基于深度卷积网络的非机动车检测和识别方法技术

本发明专利技术公开了一种基于深度卷积网络的非机动车检测和识别方法，首先自建非机动车数据集，并划分成训练集和测试集。然后建立基于深度学习的神经网络构架，将第一步划分的训练集放入网络中训练，从而得到训练好的深度卷积网络，最后将测试集送入训练好的深度卷积网络中测试。本发明专利技术通过基于深度卷积网络的方法来进行非机动车检测和识别，使得非机动车检测的精度更高。度更高。度更高。

【技术实现步骤摘要】
基于深度卷积网络的非机动车检测和识别方法


[0001]本专利技术涉及目标检测
，具体是一种基于深度卷积网络的非机动车检测和识别方法。

技术介绍

[0002]目标检测在计算机视觉领域占据十分重要的地位，它是通过图像去检测目标，即标注出图像中每个目标所属的类别及坐标。在近年的自动驾驶技术中，也需要用到这种技术。当车载摄像头采集到图像后，后台服务器可以将图像进行检测，从而达到规避行人的特点。目前图像检测技术极大部分采用的深度学习技术，但是基于深度学习的网络模型都有所侧重，专门用于非机动车检测和识别的方法较少。

技术实现思路

[0003]本专利技术的目的在于提供基于一种深度卷积网络的非机动车检测和识别方法，提升了非机动车检测的准确率和精度。
[0004]实现本专利技术目的的技术解决方案为：一种深度卷积网络的非机动车检测和识别方法，s1、建立起非机动车数据集，并划分成训练集，测试集和验证集；
[0005]s2、搭建起基于深度学习的目标检测网络；
[0006]s3、将训练集样本送入神经网络中训练，获得训练后的神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积网络的非机动车检测和识别方法，其特征在于，包括以下步骤：s1、建立起非机动车数据集，数据集中包含自行车数据和电动自行车数据，并划分成训练集，测试集和验证集；s2、搭建起基于深度学习的目标检测网络；s3、将训练集样本送入神经网络中训练，获得训练后的神经网络模型；s4、将训练好的神经网络模型分别送入测试网络获得测试结果；s5、将测试结果中最好的模型保存并应用。2.根据权利要求1所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：步骤s1中的训练集和测试集比例划分为4:1。3.根据权利要求1所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：步骤s2中深度神经网络包括特征提取网络、特征融合网络和输出网络；特征提取网络包括5个残差模块，每个残差模块都包含多个卷积模块，并且使用步长为2的卷积层进行下采样；特征融合网络包括3个融合模块，分别是其8倍下采样层、16倍下采样层和32倍下采样层；输出网络包含两个输出模块。4.根据权利要求3所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：卷积模块采用3*3卷积层和1*1卷积层的组合；卷积模块都采用的激活函数是Relu激活函数，且每个卷积模块都是卷积层加上激活函数加上批归一化层组合。5.根据权利要求3所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：所述特征提取网络中残差模块由三个卷积层组合形成，分别通过一个3*3卷积模块将通道数减少为原来的一半，再通过一个1*1卷积模块卷积，通过一个3*3卷积模块恢复通道数，最后将原始特征层与恢复通道数后的卷积层特征相加，获得新的特征层。6.根据权利要求3所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：特征融合网络分别采用其8倍下采样特征层A，16倍下采样特征层B，32倍下采样特征层C进行融合；首先特征C通过一个1*1卷积降低其通道数，再通过上采样将其特征层大小变为原来的两倍,生...

【专利技术属性】
技术研发人员：袁夏，叶佳林，赵春霞，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：