[发明专利]基于度量学习与SSD网络的畸变行车视频车辆检测方法

说明书

本发明公开了一种基于度量学习与SSD网络的畸变行车视频车辆检测方法；该方法结合度量学习与SSD算法来对畸变行车视频中的车辆进行检测；首先，通过迁移学习方法将算法在公开车辆数据库中学习到的参数迁移到畸变车辆数据库中，以防止过拟合；其次，结合度量学习方法建立前景与背景信息之间的度量，使得提取的前景特征与背景特征差异更大，减少漏检和误检的现象；最后，本发明使用多尺度重叠分块池化（SOPP）的分块池化策略取代金字塔池化，以取得更加鲁棒的特征图池化。本发明可以准确的对畸变行车视频中的车辆进行检测定位，在不同光照、不同道路等场景下均能保持稳定的检测结果；运行效率高，可以满足实时性要求；且硬件成本低，易于在高级辅助驾驶系统中推广，具有良好的应用前景。

技术领域

本发明涉及到用于车辆检测的图像处理方法，具体地说，是一种基于度量学习与SSD算法的目标检测网络对畸变行车视频中的车辆进行检测的方法。

背景技术

随着车辆的流行与保有量的增加，越来越多的人因为司机的分心或粗心死于交通事故。高级辅助驾驶系统(ADAS)技术可以协助司机驾驶，有效的避免交通事故的发生。车辆检测技术在ADAS中扮演着一个重要且有意义的角色，它可以让司机清楚的知道驾驶车辆周围的环境信息从而减少交通事故的发生率。随着硬件设备费用的减少和计算能力的增加，基于计算机视觉的车辆检测技术已经取得了很大的进步，并被广泛的使用到高级辅助驾驶系统中。

近几年，车辆检测技术逐步的发展，不断的将检测准确度提升到一个新的高度。但是，大部分的车辆检测都是基于普通摄像机拍摄的非畸变图像或视频进行检测的。事实上，因为畸变摄像头可以捕获更大的有效视角，在ADAS和其他的全景视频监控环境中，更广泛使用的是畸变摄像头。因此，研究基于畸变图像的目标检测算法是非常有意义的。

在车辆检测方面，主要分为基于传统算法的检测和基于深度学习的车辆检测。传统算法的车辆检测主要使用支持向量机(SVM)方法、HOG和Gabor特征提取等方法。在车辆检测方法中使用SVM算法作为分类任务，使用HOG和Gabor特征来表示车辆特征，也有文献提出线上激励方法改善在遇到新类型的车辆或者不熟悉的环境中车辆检测系统的适应能力和精准率。然而，在实际应用中，这些方法都很容易受到光照变化、道路变化的干扰，出现车辆定位不准确等问题。

在过去的几年中，随着深度学习技术的不断发展，深度神经网络已逐渐的应用到车辆检测方法中。神经网络则有较强的鲁棒性，能够自动学习图像中有效的深层特征，目前在目标检测、目标跟踪等应用上都有非常出色的效果。因此，基于深度学习的车辆检测方法相比传统方法更具鲁棒性，在实际应用中能够更好的应对光照、遮挡和道路变化等问题，具有较高的准确性和实时性。

发明内容

针对传统方法的不足，本发明的目的是提供一种基于度量学习与SSD算法的畸变行车视频车辆检测方法，对所获取的畸变行车视频，利用MLSSD算法检测视频帧中的车辆目标。

为达到上述目的，本发明采用的技术方案如下：

基于度量学习与SSD网络的畸变行车视频车辆检测方法，其特征在于，包括以下步骤：

步骤1：获取ImageNet、KITTI、COCO数据集中的车辆数据，制作车辆数据库B；根据录制的20段不同路段场景下的畸变行车视频，制作畸变车辆数据库 A；

步骤2：搭建基于度量学习和SSD算法(MLSSD)的深度学习网络框架；

步骤3：MLSSD算法的训练过程。

进一步地，步骤1具体如下：

基于ImageNet、KITTI、COCO数据库筛选出有车辆目标的图片与对应标签，组成车辆数据库B；

使用录制的20段不同场景(高速公路、普通公路、白天、夜晚等场景)的畸变行车视频每隔20帧保存1帧作为待用畸变车辆数据集图片，并对这些图片进行标注，获得畸变车辆数据集A。