[发明专利]车辆检测方法、装置及监控设备

说明书

本申请实施例提供一种车辆检测方法、装置及监控设备。首先，获取训练样本集和测试样本集，并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。接着，从预先配置的ImageNet数据集中选择预设数量类数据集对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。而后，从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，并基于训练样本集对预训练模型进行训练，得到目标检测模型。由此，本申请能够大大提升车辆检出率，具有较强的场景适应性及鲁棒性，同时大大减小了车辆检测模型大小，减少了检测时间。

技术领域

本申请涉及车辆检测领域，具体而言，涉及一种车辆检测方法、 装置及监控设备。

背景技术

随着社会经济的迅猛发展，汽车已经成为人们一种重要的出行工 具，地下停车场成了大型商场、医院、写字楼等公共场所的必备设施， 如何快速准确地检测出车位是否有车辆停放，从而有利于提高车位管 理，方便停车诱导，是本领域技术人员亟待解决的技术问题。

发明内容

为了克服现有技术中的上述不足，本申请的目的在于提供一种车 辆检测方法、装置及监控设备，以解决或者改善上述问题。

为了实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供一种车辆检测方法，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和测试样本 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训练，得到目 标检测模型。

可选地，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。

可选地，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。

可选地，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。

可选地，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训练 样本集服从所述混合的多个高斯分布模型；