[发明专利]一种用于交通监控的车辆检测方法

权利要求书

1.一种用于交通监控的车辆检测方法，对交通监控图片中的车辆进行检测，其特征在于，包括如下步骤：

S1、首先将收集到的交通监控图片拆分成上下两部分，上半部分图片的车辆离监控摄像头较远，车辆呈现小而模糊的状态，裁剪出其中的车辆并标注车辆类别信息，组成第一训练样本集；下半部分图片的车辆离监控摄像头较近，车辆呈现大而清晰的状态，直接在下半部分图片中标注出车辆类别信息和位置信息，并组成第二训练样本集；

S2、构建并训练卷积神经网络：

i)构建含有10层的卷积神经网络，10层依次是卷积层Conv1，卷积层Conv2，最大池化层MaxPool3，卷积层Conv4，卷积层Conv5，卷积层Conv6，最大池化层MaxPool7，全连接层Fc8，全连接层Fc9，输出层out 10；

ii)输入第一训练样本集，训练卷积神经网络，直到卷积神经网络的损失函数≤0.0001，得到经过训练的卷积神经网络；

S3、构建并训练YOLO神经网络：

i)构建含有11层的卷积神经网络，11层依次是卷积层Conv1，卷积层Conv2，最大池化层MaxPool3，卷积层Conv4，卷积层Conv5，卷积层Conv6，卷积层Conv7，最大池化层MaxPool8，全连接层Fc9，全连接层Fc10，输出层out11；

ii)输入已标注出车辆类别信息和位置信息的第二训练样本集，训练YOLO神经网络，直到YOLO神经网络的损失函数≤0.0001，得到经过训练的YOLO神经网络；

S4、检测过程中，将整张交通监控图片拆分成上下两部分，上部分利用滑动窗口采样图片，将其输入步骤S2中卷积神经网络，检测出上半部分中的车辆；将下半部分直接输入步骤S3中YOLO神经网络，检测出下半部分中的车辆；结合经过训练的卷积神经网络输出结果和经过训练的YOLO神经网络输出结果，检测出整张交通监控图片中的车辆。

2.根据权利要求1所述的用于交通监控的车辆检测方法，其特征在于，步骤S2所述的卷积神经网络是一种深度学习理论基础上的权值共享多层神经网络；卷积神经网络由输入图像、隐藏层和输出层组成：

卷积神经网络的输入图像为标注车辆类别信息的RGB图像；

卷积神经网络的隐藏层由5个卷积层，2个最大池化层和2个全连接层组成；其中，卷积层主要进行卷积操作和利用线性修正激活函数ReLU修正特征图；最大池化层主要进行下采样操作；全连接层主要进行加权输入和激活操作，具体表现形式如下：

a.卷积层的表现形式为：

式(1)中，f(·)为线性修正激活函数ReLU；表示第l卷积层的第j个神经元输出值；表示第l-1卷积层的第i个输入神经元的输出值；为卷积核；M_j代表选择的输入特征图的集合；是偏置量；

b.最大池化层的表现形式为：

式(2)中，代表第l最大池化层的第j个输出值，X″^l-1表示第l-1层中的待池化输入值；

c.全连接层的表现形式为：

式(3)中，f(·)为线性修正激活函数ReLU；表示第l全连接层的第j个神经元的输出值；表示前一层的第i个神经元的输出值；为权重；m等于前一层的神经元个数；是偏置量；

卷积神经网络的输出层是Softmax函数，其中神经元个数与第一训练样本集中的类别数相等。

3.据权利要求1所述的用于交通监控的车辆检测方法，其特征在于，步骤S3所述的YOLO神经网络是一种基于卷积神经网络的目标检测网络；YOLO神经网络由输入图像、隐含层和输出层组成：

YOLO神经网络的输入图像为标注车辆类别信息和位置信息的RGB图像；

YOLO神经网络的隐藏层由6个卷积层，2个最大池化层和2个全连接层组成；各层操作方式与卷积神经网络相同；

YOLO神经网络的输出层的神经元个数为(5*num+classed)*size*size；输出结果构成一个三维矩阵，其中，classed为第二训练样本集中的类别数，size代表YOLO神经网络将输入图片拆分成size*size个网格，num代表每个网络预测的包围框数。