一种基于轻量化深度学习网络的车辆检测方法技术

本发明专利技术公开了一种基于轻量化深度学习网络的车辆检测方法。本发明专利技术采集道路车辆原始视频，获得道路车辆图像数据集；引入PSO粒子群算法，改进粒子适应度函数，优化车辆标注框宽高尺寸；采用距离交并比(DIOU)作为度量标签相似性的指标，结合PSO粒子群算法和K

【技术实现步骤摘要】
一种基于轻量化深度学习网络的车辆检测方法


[0001]本专利技术属于图像识别目标检测
，尤其涉及一种基于轻量化深度学习网络的车辆检测方法。

技术介绍

[0002]近年来，随着交通建设进一步加快速度，城市路网越来越复杂，对出现在道路上的交通对象的检测需求逐渐加大，在精准度和检测速度方面都有了更高要求。与此同时，随着计算机硬件的飞速发展，计算机的大规模计算能力得到了前所未有的提升使得基于深度学习的目标检测算法逐渐成为了主流。但是深度网络模型往往涉及巨大的参数计算量，以至于不能满足实时检测所需的检测速度的高要求，如何在保证精度的情况下，进一步提高模型检测速度成为目标检测算法优化的关键。
[0003]目前已有的算法主要归为两类，一类是two
‑
stage的RCNN系列算法，该算法分为两个阶段，第一阶段产生候选区域，然后将生成的候选区输入到第二个阶段，对该候选区域中可能存在的目标物体进行分类处理并对候选框做边框回归以调整其位置，包括RCNN、Fast RCNN、Faster RCNN等算法，而此系列算法虽保证了精度，但检测速度却较慢；另一类是one
‑
stage算法，该算法省掉了候选区域的生成阶段，对于输入的图像进行处理后就能直接输出目标物体的类别概率和位置坐标，包括SSD、YOLO系列算法，而该系列算法虽提升检测速度，却丧失了部分精度，在小范围的信息上表现较差。现有的网络模型在现实的检测环境中都能辨别和分类交通目标，却无法满足日益增加的检测速度的需求，并且目前较大的模型都存在计算参数多、内存占用大等问题，不能很好的满足大范围应用的需求。

