[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

说明书

本发明公开了一种基于轻量化神经网络的复杂环境下车辆检测方法，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；能够避免过多的重复计算，从而提高了检测速度，并且能够获得更好的车辆识别效果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、天气、遮挡、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。

技术领域

本发明涉及模式识别技术、交通监控技术等领域，具体的说，是一种基于 轻量化神经网络的复杂环境下车辆检测方法。

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。

车辆检测作为智能交通系统中的核心功能，车辆检测是使用技术手段提取 出道路上行驶车辆的位置信息。在基于视觉的解决方案中，分为基于视频与基 于静态图像两类，前者处理对象是摄像头获取的视频流，后者处理对象是摄像 头获取静态图像。

基于视频的车辆检测算法通常利用背景建模、光流法以及帧差法提取出车 辆位置信息。基于视频的车辆检测解决方案设计简单，针对简单场景路口的车 辆检测较好。但是这种解决方案的成本较高，一方面视频通信对系统通信带宽 要求很高，另一方面视频数据中存在大量冗余信息，会造成数据中心存储资 源、计算资源的浪费。

基于图像的车辆检测解决方案是使用物体检测技术检测出图像中所有的车 辆。

传统的车辆检测技术通常分为以下几步：候选区域生成、候选区域特征提 取、特征分类，最后对检测区域进行后处理得到最终的车辆位置。其中常用的 特征包含梯度直方图(Histogram ofOriented Gradient HOG)、Gabor特征、 SURF特征等。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，而且要针对特定场景设计不同特征，而在数据中心处 理的图像数据来自不同路口、不同时段，场景环境复杂多变，传统的方法无法 满足处理所有数据的要求，无法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，卷积神经网络逐渐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

本发明的目的在于提供一种基于轻量化神经网络的复杂环境下车辆检测方 法，能够避免过多的重复计算，从而提高了检测速度，并且能够获得更好的车 辆识别效果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、天 气、遮挡、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。

本发明通过下述技术方案实现：一种基于轻量化神经网络的复杂环境下车 辆检测方法，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；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；

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。