[发明专利]一种基于深度学习的车辆检测方法

权利要求书

1.一种基于深度学习的车辆检测方法，其特征在于，包括以下步骤：

步骤S1：将带有车辆品牌标注信息的车辆数据库进行去均值处理，选取ImageNet数据库训练好的深度学习模型作为基本网络模型，在基本网络模型的基础上用去均值的车辆数据库采取微调的方式训练网络，得到最终用于车辆检测的深度学习网络；

步骤S2：将待检测图像缩放到固定尺寸，并对待检测图像进行去均值处理，得到去均值的待检测图像；

步骤S3：将去均值的待检测图像送入深度学习网络中，经过卷积层、池化层、全连接层得到最大分类概率，依据最大分类概率得到对应的全连接层的权值；

步骤S4：将去均值的待检测图像输入到深度学习网络，在最后一层卷积层得到特征图结果，对特征图结果与步骤S3得到的权值逐个相乘，将相乘后的多张特征图结果进行像素值相加，并进行归一化操作，得到最终的特征图结果；

步骤S5：将得到的最终的特征图结果与原始的待检测图像进行图像融合，依据图像处理中的自适应阈值选取，设定图像阈值找到融合后的图像的像素值大于阈值的区域，即最大响应区域，然后依据轮廓查找找到响应最大区域的外接矩形，实现车辆的精确定位和检测。

2.根据权利要求1所述的一种基于深度学习的车辆检测方法，其特征在于，所述步骤S1中微调的步骤包括：固定卷积层的学习率为0.01，将全连接层的学习率调整至0.001，依据训练图像数量＝迭代次数*批处理次数，修改迭代次数，批处理次数选为128或64。

3.根据权利要求1所述的一种基于深度学习的车辆检测方法，其特征在于，所述步骤S1中车辆数据库去均值的步骤包括：对车辆数据库中每张图像进行每个位置的像素值累加，然后除以图像总数，得到均值图像，车辆数据库中每张训练图像均减去所述均值图像，得到去均值的车辆数据库数据。

4.根据权利要求1所述的一种基于深度学习的车辆检测方法，其特征在于，所述步骤S2的方法为：图像缩放尺寸的选取依据网络结构；缩放方法的选取为最近邻插值或双线性插值；去均值的方法为：对车辆数据库中每张图像进行每个位置的像素值累加，然后除以图像总数，得到均值图像，待检测图像减去所述均值图像得到去均值的待检测图像。

5.根据权利要求1所述的一种基于深度学习的车辆检测方法，其特征在于，所述步骤S3获得最大分类概率的权值的方法包括：

步骤S31：将去均值的待检测图像输入深度学习网络；

步骤S32：去均值的待检测图像依次经过不同的卷积核的卷积层，通过二维卷积核对图像进行二维离散卷积，得到卷积层特征图；

步骤S33：将步骤S32中得到的卷积层特征图输入到池化层，对特征图大小进行压缩，池化方法为平均值池化，压缩尺寸选取为2倍窗口，输出池化层特征图；

步骤S34：将去均值的待检测图像输入至深度学习网络中，重复上述S31、S32步骤至池化层特征图大小为7*7，其中卷积层的卷积核大小分别为7*7，5*5，3*3，依次递减，池化层选取为2倍窗口大小；

步骤S35：将步骤S34中的7*7大小的特征图输入全连接层，连接所有的特征，将输出值输入至分类器中，得到最大分类概率；

步骤S36：依据最大分类概率值，获得全连接层的对应的权值。

6.根据权利要求5所述的一种基于深度学习的车辆检测方法，其特征在于，所述步骤S35中分类器选取为：Softmax分类器；得到最大分类概率的方法为：遍历分类结果，找到最大值。

7.根据权利要求1所述的一种基于深度学习的车辆检测方法，其特征在于，步骤S4中权值叠加的方法为：将对特征图中的每张特征图都乘以对应的权值，得到新的特征图，然后累加这组新的特征图，将累加结果除以255进行归一化处理得到最终的特征图结果。