[发明专利]一种基于深度卷积神经网络的小目标快速检测方法

说明书

技术领域

本发明属于自动汽车驾驶领域和高级驾驶辅助系统领域，具体涉及一种基于深度卷积神经网络的小目标快速检测方法。

背景技术

自动驾驶汽车(Autonomous vehicles driving,AVD)，又称无人驾驶汽车、电脑驾驶汽车或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类操作时自动安全地操作机动车辆。高级驾驶辅助系统技术领域派生于并服务于自动汽车驾驶技术领域，高级驾驶辅助系统(Advanced Driver Assistant System,ADAS)有车道保持辅助系统、自动泊车辅助系统、刹车辅助系统、倒车辅助系统和行车辅助系统。不难发现，每个子系统都离不开小目标(车道线、行人、小型障碍物、交通标识符等)的检测，高级驾驶辅助系统首先通过安装在车上的图像传感器收集车内外的环境数据，然后进行物体的检测、识别与跟踪，从而预知危险提前预警，保证驾驶员安全驾驶。目前车道线的精准检测和定位是自动汽车驾驶和高级驾驶辅助系统技术领域的瓶颈，利用图像传感器获得的数据判断车道线是否存在、以及车道线出现的准确位置是车道线检测技术的关键，也是本发明要解决的问题。

自动汽车驾驶和高级驾驶辅助系统发展至今，各种车道线检测技术层出不穷，目前现有的车道线检测方法主要有两类，一类是基于特征的方法，另外一类是基于模型的方法。

基于特征的车道线检测方法主要利用车道线的特征识别车道线，例如颜色、纹理、形状、几何以及手工设计的haar-like等特征，这类方法速度快，但是准确度低。随着神经网络的发展，基于模型的车道线检测方法逐渐崛起，并且发展迅速，因其较高的鲁棒性和准确性成为目前的主流方法。这类方法包括训练和测试两部分，首先采集大量数据对设计的深度神经网络模型模型进行训练，数据集的大小和多元化综合决定了训练深度神经网络模型的好坏。在得到训练好的深度神经网络车道线模型后，在新的测试序列中，用车道线模型识别车道线并给出识别的置信度。实验证明基于模型的方法效果较好，但是由于神经网络有大量的卷积操作，在模型的训练、测试以及使用中计算量和内存占用量都非常大，对硬件的要求非常高，而且实时效果差，不适合交通场景嵌入式产品的开发和应用，目前大多数专家正在致力于提升该方法的速度和精度。本发明也是基于此类方法针对车道线等小目标的检测做出了改进。

发明内容

本发明提出一种基于深度卷积神经网络的小目标快速检测方法，该方法能够降低计算复杂度，提高小目标的检出率。

本发明基于深度卷积神经网络的小目标快速检测方法，包括训练和测试两部分，具体步骤为：

(1)采集训练数据并对训练数据进行预处理；

步骤(1)的具体步骤为：

(1-1)架设图像传感器，获得需提取小目标的彩色图像；

(1-2)对训练数据进行清洗，去除外观模糊和被遮挡的无效目标，以便提高训练数据的多样性和训练过程的效率；

(1-3)使用自有标定工具将彩色图像中的小目标轮廓标定出来；

(1-4)对训练数据进行扩展，得到足够的训练数据，以克服手工标定的训练数据数量有限的缺点。

(2)利用预处理的训练数据对网络进行训练，得到小目标分类器模型；

步骤(2)的具体步骤为：

(2-1)预训练(Pre-train)阶段：采用ImageNet数据库训练得到VGG16网络；

(2-2)微调(Fine-tuning)阶段：以VGG16网络为基础，利用预处理的训练数据进行网络训练，得到小目标分类器模型；

步骤(2-2)的具体步骤为：

(2-2-1)选择VGG16网络最后一个共享卷积层(5-3卷积层)的卷积特征图上滑动窗口作为候选框，且采用半像素精度滑动窗；

(2-2-2)在VGG16网络结构的基础上，删除第五池化层，保留其他卷积层和池化层；增加一个卷积核为3x3的卷积层；用两个卷积核为1x1卷积层替代网络中所有的全连接层，得到改进的VGG16网络结构；

(2-2-3)使用选定的候选框利用改进的VGG16网络结构进行网络训练，得到小目标分类器模型。