车辆检测方法技术

本发明专利技术提供了一种车辆检测方法，包括通过在十字路口安置相机，对目标车辆进行数据采集得到目标车辆图片；对目标车辆图片进行尺寸标准化处理和标注，以生成训练数据集；将训练数据集中的图片作为Darknet‑53网络的输入，进行图片特征提取；将提取到的图片特征进行特征拼接、残差映射、特征融合，将处理后的图片特征输入卷积神经网络中按预设的迭代次数进行训练，并根据训练数据集中的图片的真实值与卷积神经网络的输出值的差异对卷积神经网络中的参数不断进行更新，以生成车辆检测权重模型及训练好的参数；车辆检测权重模型调用训练好的参数对测试数据集中的图像中的车辆进行检测，并输出结果，本发明专利技术具有准确度高、检测速度快、重复检测率低等优点。

Vehicle detection method

【技术实现步骤摘要】
车辆检测方法
本专利技术涉及一种车辆检测方法。
技术介绍
近年来，随着城市化进程的不断推进和道路车辆的增多，对交通视频或图像中的行驶车辆进行检测与识别是交通管理的一项重要任务，同时对于提高交通安全具有重要意义。传统目标检测算法过于依赖研究人员，如果特征提取不合理，就会对最终车辆检测的准确度产生很大影响。目前，利用卷积神经网络已经成为一种新型和被广泛使用的检测方式。详细地，Girshick等人提出R-CNN网络从图片中提取候选区域，目标检测精度相比传统方法有了极大的提升，但由于候选框数量众多导致效率低。之后FastR-CNN在R-CNN的基础上，规避了R-CNN中许多冗余的特征提取操作，但仍然不能实现端到端操作。最后，FasterR-CNN通过构建区域建议网络提取候选框，代替使用时间开销大的选择性搜索算法，不仅提升速度，而且实现了端到端训练。YOLO,SSD,YOLOV2，YOLOV3系列算法采用端到端学习的策略，大大提高了检测速度，取得良好效果。但是YOLO算法对物体定位落差大，精度不高。SSD对大目标检测效果非常好，但对小目标检测效果不好。YOLOV2的特征提取网络比较简单，面对被遮挡目标的识别表现不够好。YOLOV3加入了深度残差神经网络的思想，使得特征提取网络更加复杂，并进行多尺度特征预测，获得了目前最好的检测速度和准确率的平衡，但它在针对车辆目标检测时，会出现重复检测，误检的问题。在实际的车辆检测场景中，交通环境复杂多样，现有车辆检测技术往往不能准确识别车辆的类别和位置。>
技术实现思路
本专利技术的目的在于提供一种车辆检测方法。为解决上述问题，本专利技术提供一种车辆检测方法，包括：步骤S1：通过在十字路口安置相机，对目标车辆进行数据采集得到目标车辆图片；步骤S2：对所述目标车辆图片进行尺寸标准化处理和标注，以生成训练数据集；步骤S3：将所述训练数据集中的图片作为Darknet-53网络的输入，进行图片特征提取；步骤S4：将提取到的图片特征进行特征拼接、残差映射、特征融合，得到处理后的图片特征，将所述处理后的图片特征输入卷积神经网络中按预设的迭代次数进行训练，并根据训练数据集中的图片的真实值与卷积神经网络的输出值的差异对卷积神经网络中的参数不断进行更新，以生成车辆检测权重模型及对应的训练好的参数；步骤S5：所述车辆检测权重模型调用训练好的参数对测试数据集中的图像中的车辆进行检测，并输出结果。进一步的，在上述方法中，步骤S2：对所述目标车辆图片进行尺寸标准化处理和标注，以生成训练数据集，包括：将所有目标车辆图片缩放到416×416的尺寸，使用labelImg图片标注工具对缩放后的目标车辆图片进行目标候选框标注，得到按照VOC2007数据集的格式制作的自制数据集，将所述自制数据集按照7∶3的比例将所述自制数据集划分为训练数据集和测试数据集。进一步的，在上述方法中，使用labelImg图片标注工具对缩放后的目标车辆图片进行目标候选框标注，包括：获取缩放后的目标车辆图片中目标车辆所在的位置，基于目标车辆所在的位置和目标候选框个数和宽高比维度，并使用labelImg图片标注工具对缩放后的目标车辆图片进行目标候选框的标注。进一步的，在上述方法中，基于目标车辆所在的位置和目标候选框个数和宽高比维度，并使用labelImg图片标注工具对缩放后的目标车辆图片进行目标候选框的标注之前，还包括：确定目标候选框个数和宽高比维度，包括：采用K-means聚类算法对缩放后的目标车辆图片中标注的目标候选框进行聚类分析，得到最优的目标候选框个数和宽高比维度，在确定目标候选框个数和宽高比维度的过程中，采用目标候选框与原标记框的交集与并集的比值代替原始的欧氏距离作为目标函数。进一步的，在上述方法中，所述目标函数的计算公式为：其中box代表目标候选框，cen为聚类中心，n为样本数，k为类别数；其中，IOU是产生的目标候选框与原标记框的交叠率，即它们的交集与并集的比值。进一步的，在上述方法中，所述Darknet-53网络使用残差的跳层链接，同时连续使用3×3和1×1的卷积层，使用3×3的卷积层用于增加维度，使用1×1的卷积层用于压缩3×3卷积后的特征表示，最后在每个卷积层后增加归一化操作。进一步的，在上述方法中，所述步骤S4，包括：步骤S401：在利用Darknet-53网络进行图片特征提取后，提取第74层的网络输出量和第79层的网络输出量，并对二者进行残差映射操作，其结果作为第一个特征；步骤S402：将第85层的网络输出量和第61层的网络输出量进行特征拼接，其结果再和第91层的网络输出量进行残差映射，其结果作为第二个特征；步骤S403：将第97层的网络输出量和第36层的网络输出量进行特征拼接，其结果再和第103层的网络输出量进行残差映射，其结果作为第三个特征；步骤S404：将第一、第二和第三特征分别放入卷积神经网络的特征融合层，按预设的迭代次数进行训练，并根据训练数据集中的图片的真实值与卷积神经网络的输出值的差异对卷积神经网络中的参数不断进行更新，以生成车辆检测权重模型及对应的训练好的参数。进一步的，在上述方法中，步骤S5：所述车辆检测权重模型调用训练好的参数对测试数据集中的图像中的车辆进行检测，并输出结果，包括：所述车辆检测权重模型调用训练好的参数对测试数据集中的图像中的车辆进行检测，并输出以输出所述测试数据集中的图像中的目标车辆的位置和置信度。与现有技术相比，本专利技术具有如下优点：1、本专利技术提供的基于ADE-YOLOV3算法的车辆检测方法是对原始的YOLOV3算法的改进，针对车辆检测，由于原始YOLOV3算法部分anchor参数设计的不合理，本专利技术在自己的数据集上重新聚类计算anchor参数即目标候选框的个数和宽高比维度，提高boundingbox的检出率，改进的anchor参数对车辆数据更具有针对性，提高了模型的训练精度。2、本专利技术提供的基于ADE-YOLOV3算法的车辆检测方法，利用迁移学习来帮助新模型训练，同时修改部分网络结构，充分利用更多丰富的细节信息进行特征融合，使得模型训练效果更好。综上所述，应用本专利技术的技术方案解决了现有技术中针对在实际的车辆检测场景中，交通环境复杂多样，现有车辆检测技术往往不能准确识别车辆的类别和位置的问题。附图说明图1是本专利技术一实施例的车辆检测方法的流程图；图2是本专利技术一实施例的数据集标签制作示意图；图3是本专利技术一实施例的先验框参数设置示意图；图4是本专利技术一实施例的ADE-YOLOV3卷积神经网络结构示意图；图5是本专利技术一实施例的使用ADE-YOLOV3卷积神经网络结构的检测结果示意图；图6是本专利技术一实施例的未使用ADE-YOLOV3卷积神经网络结构的检测结果示意图。具体实施方式为使本专利技术的本文档来自技高网...

