一种基于深度学习的车辆检测与识别的方法技术

本发明专利技术公开了一种基于深度学习的车辆检测与识别的方法，包括如下步骤：S1、采集原始车辆图片数据；S2、制作原始训练数据集；S3、对步骤S2得到的原始训练数据集进行数据增强，形成最终训练数据集；S4、对Faster RCNN网络模型进行改进；S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的Faster RCNN网络模型进行训练；S6、把需要检测的车辆图像输入训练后的预测模型中，得到车辆检测结果。本发明专利技术通过对深度学习算法Faster RCNN进行了改进，构建新的目标检测方法，实现更加准确地检测出目标。

【技术实现步骤摘要】
一种基于深度学习的车辆检测与识别的方法
本专利技术涉及计算机视觉领域、人工智能与模式识别等领域，具体涉及一种基于改进FasterRCNN的车辆检测与识别的方法。
技术介绍
随着人们生活水平得到提高，车辆逐年增多，给道路交通带来的巨大的压力，道路堵塞、交通事故频频发生。通过车载视觉传感器可以实时准确的检测出道路上的车辆，以利于驾驶员提前发现潜在的危险，提醒驾驶员提前控制车辆制动或者转向等措施以避免交通事故的发生。目前，车辆目标检测技术在智能交通系统中有着重要的作用。传统的车辆检测方法基于方向梯度直方图(HOG)特征和尺度不变特征变换(SIFT)等传统的方法对车辆进行特征提取，将提取出来的特征用支持向量机(SVM)、迭代器(Adaboost)等分类器进行车辆检测。这些方法需要研究人员的大量的先验知识，并且提取的特征为底层特征，在复杂的天气状况下车辆检测效果差，检测精度低，检测速度慢。随着人工智能的发展，卷积神经网络成为提取图片特征的主要方法。基于深度学习的目标检测算法主要有YOLO和SSD网络，但是在复杂天气和被遮挡的情况下，车辆的检测精度不够高。FasterRCNN在检测物体时有较高的检测精度和检测速度，但是网络模型参数量巨大，难以在计算力有限的移动端硬件平台使用，不能达到实时检测，对于小尺度目标，该算法的精度较低。
技术实现思路
针对现有技术的不足，本专利技术旨在提供一种基于深度学习的车辆检测与识别的方法，通过对深度学习算法FasterRCNN进行了改进，构建新的目标检测方法，实现更加准确地检测出目标。为了实现上述目的，本专利技术采用如下技术方案：一种基于深度学习的车辆检测与识别的方法，包括如下步骤：S1、采集原始车辆图片数据；S2、制作原始训练数据集；S3、对步骤S2得到的原始训练数据集进行数据增强，形成最终训练数据集；S4、对FasterRCNN网络模型进行改进，改进的内容包括：1)对FasterRCNN网络模型的共享卷积网络VGGNet-16进行改进：将共享卷积网络VGGNet-16的第3层到第13层的3×3卷积修改为FireModule；2)在原有的FasterRCNN网络模型的RPN网络的基础上增加6个更小的anchors，即FasterRCNN网络模型在特征图的每一像素点上抽取15种Anchors,具体尺度为(1282、2562、5122、322、642)和3类长宽比(1:1，2:1，1:2)；3)用ROIAlign代替原有的FasterRCNN网络模型中的ROIPooling；4)采用多尺度训练作为FasterRCNN网络模型的训练方式；S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的FasterRCNN网络模型进行训练；S6、把需要检测的车辆图像输入训练后的预测模型中，得到车辆检测结果。进一步地，步骤S2的具体过程如下：S2.1、下载VOC2007数据集，并将步骤S1采集得到的原始车辆图片数据移动到VOC2007数据集的data文件夹下；S2.2、使用标注工具对原始车辆图片数据进行标注，用矩形框框出原始车辆图片中的车辆，并生成xml文件，xml文件保存矩形框坐标和车辆类型，保存格式为[车辆类型，矩形框中心x坐标，矩形框中心y坐标，车辆宽度w，车辆高度h]；删除难以人工标注的原始车辆图片；将得到的xml文件替换VOC2007数据集中Annotations文件夹内的文件；S2.3、根据步骤S2.2生成的xml文件，对应生成名称为train、test、trainval和val的txt文件，用这四个txt文件替换VOC2007数据集中Main文件夹内的txt文件；S2.4、初始化模型参数，下载预训练模型将其放在data文件夹下。进一步地，步骤S3的具体过程为：先对原始训练数据集依次进行亮度随机调整、对比度随机调整、色相随机调整、饱和度随机调整、通道随机调换光学变换，再依次进行随机扩展、随机剪裁、随机镜像、随机到固定比例几何变换，最后进行去均值变换，得到最终训练数据集。进一步地，所述多尺度训练中，设置三种输入尺度(600，800，1000)，训练时，每张车辆图片被随机分配一种尺度。本专利技术的有益效果在于：本专利技术通过对深度学习算法FasterRCNN进行了改进，将共享卷积网络VGGNet-16轻量化设计，减少模型参数，减小计算量，加快模型的训练速度；在RPN网络上增加更小的anchors、用ROIAlign特征池化，有利于提高小目标检测准确率；多尺度训练可提高检测性能。附图说明图1为本专利技术实施例中的总体方法流程示意图；图2为本专利技术实施例中数据增强的流程示意图；图3为本专利技术实施例中FireModule的结构图；图4为本专利技术实施例中改进的VGGNet-16网络结构示意图。具体实施方式以下将结合附图对本专利技术作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围并不限于本实施例。本实施例提供一种基于深度学习的车辆检测与识别的方法，如图1所示，包括如下步骤：S1、采集原始车辆图片数据；S2、制作原始训练数据集：S2.1、下载VOC2007数据集，并将步骤S1采集得到的原始车辆图片数据移动到VOC2007数据集的data文件夹下；S2.2、使用标注工具对原始车辆图片数据进行标注，用矩形框框出原始车辆图片中的车辆，并生成xml文件，xml文件保存矩形框坐标和车辆类型，保存格式为[车辆类型，矩形框中心x坐标，矩形框中心y坐标，车辆宽度w，车辆高度h]；删除难以人工标注的原始车辆图片；将得到的xml文件替换VOC2007数据集中Annotations文件夹内的文件；S2.3、根据步骤S2.2生成的xml文件，对应生成名称为train、test、trainval和val的txt文件，用这四个txt文件替换VOC2007数据集中Main文件夹内的txt文件；S2.4、初始化模型参数，下载预训练模型将其放在data文件夹下。S3、对步骤S2得到的原始训练数据集进行数据增强，形成最终训练数据集；具体流程如图2所示，先对原始训练数据集依次进行亮度随机调整、对比度随机调整、色相随机调整、饱和度随机调整、通道随机调换光学变换，再依次进行随机扩展、随机剪裁、随机镜像、随机到固定比例几何变换，最后进行去均值变换，得到最终训练数据集。S4、对FasterRCNN网络模型进行改进，改进的内容包括：1)对FasterRCNN网络模型的共享卷积网络VGGNet-16进行改进，改进后的结构如图4所示：将共享卷积网络VGGNet-16的第3层到第13层的3×3卷积修改为参数量较少的FireModule；FireModule的结构如图3所示，具体包括：S本文档来自技高网...

