一种基于样本生成的轻量级深度模型航拍车辆检测方法技术

本发明专利技术公开了一种基于样本生成的轻量级深度模型航拍车辆检测方法，属于计算机视觉领域，可降低航拍车辆检测对样本数据的需求量，同时提高精度与速度。包括以下步骤：首先，采集一定量的航拍样本图片，并标注出图像中的车辆；之后将随机噪声加到真实背景图像中，通过多条件约束生成对抗网络生成融于背景的新的航拍车辆图片样本，与原始数据一起构成航拍车辆样本数据；然后将生成的车辆样本数据送入针对小目标的轻量级卷积神经网络进行训练，直至网络收敛，获得权重文件；最后，训练完成的轻量级卷积神经网络和权重文件即可用于航拍图像的车辆检测。

【技术实现步骤摘要】
一种基于样本生成的轻量级深度模型航拍车辆检测方法
本专利技术属于计算机视觉领域，尤其涉及一种基于样本生成的轻量级深度模型航拍车辆检测方法。
技术介绍
随着生产力水平的发展，车辆数量与日俱增，交通问题愈发严重，严重影响居民的正常交通通行，交通疏导工作变得越来越重要，而其中最关键的一环便是监控道路交通状况。虽然目前电子摄像头能一定程度缓解交通问题，但由于设备无法移动所以无法直观显示整条街道的交通状况。所以利用航拍的灵活性，对车辆进行识别和定位，可以在监控道路交通状况领域发挥巨大优势。目前，车辆检测算法主要有基于特征的检测算法和基于光流或帧间差分的算法。其中，基于特征的检测算法又分为基于人工提取特征和深度学习提取特征的算法，可适用于动态和静态的车辆检测，而基于光流或帧间差分的算法主要用于运动车辆目标检测。基于人工提取特征的检测算法大多采用滑动窗口方法，在被检图像中搜索满足特征的目标。LiuKang等人提出一种高效的多类别航拍车辆检测算法，利用一个快速的二进制滑动窗口检测出车辆的位置，之后利用一个软连接结构AdaBoost分类器进一步分类车辆的本文档来自技高网...

【技术保护点】
1.一种基于样本生成的轻量级深度模型航拍车辆检测方法，其特征在于，包括以下步骤：/n(1)图像采集过程：采集针对车辆的航拍图像，并对其中的车辆进行预处理与标注；/n(2)生成对抗网络生成过程：通过生成对抗网络生成新的车辆图像，与步骤(1)中得到的图片一起形成车辆数据库；/n(3)轻量级网络训练过程：将步骤(2)中获得的车辆数据库送入轻量级卷积神经网络进行训练，直至网络收敛；/n(4)测试图像检测过程：利用步骤(3)中训练好的轻量级网络和权重文件来检测测试图像中的车辆目标，并输出检测结果。/n

【技术特征摘要】
1.一种基于样本生成的轻量级深度模型航拍车辆检测方法，其特征在于，包括以下步骤：
(1)图像采集过程：采集针对车辆的航拍图像，并对其中的车辆进行预处理与标注；
(2)生成对抗网络生成过程：通过生成对抗网络生成新的车辆图像，与步骤(1)中得到的图片一起形成车辆数据库；
(3)轻量级网络训练过程：将步骤(2)中获得的车辆数据库送入轻量级卷积神经网络进行训练，直至网络收敛；
(4)测试图像检测过程：利用步骤(3)中训练好的轻量级网络和权重文件来检测测试图像中的车辆目标，并输出检测结果。


2.根据权利要求1所述的基于样本生成的轻量级深度模型航拍车辆检测方法，其特征在于，步骤(1)中所述预处理与标注包括：对采集到的图像进行清洗处理，过滤掉模糊，曝光过度，不包含车辆目标，车辆不完整的不满足要求的照片，之后对余下图像中的车辆目标进行标注。


3.根据权利要求1所述的基于样本生成的轻量级深度模型航拍车辆检测方法，其特征在于，步骤(2)所述生成对抗网络为多条件约束的生成对抗网络Mc-GAN，Mc-GAN通过增加判别器并且对不同的判别器使用不同的损失函数来约束生成器的图像生成。


4.根据权利要求1或3所述的基于样本生成的轻量级深度模型航拍车辆检测方法，其特征在于，步骤(2)中所述生成对抗网络生成新的车辆图像具体包括以下步骤：
(21)在航拍车辆图像中加入随机噪声，并通过Mc-GAN中的生成器在噪声位置生成航拍车辆图像；
(22)将生成的车辆图像与真实图像构成图像对，送入车辆判别器和背景判别器中，来判别生成图像的真实程度与融于背景的程度；
(23)对于背景判别器使用最小二乘损失函数进行训练
Llsgan(Db,G)＝E[(Db(y)-1)2]+E[(Db(G(x)))2]；
对于车辆判别器使用交叉熵损失函数进行训练
Lgan(Dc,G)＝E[logDc(yc)]+E[log(1-Dc(G(z)))]；
对于生成器增加L1正则化约束
Ll1(G)＝E(||y-G(x)||1)；
生成器最终的损失函数为
L(G,Db,Dc)＝Llsgan(Db，G)+Lgan(Dc,G)+λLl1(G)；...

【专利技术属性】
技术研发人员：刘宁钟，白瑜颖，沈家全，后弘毅，陆保国，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32