[发明专利]一种基于深度神经网络的细粒度车辆检测方法

说明书

本发明公开了一种基于深度神经网络的细粒度车辆检测方法，通过定义输出、检测和训练网络，可以准确检测出车辆的具体姿态类别和轮廓。当给定地平面和摄像机校准信息等先验知识时，检测结果可用于估计可行驶区域，碰撞时间等，进一步辅助和保障驾驶员安全驾驶。相较于一般的目标检测网络，本发明能输出更多的信息，可满足不同的应用需求。本发明输出了车辆的姿态类别和轮廓位置信息，这些信息有利于更准确地判断车辆在道路中的位置和行驶方向。本发明对采集数据的传感器要求低，有利于生产使用。本发明的计算全部是在普通的RGB图像中完成的，不需要深度传感器或者雷达等设备，只需要一个普通的摄像头即可达到要求，成本低廉。

【技术领域】

本发明涉及一种基于深度神经网络的细粒度车辆检测方法。

【背景技术】

车辆检测是自动驾驶或辅助驾驶系统中的重要任务，可用于计算碰撞距离和碰撞时间，保障行车安全。一般的目标检测任务只能得到粗糙的矩形框检测结果，矩形框分不出车辆每一个面的位置，也就无法准确分析车辆旁边的可通行区域，对车辆的姿态变化也不敏感。这就要求能检测出车辆准确的轮廓并区分车辆的侧面和头尾部，实现细粒度车辆检测。

实现轮廓检测的方法主要有两种，一种是在普通的RGB图像中基于分割候选或者像素分类实现实例分割；另一种是拍摄带有深度信息的图片，在RGB-D图像中进行目标检测。实例分割的方法虽然能检测出车辆的轮廓，但是无法区分出车辆的不同面，且计算缓慢。3D检测的方法能准确得到车辆的位置，但是需要3D传感器采集深度信息，采集代价高。

随着算法的不断改进，一步完成目标检测的神经网络已接近或达到实时检测的要求。在此框架下直接完成车辆轮廓的检测可以避免额外的计算或采集代价，适用于自动驾驶或辅助驾驶系统。

【发明内容】

本发明的目的在于克服上述现有技术的缺点，提供一种基于深度神经网络的细粒度车辆检测方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于深度神经网络的细粒度车辆检测方法，包括以下步骤：

步骤1：定义输出

给定一个矩形(v,x,y,w,h)，其中v指示的是正负样本，v∈{0,1}，0表示背景，1表示是车辆；x,y,w,h则表示矩形框的位置和宽高，在此基础上，从姿态子类编码和控制点两部分扩展输出；

步骤2：检测网络

令(w_f,h_f,c_f)为尺度为f的特征层的宽、高和通道数；如果V,A,P分别为类别v,a,p的个数，则尺度为f的特征层经过卷积，会产生(w_f,h_f,B_f×(V+A+P+4+3))维的检测结果矩阵，检测结果包括了(v,a,p,x,y,w,h,α,β,γ)信息，其中，B_f为每个位置产生的defaultbox的个数；

在检测过程中，检测器在层次结构的每一个节点处预测的是条件概率，将根节点到该节点的条件概率相乘得到联合概率；如果在某一个节点联合概率低于选定的阈值则停止继续往下判断，然后预测车辆最终的类别和几何形状；

步骤3：训练网络

令为第i个default box是否与类别为d的第j个真值框匹配的指示函数；与标注的真实值匹配后得到N个匹配的default box；总的损失函数是分类和定位损失之和：

本发明进一步的改进在于：

步骤1的具体方法如下：

1-1)姿态编码