[发明专利]一种用于交通监控的车辆检测方法

说明书

一种用于交通监控的车辆检测方法，包括步骤：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；S3、构建并训练YOLO神经网络；S4、结合卷积神经网络和YOLO神经网络输出结果，检测出整张交通监控图片中的车辆。本发明能够同时克服检测卷积神经网络检测速度较慢和YOLO神经网络召回率低的缺点，快速准确地检测出交通监控中的车辆。

技术领域

本发明属于车辆图像检测领域，具体涉及一种用于交通监控的车辆检测方法。

背景技术

近年来随着车辆的增多，交通道路的拥堵情况越来越严重，因此交通部门对能够实时检测各条道路上的行驶车辆数量的技术需求显得愈加强烈。传统上采用的人工检测的方式既消耗人力又缺乏准确率。并且当前的主流的基于机器视觉的车辆检测方法仅在静态图片中有较好的性能表现，而在动态视频中的性能表现不能够满足技术需求。

现有的车辆检测方法主要有以下几种：

1、HOG特征检测：HOG检测法特征是一种在计算机视觉和图像处理中用来进行车辆检测的特征描述。它通过计算和统计图像局部区域的梯度方向直方图来构成特征，然后将HOG特征与SVM分类器相结合进行车辆检测。HOG特征检测具有较高的检测速率，但HOG特征检测对环境噪声较为敏感，鲁棒性较差。

2、卷积神经网络：卷积神经网络主要由多个卷积层、池化层和全连接层组成，其中，卷积层用于提取图片中车辆的特征；池化层用于降低维度，减小运算量；全连接层用于特征分类。卷积神经网络的训练样本需要标注类型信息才能用于训练。卷积神经网络法具有较高的识别率以及较强的鲁棒性。由于卷积神经网络主要用于物体识别任务，因此通常需要结合滑动窗口才能完成检测任务。而为了保证检测任务的召回率，滑动窗口步数通常较小，从而降低了卷积神经网络在检测任务中的检测速度。

3、YOLO神经网络：YOLO神经网络的主体部分也是卷积神经网络，但YOLO神经网络可以直接完成车辆检测任务。YOLO神经网络的训练样本不光需要标注图片中样本的类别信息还要标注位置信息。在检测过程中，将图片分割成若干网格，然后每个网格直接预测车辆所在位置的边界框和物体为车辆的概率。YOLO神经网络法具有很快的检测速率，满足视频检测的速率要求。但检测结果的召回率通常不如卷积神经网络，主要表现为容易漏检视频中的小物体。

由此可见，车辆检测技术在静态图片中具较好地表现。但受检测速率、准确率以及召回率的影响，现有方法在视频方面仍存在着很多技术难题。因而基于视频的车辆检测技术仍是国内外一些科研机构重要的研究课题。

发明内容

本发明要解决的技术问题是，针对现有车辆检测方法存在的上述不足，提供一种用于交通监控的车辆检测方法，同时克服检测卷积神经网络检测速度较慢和YOLO神经网络召回率低的缺点，快速准确地检测交通监控中的车辆，具有较高速率、准确率和召回率。

本发明为解决上述技术问题所采用的技术方案是：

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，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：