【技术保护点】
1.一种车辆检测方法，其特征在于，包括：/n步骤S1：通过在十字路口安置相机，对目标车辆进行数据采集得到目标车辆图片；/n步骤S2：对所述目标车辆图片进行尺寸标准化处理和标注，以生成训练数据集；/n步骤S3：将所述训练数据集中的图片作为Darknet-53网络的输入，进行图片特征提取；/n步骤S4：将提取到的图片特征进行特征拼接、残差映射、特征融合，得到处理后的图片特征，将所述处理后的图片特征输入卷积神经网络中按预设的迭代次数进行训练，并根据训练数据集中的图片的真实值与卷积神经网络的输出值的差异对卷积神经网络中的参数不断进行更新，以生成车辆检测权重模型及对应的训练好的参数；/n步骤S5：所述车辆检测权重模型调用训练好的参数对测试数据集中的图像中的车辆进行检测，并输出结果。/n

【技术特征摘要】
1.一种车辆检测方法，其特征在于，包括：
步骤S1：通过在十字路口安置相机，对目标车辆进行数据采集得到目标车辆图片；
步骤S2：对所述目标车辆图片进行尺寸标准化处理和标注，以生成训练数据集；
步骤S3：将所述训练数据集中的图片作为Darknet-53网络的输入，进行图片特征提取；
步骤S4：将提取到的图片特征进行特征拼接、残差映射、特征融合，得到处理后的图片特征，将所述处理后的图片特征输入卷积神经网络中按预设的迭代次数进行训练，并根据训练数据集中的图片的真实值与卷积神经网络的输出值的差异对卷积神经网络中的参数不断进行更新，以生成车辆检测权重模型及对应的训练好的参数；
步骤S5：所述车辆检测权重模型调用训练好的参数对测试数据集中的图像中的车辆进行检测，并输出结果。


2.如权利要求1所述的车辆检测方法，其特征在于，步骤S2：对所述目标车辆图片进行尺寸标准化处理和标注，以生成训练数据集，包括：
将所有目标车辆图片缩放到416×416的尺寸，使用labelImg图片标注工具对缩放后的目标车辆图片进行目标候选框标注，得到按照VOC2007数据集的格式制作的自制数据集，将所述自制数据集按照7∶3的比例将所述自制数据集划分为训练数据集和测试数据集。


3.如权利要求2所述的车辆检测方法，其特征在于，使用labelImg图片标注工具对缩放后的目标车辆图片进行目标候选框标注，包括：
获取缩放后的目标车辆图片中目标车辆所在的位置，基于目标车辆所在的位置和目标候选框个数和宽高比维度，并使用labelImg图片标注工具对缩放后的目标车辆图片进行目标候选框的标注。


4.如权利要求3所述的车辆检测方法，基于目标车辆所在的位置和目标候选框个数和宽高比维度，并使用labelImg图片标注工具对缩放后的目标车辆图片进行目标候选框的标注之前，还包括：
确定目标候选框个数和宽高比维度，包括：采用K-means聚类算法对缩放后的目标车辆图片中标注的目标候选框进行聚类分析，得到最优的目标候选框个数和宽高比维度，...

【专利技术属性】
技术研发人员：刘云翔，张国庆，唐泽莘，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：上海;31