[发明专利]基于卷积神经网络的道路目标检测方法

说明书

本发明公开了一种基于卷积神经网络的道路目标检测方法，旨在解决现有目标检测系统网络结构复杂、精确度不高、速度慢的技术问题。在本发明中，先制作道路目标的训练集和测试集，然后搭建TensorFlow深度学习框架，建立SSD目标检测模型结构，对道路目标图像进行特征提取，然后测试并利用损失函数优化检测模型，最后使用SoftMax算法进行分类得到检测结果。本发明的有益技术效果在于：网络结构简单、速度快并且检测精度高。

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于卷积神经网络的道路目标检测方法。

背景技术

道路目标检测是在道路场景图像中找出道路目标。随着辅助驾驶和无人驾驶的发展，道路目标检测作为必要的技术手段也需要有所突破。在驾驶中，车辆对周围目标物体感知能力的增强能够提高驾驶的安全性。所以，研究道路目标检测有很重要的意义。

早期的目标检测的研究在于研究人员手工提取目标特征进行组合，然后利用机器学习算法进行检测和识别。这种做法依赖于研究人员的经验，研究人员的提取特征的好坏直接影响检测的效果，而且这些特征对于不同的分类器在检测准确率上会有很大的影响，使检测模型缺乏泛化能力。

近些年，随着深度学习的发展，基于卷积神经网络的深度学习在图像识别、图像检测和图像分割等领域都取得了显著成就。与传统的处理方法相比，避免了对图像目标的手工提取特征，能够提高检测模型的泛化能力。道路目标检测的任务就是在道路复杂场景下，对图像上的目标进行分类检测，然后进行分别标定区域。在不同的场景下收集所需要检测的目标图像的数据集，从不同天气、白天黑夜和环境等不同场景对不同角度和大小的目标进行图像采集，保证数据集的多样性，然后通过对数据集的学习得到稳定的目标检测模型。

从2012年Krizhevsky等人在ImageNet挑战赛的表现点燃了深度学习的热潮，随后就被应用到了目标检测上。2014年R-CNN的提出，利用了提取物体区域的方法SelectiveSearch和AlexNet，最后在分类中采用SVM，取得了很好的效果。随后Kaiming He提出了能够解决R-CNN的卷积特征的重复计算量太大问题的SPP-net，舍弃了Selective Search，使所有区域共享卷积计算，2015年Ross Girshick进一步将提出Fast R-CNN，用softmax回归替代SVM分类器降低空间和时间的开销，之后Ross Girshick又集成Region ProposalNetwork(RPN)网络，提出了Faster R-CNN，这种方法虽然精度有所提高，但速度不够快；2016年YOLO的出现实现了端对端、多任务学习，检测速度快，但是其对小物体检测的精度一般。

发明内容

本发明要解决的技术问题是克服现有技术的不足提供一种设计简单、准确度高且速度快的道路目标检测方法。

为解决上述技术问题，本发明采用如下技术方案：

设计一种基于卷积神经网络的道路目标检测方法，包括以下步骤：

步骤1、制作道路目标的训练集和测试集；

步骤2、搭建TensorFlow深度学习框架并引入VGG网络结构，对道路目标图像进行特征提取，其中模型的配置利用SSD算法完成；

步骤3、结合ImageNet数据集，把多目标检测问题转换为道路目标检测，道路目标包括车辆、步行的人和骑行的人；

步骤4、用交叉熵代价函数作为置信度损失函数，并与预测框与真实框之间的位置损失函数进行加权求和，得到总体的损失函数对检测模型进行优化；

步骤5、对得到的特征利用SoftMax算法进行分类，得到训练后的检测模型；

步骤6、将待测道路图像输入步骤（6）中的检测模型进而得到检测结果。