技术实现思路

[0004]为了克服上述现有技术的不足，本专利技术提供一种基于轻量化深度学习网络的车辆检测方法及系统，通过降低参数量，简化计算来解决一般基于深度学习的目标检测算法所占内存多，参数量多、计算复杂的问题，使得检测网络具有较快的检测速度，同时通过提高先验框的质量的方式可使得目标检测网络能保持较高检测精度，满足实时识别交通场景中车辆类别和位置的需求。
[0005]本专利技术提出了一种结合PSO粒子群优化算法和K
‑
means聚类算法来优化车辆数据集图像先验框的尺寸计算的方法，并引入距离交并比(DIOU)作为车辆矩形标注框和车辆先验框的相似度指标，加速K
‑
means聚类算法和PSO粒子群优化算法的收敛，得到最优的车辆数据集图像先验框尺寸，辅助YOLOv3深度学习网络生成精准的目标预测框。同时，在YOLOv3算法的残差模块采用深度可分离卷积网络进行修改，可以在提高算法的检测精度的前提下大规模减少运算参数量，缩减模型所占内存，进一步提升算法的检测速度，实时检测交通场景中车辆类别及所处位置。
[0006]为了实现上述目的，本专利技术的技术方案为一种基于轻量化深度学习网络的车辆检测方法，其特征在于，包括以下步骤：
[0007]步骤1：通过道路监控摄像头采集车辆初始视频并传送至计算处理主机进行帧提取得到多幅道路车辆图像；人工标注每幅道路车辆图像中每个车辆标注框，并进一步人工标注每幅道路车辆图像中每个车辆标注框中车辆类别；提取每幅道路车辆图像中每个车辆标注框宽度以及每幅道路车辆图像中每个车辆标注框高度形成宽高数据集；
[0008]步骤2：引入PSO粒子群优化算法，以标注框宽高尺寸作为待寻优变量，改进粒子适应度函数，利用PSO算法的全局搜索能力得到优化的K个标注框宽高尺寸；
[0009]步骤3：将优化的K个标注框宽高尺寸作为K
‑
means聚类算法所要生成的先验框的初始值，计算每个标注框与生成的每个先验框的距离交并比值，通过K
‑
means聚类算法进行聚类生成聚类优化后的先验框宽高尺寸；
[0010]步骤4：将深度可分离卷积添加至YOLOv3深度学习网络的的Res残差模块，得到轻量化的YOLOv3深度学习网络，将K
‑
means和PSO算法优化后得到的适合本数据集的先验框宽高尺寸数据和车辆图像数据集输入至轻量化YOLOv3深度学习网络进行训练，得到训练后的轻量化YOLOv3深度学习网络模型；
[0011]步骤5：将实时采集的交通视频传送至计算处理主机进行帧提取得到多幅实时道路车辆图像，进一步运用训练后的轻量化YOLOv3深度学习网络模型预测获得多幅实时道路车辆图像中的车辆预测框、预测框中车辆的类别。
[0012]作为优选，步骤1中所述每幅道路车辆图像中每个车辆标注框为：
[0013]Box
m,n
＝(x
m,n
,y
m,n
,w
m,n
,h
m,n
),m∈[1,M],n∈[1,N][0014]步骤1中所述宽高数据集为：
[0015]Ф＝(v
m,n
,h
m,n
),m∈[1,M],n∈[1,N][0016]其中，Box
m,n
表示第m幅道路车辆图像中第n个车辆标注框，Ф表示所有车辆标注框宽高尺寸数据集合，x
m,n
表示第m幅道路车辆图像中第n个车辆标注框中心点横坐标，y
m,n
表示第m幅道路车辆图像中第n个车辆标注框中心点纵坐标w
m,n
表示道路车辆数据集中第m幅道路车辆图像中第n个车辆标注框宽度，h
m,n
表示道路车辆数据集中第m幅道路车辆图像中第n个车辆标注框高度。M表示道路车辆图像的数量，N表示每幅道路车辆图像中车辆标注框的数量；
[0017]步骤1所述每幅道路车辆图像中每个车辆外接矩形边框中车辆类别为：
[0018]type
m,n
,type
m,n
∈[1,3][0019]其中，type
m,n
＝1表示第m幅道路车辆图像中第n个车辆标注框中车辆类别为小轿车，type
m,n
＝2表示第m幅道路车辆图像中第n个车辆标注框中车辆类别为公交车，type
m,n
＝3表示第m幅道路车辆图像中第n个车辆标注框中车辆类别为货车；
[0020]作为优选，步骤2中的PSO算法优化得到K个标注框宽高尺寸的步骤为：
[0021]步骤2.1：从步骤1所述的每幅道路车辆图像所有的车辆标注框中随机选择K个标注框；
[0022]步骤2.2：将该K个标注框的宽高尺寸数据即c
k
＝(w
k
,h
k
)，k∈[1,K]作为PSO粒子群算法的粒子种群的中心点位置的初始值，并进行初始化；
