[发明专利]一种复杂场景下的车辆检测方法及系统

权利要求书

1.一种复杂场景下的车辆检测方法，其特征在于，基于快速区域卷积神经网络，该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROIpooling层、全连接层和输出层，其实现过程为：

首先设计复杂区域拆分单元，将复杂场景划分成若干简单场景，所述复杂区域拆分单元将复杂场景划分为简单场景的过程为：在复杂区域拆分单元中配置两个层，第一个层为复杂区域选择层，该复杂区域选择层通过人工设置由1和0构成的卷积，将复杂的区域进行划分，划分为若干简单的区域；第二个层为简单区域提取层，根据上一层卷积的结果，将非0的元素提取出来；

将复杂区域拆分单元加入到快速区域卷积神经网络中的输入层后，接收来自输入层输入的图像；

将复杂区域拆分单元的输出分别连接到快速区域卷积神经网络的region proposal层、卷积层，来分别学习候选的proposal、局部特征，且卷积层输出特征到池化层进行采样；

将池化层的特征与region proposal层的候选特征进行融合，输入到ROIpooling层，将特征归一化到相同的长度；

最后再输入到全连接层，全连接层的输出作为最后的特征，通过优化目标函数，获得复杂性区域拆分卷积神经网络的参数，从而进行车辆检测。

2.根据权利要求1所述的一种复杂场景下的车辆检测方法，其特征在于，所述优化目标函数通过配置权重实现，其实现过程为：

1)在输入图像进行训练时，设置图像中每个车辆的权重，在训练过程中，被遮挡的车辆的权重大于未被遮挡的车辆的权重；

2)进行迭代优化，不断更新权重，根据训练精度，被分错的样本的权重大于分对样本的权重；

3)最后，通过随机梯度下降优化公式，求解复杂性区域拆分卷积神经网络的参数，使得复杂性区域拆分卷积神经网络可用，当来一幅图像时，将图像直接输入到复杂性区域拆分卷积神经网络，即可得到检测结果。

3.根据权利要求2所述的一种复杂场景下的车辆检测方法，其特征在于，所述步骤1)中设置图像中每个车辆的权重通过以下公式实现：

在上式中，变量x表示图像中的一个车，变量q表示未被遮挡的车辆的个数，变量p表示被遮挡的车辆的个数，Ω_C表示被遮挡的车辆集合，Ω_B表示未被遮挡的车辆集合。

4.根据权利要求2所述的一种复杂场景下的车辆检测方法，其特征在于，所述步骤2)进行迭代优化时权重更新通过以下公式实现：

在上式中，变量u_n-1表示上一次迭代时样本x的权重，acc表示被上次迭代中目标检测的正确率，Ω_err表示上次迭代中被错误检测的车辆集合，Ω_acc表示上次迭代中被正确检测的车辆集合。

5.根据权利要求2所述的一种复杂场景下的车辆检测方法，其特征在于，所述步骤3)中通过以下随机梯度下降优化公式来求解复杂性区域拆分卷积神经网络的参数w：

Min u_i(y_i-w^Tx_i)²+||w||₂；

其中，y_i是第i个样本的标记，x_i是第i个样本的全连接层输出的特征。

6.一种复杂场景下的车辆检测系统，其特征在于，基于快速区域卷积神经网络，该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROIpooling层、全连接层和输出层，该系统中还配置有复杂区域拆分层，所述复杂区域拆分层用于将复杂场景划分成若干简单场景并连接在输入层后，所述复杂区域拆分层的输出连接到region proposal层和卷积层，卷积层的输出连接到池化层，池化层、region proposal的输出均连接到ROI pooling层，所述ROI pooling层顺序连接全连接层、输出层后输出检测结果，所述复杂区域拆分层中配置两个分层，第一个分层为复杂区域选择层，该复杂区域选择层通过人工设置由1和0构成的卷积，将复杂的区域进行划分，划分为若干简单的区域；第二个分层为简单区域提取层，根据上一分层卷积的结果，将非0的元素提取出来。