【技术保护点】
1.一种基于深度学习的车辆检测与识别的方法，其特征在于，包括如下步骤：/nS1、采集原始车辆图片数据；/nS2、制作原始训练数据集；/nS3、对步骤S2得到的原始训练数据集进行数据增强，形成最终训练数据集；/nS4、对Faster RCNN网络模型进行改进，改进的内容包括：/n1)对Faster RCNN网络模型的共享卷积网络VGGNet-16进行改进：/n将共享卷积网络VGGNet-16的第3层到第13层的3×3卷积修改为Fire Module；/n2)在原有的Faster RCNN网络模型的RPN网络的基础上增加6个更小的anchors，即Faster RCNN网络模型在特征图的每一像素点上抽取15种Anchors,具体尺度为(128

【技术特征摘要】
1.一种基于深度学习的车辆检测与识别的方法，其特征在于，包括如下步骤：
S1、采集原始车辆图片数据；
S2、制作原始训练数据集；
S3、对步骤S2得到的原始训练数据集进行数据增强，形成最终训练数据集；
S4、对FasterRCNN网络模型进行改进，改进的内容包括：
1)对FasterRCNN网络模型的共享卷积网络VGGNet-16进行改进：
将共享卷积网络VGGNet-16的第3层到第13层的3×3卷积修改为FireModule；
2)在原有的FasterRCNN网络模型的RPN网络的基础上增加6个更小的anchors，即FasterRCNN网络模型在特征图的每一像素点上抽取15种Anchors,具体尺度为(1282、2562、5122、322、642)和3类长宽比(1:1，2:1，1:2)；
3)用ROIAlign代替原有的FasterRCNN网络模型中的ROIPooling；
4)采用多尺度训练作为FasterRCNN网络模型的训练方式；
S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的FasterRCNN网络模型进行训练；
S6、把需要检测的车辆图像输入训练后的预测模型中，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与识别的方法，其特征在于，步骤S2的具体过程如下：
S2.1、下载VOC2007...

【专利技术属性】
技术研发人员：樊宽刚，李娜，陈宇航，杨杰，杨斌，
申请(专利权)人：江西理工大学，
类型：发明
国别省市：江西;36