[发明专利]一种基于轻量化神经网络的复杂环境下车辆检测方法

权利要求书

1.一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：包括以下步骤：

1)获取样本图像，并对样本图像进行预处理；

2)搭建网络并经过输出格式设计、真实框聚类及优化操作后从而完成网络训练；

3)网络测试，利用经过网络训练的网络对待检测的样本图像进行检测，并输出检测结果。

2.根据权利要求1所述的一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：所述步骤1)包括以下具体步骤；

1.1)从道路视频中获取视频截图，形成样本图像，并保存到images文件夹下；

1.2)按照70～80％、20～30％的比例将所有样本图像分成训练集，测试集，并分别存放在train文件夹和test文件夹下；

1.3)对train文件夹下的样本图像进行真实标签标注，将出现的车辆标记上矩形框，并将矩形框的坐标信息经过归一化处理后保存为xml文件；

1.4)将训练集和测试集进行缩放、增强操作，完成格式化数据。

3.根据权利要求1或2所述的一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：所述网络包括23个卷积操作和一个Detection层，23个卷积操作包括一个单独的CONV操作和11组CONV/CONV_DW操作。

4.根据权利要求3所述的一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：每一组所述CONV/CONV_DW操作中的CONV操作的卷积核的大小为1×1且步长为1；每一组所述CONV/CONV_DW操作中的CONV_DW操作的卷积核大小为3×3，且第2、4、6层操作中的步长为2，其余步长为1。

5.根据权利要求3所述的一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：所述单独的CONV操作的卷积核大小为3×3，且步长为2。

6.根据权利要求3所述的一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：所述Detection层能够将经过卷积操作后所得的特征矩阵分成14x14的网格，以网格上中点为中心，生成一些列同心的默认框。

7.根据权利要求1或2或4或5或6所述的一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：所述网络采用Adam来最大化或最小化损失函数。

8.根据权利要求6所述的一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：在进行所述真实框聚类时，对训练集中样本图像的所有车辆进行聚类，选择k个结果作为默认框初始大小用于辅助网络的训练和预测。

9.根据权利要求1或2或4或5或6所述的一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：在进行输出格式设计时，所述网络的输出维度为S*S*(B*(5+C))，其中，S*S为输入的样本图像经过卷积操作后的大小，B为边界框的个数，5包含4个坐标信息和1个置信度得分，C为条件类别概率的个数。

10.根据权利要求2或4或5或6所述的一种基于轻量化神经网络的复杂环境下车辆检测方法，其特征在于：所述步骤3)包括以下具体步骤：

3.1)特征提取：采用test文件夹下的样本图像进行测试，将样本图像送入训练好的网络，产生14×14×36的特征矩阵，通过置信度阈值过滤无效的默认框，而后通过非极大值抑制将单个目标附近的多个大小不一且相互交叠的默认框进行合并；

3.2)结果输出：

得到合并的默认框之后，将其所包含的系列坐标通过txt文件保存到本地并将其画在原图上进行显示；最后将画有框的图片保存在本地，作为检测结果。