一种基于深度学习的车辆稠密目标检测方法技术

本发明专利技术公开了一种基于深度学习的车辆稠密目标检测方法，包括S1、构建并训练多尺度降维卷积特征提取网络；S2、通过多尺度降维卷积特征提取网络提取待检测图像的多尺度降维特征图；S3、基于历史图像，生成先验知识锚框；S4、生成待检测图像中的所有目标候选区域；S5、对目标候选区域进行ROIpooling处理，获得具有车辆稠密目标检测结果。本发明专利技术考虑了稠密目标尺度差异大的特点，在faster

【技术实现步骤摘要】
一种基于深度学习的车辆稠密目标检测方法


[0001]本专利技术属于智能交通
，具体涉及一种基于深度学习的车辆稠密目标检测方法。

技术介绍

[0002]随着我国现代化建设进程的加快，城市基础设施的建设速度根本无法满足经济高速增长的需求，人、车辆等目标拥挤的情况经常出现，由此所带来的交通安全、道路堵塞、环境污染等问题日益凸显。造成事故多发的主要原因之一就是道路通行流量大，车辆拥挤、违规混行，与车辆的密集程度有着直接关系。实际场景中密集分布的车辆不仅会直接导致交通事故的发生，还会影响到城市基础设施的服务能力。如果智能交通分析系统能够实时检测出稠密分布的车辆，进一步引导相关管理部门对车辆的异常行为、道路流量进行检查布控，并且及时给予提醒、预警，那么很大程度上能够避免道路拥堵和事故的发生，如何高效地分析稠密分布的车辆，保证出行安全、道路畅通已经成为智能交通分析系统急需解决的问题，这涉及到稠密目标检测技术。针对复杂的场景，提出更加切实高效的稠密车辆检测方案，已经成为智能交通的迫切需求，稠密目标检测技术还能够完成航拍遥感、卫星导弹对地面目标的检测任务，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车辆稠密目标检测方法，其特征在于，包括以下步骤：S1、构建并训练多尺度降维卷积特征提取网络；S2、通过训练好的多尺度降维卷积特征提取网络提取待检测图像的多尺度降维特征图；S3、基于具有车辆稠密目标识别结果的历史图像，生成先验知识锚框；S4、基于多尺度降维特征图和先验知识锚框，利用RPN网络生成待检测图像中的所有目标候选区域；S5、基于先验知识锚框，对目标候选区域进行ROIpooling处理，获得具有车辆稠密目标检测结果。2.根据权利要求1所述的基于深度学习的车辆稠密目标检测方法，其特征在于，所述步骤S1的多尺度降维卷积特征提取网络包括依次连接的特征提取子网络、多尺寸降维卷积子网络和跨层信息融合子网络；所述特征提取子网络为以ResNet
‑
50网络为基本结构构建的残差网络，用于提取输入图像的特征，获得尺度不同的特征图C3和特征图C4，并通过对特征图C3进行2倍上采样处理获得特征图F3；所述多尺寸降维卷积子网络用于特征图C4进行信息提纯处理，获得特征图F4；所述跨层信息融合子网络用于对特征图F3和F4进行融合处理，获得多尺度降维特征图F。3.根据权利要求2所述的基于深度学习的车辆稠密目标检测方法，其特征在于，所述多尺寸降维卷积子网络包括依次连接的输入层、并行的五个网络分支及与特征串联层；所述输入层为4倍的上采样层，其输出维度为256；在并行的五个网络中，第一分支为第一1
×
1卷积层，输出维度为64；第二分支包括依次连接的第一3
×
3卷积层和第二1
×
1卷积层，输出维度为32；第三分支包括依次连接的第三1
×
1卷积层和第二3
×
3卷积层，输出维度为96；第四分支包括依次连接的第四1
×
1卷积层和5
×
5卷积层，输出维度为32；第五分支包括依次连接的第五1
×
1卷积层和7
×
7卷积层，输出维度为32；所述特征串联层按照五个网络分支的输出顺序对其输出的图像进行串联融合，获得特征图F4。4.根据权利要求2所...

【专利技术属性】
技术研发人员：吴晓，张基，向重阳，谭舒月，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：