是指从平安城市监控、社区监控、道路交通监控的摄像机设备中获取至少一个待检测图片，并且将每个待检测图片作为一个样本。3.根据权利要求2所述的一种基于区域卷积神经网络的车辆检测方法，其特征在于，步骤S2的具体过程如下：S21，利用基于区域的图像分割算法将每个样本的待检测图片分割成初始区域集合R＝{r1,r2,...,ri,rj,...,rn}，ri、rj分别表示第i个和第j个初始区域，且ri和rj为相邻初始区域，并初始化相似度集合S，即S＝φ；S22，将初始区域集合R中通过欧氏距离算法算出的所有相邻初始区域ri,rj的相似度s(ri,rj)放入相似度集合S中；S23，找出S中相似度最高的元素s(ri,rj)＝max(S)，合并初始区域集合R中此元素相对应的两个相邻初始区域，即rl＝ri∪rj，得到一个新的初始区域集合，即目标区域集合R，＝{r1,r2,...,rl,...,rn}，并将集合S中涉及ri或rj的相似度元素删除；S24，将上述目标区域集合R，再作为初始区域集合，重复步骤S22和S23，直至相似度集合S＝φ，得到最终的目标区域集合R，；S25，从最终的目标区域集合R，中提取所有元素，即候选区域。4.根据权利要求3所述的一种基于区域卷积神经网络的车辆检测方法，其特征在于：步骤S3的具体过程如下：S31，将候选区域的图片大小调整为227*227；利用卷积神经网络算法对候选区域构建卷积神经网络，设置卷积神经网络的第一层参数为：卷积核大小为11*11，输出节点数为95，步长为4,依次经过ReLU、Pooli...

【专利技术属性】
技术研发人员：王卫，王汉林，郑雅玲，陈昌健，王微，李三菊，
申请(专利权)人：安徽四创电子股份有限公司，
类型：发明
国别省市：安徽,34