[发明专利]基于深度学习的车辆检测方法

说明书

本发明公开了一种基于深度学习的车辆检测方法，结合Edge Boxes和改进的Faster R‑CNN模型进行复杂环境中的车辆检测，首先使用Edge Boxes对图像进行处理，初步提取出较为准确的车辆候选区域；其次将候选区域输入到改进的Faster R‑CNN模型中进一步对车辆进行精定位并通过分类判别得到最终的检测结果。同时为了增强模型对于小尺寸车辆的检测能力以及模型的判别能力，将不同层的卷积特征组合起来，补充一些车辆的细节信息，并在训练阶段加入难负样本挖掘策略，使得模型更加关注困难样本，能够很好的将车辆与疑似车辆的背景区分开来。

技术领域

本发明属于计算机视觉识别技术领域，具体涉及一种基于深度学习的车辆检测方法。

背景技术

车辆检测是智能交通系统中一个不可或缺的重要环节，通过车辆检测方式采集有效的道路交通信息，获得交通流量、车速、道路占有率、车间距、车辆类型等基础数据，有目的地实现监测、控制、分析、决策、调度和疏导，实现交通资源的最大化，从而能够提升整个智能交通系统的健壮性及鲁棒性。当前主流的车辆检测方法通过HOG和SIFT等方法对车辆进行特征提取，并将其提取到的特征输入至支持向量机(SVM)，迭代器(AdaBoost)等分类器进行车辆检测。这类方法本质上都是依赖人工提取的特征，需要研究人员具有相当坚实的专业知识和大量的经验，并且设计的特征为低层特征，可分性较差，不但耗费时间精力，而且难以适应天气和光线等条件的变化，泛化能力差。

随着人工智能的发展，卷积神经网络替代了以上特征提取方法，可以灵活的在训练数据的驱动下根据不同的需求任务自动地去学习有用的特征来帮助算法完成检测和识别的任务。公开号为CN104036323A的专利公开了“一种基于卷积神经网络的车辆检测方法”，但是这类方法由于目标可能位于待检测图像的任何位置，而且目标的大小不确定，需要构建待检测图像的图像金字塔，在多个尺度上滑动窗口，以穷举的方式搜索目标的位置，导致候选区的数量庞大。所以，这类方法的检测速度非常慢，很难应用于实际工程中。

发明内容

本发明的目的是提供一种基于深度学习的车辆检测方法，解决了现有基于特征的车辆检测方法在复杂环境中易受光照、目标尺度和图像质量等因素影响，效率低下且泛化能力较差的问题。

本发明所采用的技术方案是，一种基于深度学习的车辆检测方法，具体按照以下步骤实施：

步骤1，构建带有标注和标签的图片库作为训练样本集和测试样本集；

步骤2，构建改进的Faster R-CNN模型，所述改进的Faster R-CNN模型由区域建议网络和改进的Fast R-CNN网络组成；

步骤3，利用Edge Boxes初步提取出较为准确的车辆候选区域；

步骤4，对改进的Faster R-CNN模型参数进行初始化；

步骤5，进行特征提取，对候选区域进行系列卷积、池化和非线性运算，得到特征图；

步骤6，利用RPN过滤掉不包含车辆区域的候选框，即，将步骤5提取的特征图矩阵输入到步骤2中构建的区域建议网络中，利用Softmax对提取到的特征进行分类判别过滤掉不包含车辆的候选框，并利用非极大值抑制算法去除多余的候选框，得到候选框集合C'。

步骤7，融合第三、第四和第五层卷积层特征对车辆进行描述，利用改进的Fast R-CNN模型对步骤6中RPN模型产生的候选框进行分类判别，得到图像中车辆所在的位置和所属类别；

步骤8，根据步骤7得到的结果划分用于训练的正负样本；

步骤9，根据实际输出与期望输出得到总体误差，利用反向传播算法和随机梯度下降算法，通过交替训练的方式对模型进行训练，依次调整每层神经网络的权值，最终得到改进的Faster R-CNN模型；