【技术实现步骤摘要】
基于深度学习的车辆检测方法
本专利技术属于计算机视觉识别
，具体涉及一种基于深度学习的车辆检测方法。
技术介绍
车辆检测是智能交通系统中一个不可或缺的重要环节，通过车辆检测方式采集有效的道路交通信息，获得交通流量、车速、道路占有率、车间距、车辆类型等基础数据，有目的地实现监测、控制、分析、决策、调度和疏导，实现交通资源的最大化，从而能够提升整个智能交通系统的健壮性及鲁棒性。当前主流的车辆检测方法通过HOG和SIFT等方法对车辆进行特征提取，并将其提取到的特征输入至支持向量机(SVM)，迭代器(AdaBoost)等分类器进行车辆检测。这类方法本质上都是依赖人工提取的特征，需要研究人员具有相当坚实的专业知识和大量的经验，并且设计的特征为低层特征，可分性较差，不但耗费时间精力，而且难以适应天气和光线等条件的变化，泛化能力差。随着人工智能的发展，卷积神经网络替代了以上特征提取方法，可以灵活的在训练数据的驱动下根据不同的需求任务自动地去学习有用的特征来帮助算法完成检测和识别的任务。公开号为CN104036323A的专利公开了“一种基于卷积神经网络的车辆检测方法”，但是...
【技术保护点】
1.一种基于深度学习的车辆检测方法，其特征在于，具体按照以下步骤实施：步骤1，构建带有标注和标签的图片库作为训练样本集和测试样本集；步骤2，构建改进的Faster R‑CNN模型，所述改进的Faster R‑CNN模型由区域建议网络和改进的Fast R‑CNN网络组成；步骤3，利用Edge Boxes初步提取出较为准确的车辆候选区域；步骤4，对改进的Faster R‑CNN模型参数进行初始化；步骤5，进行特征提取，对候选区域进行系列卷积、池化和非线性运算，得到特征图；步骤6，利用RPN过滤掉不包含车辆区域的候选框，即，将步骤5提取的特征图矩阵输入到步骤2中构建的区域建议网络...
【技术特征摘要】
1.一种基于深度学习的车辆检测方法，其特征在于，具体按照以下步骤实施：步骤1，构建带有标注和标签的图片库作为训练样本集和测试样本集；步骤2，构建改进的FasterR-CNN模型，所述改进的FasterR-CNN模型由区域建议网络和改进的FastR-CNN网络组成；步骤3，利用EdgeBoxes初步提取出较为准确的车辆候选区域；步骤4，对改进的FasterR-CNN模型参数进行初始化；步骤5，进行特征提取，对候选区域进行系列卷积、池化和非线性运算，得到特征图；步骤6，利用RPN过滤掉不包含车辆区域的候选框，即，将步骤5提取的特征图矩阵输入到步骤2中构建的区域建议网络中，利用Softmax对提取到的特征进行分类判别过滤掉不包含车辆的候选框，并利用非极大值抑制算法去除多余的候选框，得到候选框集合C'；步骤7，融合第三、第四和第五层卷积层特征对车辆进行描述，利用改进的FastR-CNN模型对步骤6中RPN模型产生的候选框进行分类判别，得到图像中车辆所在的位置和所属类别；步骤8，根据步骤7得到的结果划分用于训练的正负样本；步骤9，根据实际输出与期望输出得到总体误差，利用反向传播算法和随机梯度下降算法，通过交替训练的方式对模型进行训练，依次调整每层神经网络的权值，最终得到改进的FasterR-CNN模型；步骤10，使用训练集测试初步训练好的改进的FasterR-CNN模型，从而产生难负样本；将步骤9输出的得分高于0.7并且与任意真实区域包围盒的IoU值(两个区域的交集面积与并集面积之比)小于0.5的候选框作为难负样本；步骤11，将步骤9产生的难负样本加入到训练集中，对网络再次训练，从而加强模型的类别判定能力，得到最优的改进的FasterR-CNN模型；步骤12，利用步骤11得到的最优的改进的FasterR-CNN模型，对实际中采集的待检测图像进行处理，从而得到车辆检测结果。2.根据权利要求1所述的基于深度学习的车辆检测方法，其特征在于，所述的步骤1具体为：利用开源标定软件LabelImg构建带有标注和标签的图片库作为训练样本集和测试样本集，其中样本集包含相同天气情况不同场景下和不同天气情况相同场景下拍摄的车辆照片(包括背景)，标注是记录车辆在一整张图像中的左上角点和右下角点的坐标，标签是指每个给定的车辆位置上车辆所属的类别。3.根据权利要求1所述的基于深度学习的车辆检测方法，其特征在于，所述的步骤2中，RPN由六个串联的卷积层和两个并行的卷积层构成，两个并行的卷积层中一个卷积层负责输出一系列的矩形候选框的位置坐标值，另一个卷积层负责输出该矩形候选区域是否为目标的置信度；改进的FastR-CNN由五个卷积层、三个RoI池化层、一个全连接层和两个并行的全连接层构成，两个并行的全连接层中一个全连接层通过Softmax预测候选区域属于每个类别的概率(置信度)，另一个全连接层通过边框回归输出矩形候选框更合适的位置。4.根据权利要求1所述的基于深度学习的车辆检测方法，其特征在于，所述的步骤3具体按照以下步骤实施：步骤3.1，根据结构化边缘算法计算整张图片中每一个像素点的边缘响应；步骤3.2，确定边缘组，将近似在同一直线上的边缘线段集中起来形成一个边缘组，使用贪心算法计算相邻8条边的曲率，如果方向变化小于一个阈值π/2，则把这8条边确定为一个边缘组，得到所有边缘组集合R；步骤3.3，计算边缘组之间的相似度，，定义相似度集合为S，S初始化为根据公式(1)计算边缘组ri与边缘组rj相似度，并将其添加到相似度集合S中；s(ri,rj)＝|cos(θi-θij)cos(θj-θij)|γ(1)其中θij表示di，dj之间的夹角，di为边缘组ri的平均距离，dj为边缘组rj的平均距离，θi表示边缘组ri的平均角度，θj表示边缘组rj的平均角度，γ表示相似度的敏感度，用来调整两个边缘组ri和rj之间的相似度，在实际应用中一般取值为2；当s(ri,rj)大于0.05时，则认定认为这两个边缘组ri，rj之间具有相似性，则相似性的值即为s(ri,rj)，添加至相似度集合S中，当s(ri,rj)小于等于0.05时，将边缘组ri，rj之间的相似性值记为0，并添加至相似度集合S中；步骤3.4，使用一个滑动窗口扫描整个图像搜索候选框，每滑动一步根据步骤3.1、步骤3.2和步骤3.3得到一个窗口中的边缘组以及相似度之后，按照公式(2)计算每一个边缘组的权值；若wb(si)＝0，则判定该边缘组不属于窗口中物体轮廓，若w...
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。