[发明专利]一种复杂场景下的车辆检测方法及系统

说明书

本发明公开了一种复杂场景下的车辆检测方法及系统，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、ROI pooling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。本发明的一种复杂场景下的车辆检测方法及系统与现有技术相比，通过设计基于深度学习的车辆检测方法，完成智慧停车，能够极大的节省成本，实用性强，适用范围广泛，易于推广。

技术领域

本发明涉及计算机视觉技术领域，具体地说是一种复杂场景下的车辆检测方法及系统。

背景技术

作为交通科技领域“十三五”规划布局的重点专项之一，智慧交通被认为是保障交通安全、缓解拥堵难题、减少交通事故的有效办法。随着人们生活水平的提高，家用车辆越来越多，使得停车难问题日渐凸显。而智慧停车是解决停车难，实现智慧交通的重要环节。在实现智慧停车过程中，最重要的环节就是车辆检测。现有的智慧停车大部分都是安装大量的地磁感应装置或者大量的摄像头来实现的。虽然现有方案已经日趋成熟，然而这些方案的成本较高。

近年来，深度学习技术在目标检测领域取得了极大的成功。相比较传统的目标检测方法，基于深度学习的目标检测框架能够从大数据中更好的学习目标的特点，取得了更高的检测精度。现有的主要框架有RCNN，faster-RCNN，YOLO，SSD等经典算法。虽然这些算法能够取得较好的效果，然而在复杂场景下效果较差。比如某摄像头拍摄的一幅停车场的图像，经典的算法SSD只检测出了图像中极少量的车辆。原因是图像中存在大量的小目标(车辆)，且图中存在其他复杂的背景因素，例如有些车辆被树叶遮挡，有些车辆的摆放形态多变等。因此，如何针对复杂场景下的特点，基于深度学习框架设计精确的车辆检测方法，对于极大地降低企业成本，具有重要的意义。

发明内容

本发明的技术任务是针对以上不足之处，提供一种复杂场景下的车辆检测方法及系统。

一种复杂场景下的车辆检测方法，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、ROI pooling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；

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regionproposal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ROI pooling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。

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。

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；