[0023]其中,c
k
＝(w
k
,h
k
)表示随机选择的K个标注框的宽高尺寸数据，且)表示随机选择的K个标注框的宽高尺寸数据，且
[0024]步骤2.3：初始化粒子的速度V
k
＝0、个体最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化深度学习网络的车辆检测方法，其特征在于，包括以下步骤：步骤1：通过道路监控摄像头采集车辆初始视频并传送至计算处理主机进行帧提取得到多幅道路车辆图像；人工标注每幅道路车辆图像中每个车辆标注框，并进一步人工标注每幅道路车辆图像中每个车辆标注框中车辆类别；提取每幅道路车辆图像中每个车辆标注框宽度以及每幅道路车辆图像中每个车辆标注框高度形成宽高数据集；步骤2：引入PSO粒子群优化算法，以标注框宽高尺寸作为待寻优变量，改进粒子适应度函数，利用PSO算法的全局搜索能力得到优化的K个标注框宽高尺寸；步骤3：将优化的K个标注框宽高尺寸作为K
‑
means聚类算法所要生成的先验框的初始值，计算每个标注框与生成的每个先验框的距离交并比值，通过K
‑
means聚类算法进行聚类生成聚类优化后的先验框宽高尺寸；步骤4：将深度可分离卷积添加至YOLOv3深度学习网络的的Res残差模块，得到轻量化的YOLOv3深度学习网络，将K
‑
means和PSO算法优化后得到的适合本数据集的先验框宽高尺寸数据和车辆图像数据集输入至轻量化YOLOv3深度学习网络进行训练，得到训练后的轻量化YOLOv3深度学习网络模型；步骤5：将实时采集的交通视频传送至计算处理主机进行帧提取得到多幅实时道路车辆图像，进一步运用训练后的轻量化YOLOv3深度学习网络模型预测获得多幅实时道路车辆图像中的车辆预测框、预测框中车辆的类别。2.根据权利要求1所述的基于轻量化深度学习网络的车辆检测方法，其特征在于，步骤1中所述每幅道路车辆图像中每个车辆标注框为：B ox
m，n
＝(x
m，n
，y
m，n
，w
m，n
，h
m，n
)，m∈[1，M]，n∈[1，N]步骤1中所述宽高数据集为：Φ＝(w
m，n
，h
m，n
)，m∈[1，M]，n∈[1，N]其中，Box
m，n
表示第m幅道路车辆图像中第n个车辆标注框，Φ表示所有车辆标注框宽高尺寸数据集合，x
m，n
表示第m幅道路车辆图像中第n个车辆标注框中心点横坐标，y
m，n
表示第m幅道路车辆图像中第n个车辆标注框中心点纵坐标w
m，n
表示道路车辆数据集中第m幅道路车辆图像中第n个车辆标注框宽度，h
m，n
表示道路车辆数据集中第m幅道路车辆图像中第n个车辆标注框高度；M表示道路车辆图像的数量，N表示每幅道路车辆图像中车辆标注框的数量；步骤1所述每幅道路车辆图像中每个车辆外接矩形边框中车辆类别为：type
m，n
，type
m，n
∈[1，3]其中，type
m，n
＝1表示第m幅道路车辆图像中第n个车辆标注框中车辆类别为小轿车，type
m，n
＝2表示第m幅道路车辆图像中第n个车辆标注框中车辆类别为公交车，type
m，n
＝3表示第m幅道路车辆图像中第n个车辆标注框中车辆类别为货车。3.根据权利要求1所述的基于轻量化深度学习网络的车辆检测方法，其特征在于，步骤2中的PSO算法优化得到K个标注框宽高尺寸的步骤为：步骤2.1：从步骤1所述的每幅道路车辆图像所有的车辆标注框中随机选择K个标注框；步骤2.2：将该K个标注框的宽高尺寸数据即c
k
＝(w
k
，h
k
)，k∈[1，K]作为PSO粒子群算法的粒子种群的中心点位置的初始值，并进行初始化；其中，c
k
＝(w
k
，h
k
)表示随机选择的K个标注框的宽高尺寸数据，且
步骤2.3：初始化粒子的速度V
k
＝0、个体最优位置P
best
(k)及其对应的个体极值f(P
best
(k))、群体最优位置G
best
及其对应的全局极值f(G
bsst
)，粒子群种群规模为N，即粒子群共N个粒子p
j
，j∈(1，2，...，N)；步骤2.4：计算每个粒子p
j
到中心点c
k
＝(w
k
，h
k
)的距离交并比(DIOU)，改进粒子适应度函数，其适应度函数如下所述：步骤2.5：将适应度fit的计算结果进行比较，...

【专利技术属性】
技术研发人员：贺宜，鲁曼可，曹博，巴继东，李泽，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：