[发明专利]车辆检测方法、装置及监控设备

权利要求书

1.一种车辆检测方法，其特征在于，应用于监控设备，所述方法包括：

获取经筛选后的样本集，所述样本集包括训练样本集；

对初始训练模型的网络结构进行配置，得到配置后的初始训练模型；

从预先配置的ImageNet数据集中选择预设数量类数据集对所述配置后的初始训练模型中的分类网络进行预训练，得到预训练结果，所述预训练结果包括基于各类数据集训练得到的对应的分类模型和对应的分类准确率；

从所述预训练结果中选取分类准确率最高的分类模型作为预训练模型，并基于所述训练样本集对所述预训练模型进行迁移训练，得到目标检测模型。

2.根据权利要求1所述的车辆检测方法，其特征在于，所述对初始训练模型的网络结构进行配置，得到配置后的初始训练模型的步骤，包括：

对所述初始训练模型的特征提取网络进行配置，对深度可分离卷积后的输出特征按对应的通道进行均匀混合排列，并在深度可分离卷积和点卷积后，当输出的特征图和输入的特征图大小一致时，将深度可分离卷积的输入层和点卷积的输出层进行连接操作。

3.根据权利要求1所述的车辆检测方法，其特征在于，所述对初始训练模型的网络结构进行配置，得到配置后的初始训练模型的步骤，还包括：

对所述初始训练模型的特征提取网络进行优化，得到优化后的特征提取网络；

所述对所述初始训练模型的特征提取网络进行优化，得到优化后的特征提取网络的步骤，包括：

将所述初始训练模型的特征提取网络替换为基于MobileNet的特征提取网络；

对所述基于MobileNet的特征提取网络进行网络裁剪和特征图数量缩减，得到优化后的特征提取网络。

4.根据权利要求1所述的车辆检测方法，其特征在于，所述方法还包括：

对所述训练样本集进行聚类处理，获取所述训练样本集对应的高斯混合模型参数；

基于所述高斯混合模型参数对所述配置后的初始训练模型进行优化，得到优化后的初始训练模型。

5.根据权利要求4所述的车辆检测方法，其特征在于，所述对所述训练样本集进行聚类处理，获取所述训练样本集对应的高斯混合模型参数的步骤，包括：

获取混合的多个高斯分布模型，其中，假设所述经筛选后的样本集服从所述混合的多个高斯分布模型；

初始化高斯混合模型参数，并基于初始化的高斯混合模型参数计算所述训练样本集由每个所述高斯分布模型生成的概率；

根据所述训练样本集由每个所述高斯分布模型生成的概率估计并更新高斯混合模型参数；

基于更新后的高斯混合模型参数重复上述步骤，直到似然函数收敛时，根据计算出的高斯混合模型参数遍历所述训练样本集，将所述训练样本集中的样本归于概率最大的高斯混合模型中，同时将计算出的高斯混合模型参数作为所述训练样本集对应的高斯混合模型参数。

6.根据权利要求1所述的车辆检测方法，其特征在于，所述基于所述训练样本集对所述预训练模型进行训练，得到目标检测模型的步骤，包括：

获取所述训练模型的训练参数，其中，所述训练参数包括对所述训练样本集进行图像缩放的缩放参数、去均值参数、归一化参数、初始学习率以及已训练网络层的学习率；

基于所述训练参数将所述训练样本集输入到所述预训练模型中进行训练，得到目标检测模型。