【技术实现步骤摘要】
一种基于小规模神经网络的车辆实时检测方法
本专利技术涉及图像处理与深度学习目标检测领域，具体涉及一种基于小规模神经网络的车辆实时检测方法。
技术介绍
近年来随着经济的快速发展，城市机动车数量迅速增长，城市交通压力不断加大，同时交通管理部门的压力也与日俱增。为适应新形势下城市交通发展的需求，解决因交通飞速发展带来的各种问题，国家投入巨大的人力、物力来大力发展智能交通系统。智能交通系统也是学术界的重要研究课题，通过融合电子信息技术，数据通讯技术，图像处理技术，机器学习，深度学习等前沿技术，并将其应用到智能交通领域。车辆检测与识别是智能交通系统的重要组成部分，目前常用的车辆检测方法有地感线圈检测，超声波检测，磁力检测、红外线检测，微波检测和视频检测等。超声波检测的安装条件受到一定的限制，并且传感头在路口这种灰尘极大的恶劣环境中使用，寿命非常短；激光检测为点测量行为，面临路口多道路，多车辆和多行人的影响，点测量的效率无法满足监管要求，并且激光检测中的激光束对人体是有伤害的；红外检测器的缺点是工作现场的灰尘、冰雾会影响系统的正常工作；微波式交通检测器侧面安装只能区分长车短车...
【技术保护点】
1.基于小规模神经网络的车辆实时检测方法，其特征在于，包括以下步骤：S1获取道路视频图像,制作用于深度学习训练车辆检测识别的数据集；利用大规模神经网络建立车辆检测预模型；S2利用车辆检测预模型对大规模道路视频图像进行数据标注，得到最终车辆检测识别数据集；S3将最终车辆检测识别数据集作为训练集，对训练集的车辆框大小和比例用小规模的分类网络做聚类分析，根据聚类结果生成锚框代替SSD网络固定的锚框个数、大小及比例，从而使之适应训练车辆检测；S4调节参数并训练网络，提高检测识别速度和精度，不断优化得到车辆检测模型。
【技术特征摘要】
1.基于小规模神经网络的车辆实时检测方法，其特征在于，包括以下步骤：S1获取道路视频图像,制作用于深度学习训练车辆检测识别的数据集；利用大规模神经网络建立车辆检测预模型；S2利用车辆检测预模型对大规模道路视频图像进行数据标注，得到最终车辆检测识别数据集；S3将最终车辆检测识别数据集作为训练集，对训练集的车辆框大小和比例用小规模的分类网络做聚类分析，根据聚类结果生成锚框代替SSD网络固定的锚框个数、大小及比例，从而使之适应训练车辆检测；S4调节参数并训练网络，提高检测识别速度和精度，不断优化得到车辆检测模型。2.根据权利要求1所述基于小规模神经网络的车辆实时检测方法，其特征在于，所述的S1步骤包括：S11获取道路视频图像作为训练图像，手动采集图像中车辆框和车牌，清洗，并标注出图像的检测区域及车牌号，制作用于深度学习训练车辆检测识别的数据集；S12利用大规模神经网络...
【专利技术属性】
技术研发人员：陈友明，
申请(专利权)人：四川弘和通讯有限公司，
类型：发明
国别省市：四川,51
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。