[发明专利]基于卷积神经网络的快速车辆检测方法

说明书

本发明公开了一种基于卷积神经网络的快速车辆检测方法，根据鱼眼成像原理，将待检测图像im0分成若干个尺度不同的图片进行检测：1)、在pytorch上搭建mobilenet_yolov3模型；2)、图像预处理，截取并放缩待检测图像，得到三幅图像分别为im1、im2、im3；3)、用三个线程分别检测im1、im2、im3；4)、将三个图片检测结果还原成原来im0中的坐标。本发明将深度学习落地于嵌入式基于rk3399平台的adas系统中，多线程检测时间小于120ms,通过检测后对车辆进行跟踪，能达到实际运用，根据在adas系统中的实际路况，远处目标小，视野收窄，近处目标大，视野广，将图像检测分而治之，缩小了计算量。

技术领域

本发明涉及基于卷积神经网络的快速车辆检测方法。

背景技术

深度学习检测展现了很高的准确率，但是计算量相对较大，在adas(高级驾驶辅助系统(AdvancedDrivingAssistantSystem))中，实时性非常重要，tiny-yolov3算法是目前目标检测中速度较快的，然而在瑞芯微RK3399平台上每帧(416X416)检测超过250毫秒(ms),很难落地实际运用。

发明内容

本发明为了克服上述的现有技术不足之处，提供了一种基于卷积神经网络的快速车辆检测方法。

一种基于卷积神经网络的快速车辆检测方法，根据鱼眼成像原理，将待检测图像im0分成若干个尺度不同的图片进行检测。

基于卷积神经网络的快速车辆检测方法，包括以下步骤:

1)、在pytorch上搭建mobilenet_yolov3模型；

2)、图像预处理，截取并放缩待检测图像，得到三幅图像分别为im1、im2、im3

3)、用三个线程分别检测im1、im2、im3；

4)、将三个图片检测结果还原成原来im0中的坐标。

具体的，步骤2)包括：

第一幅图像截取矩形框为(200:720,0:1280)直接乘以0.25得到im1:320X130.第二幅图像截取矩形框为(260:480，320:960)然后再乘以0.6，得到im2:283X132.第三幅图像截取矩形框为(320:448，480:800)尺度不变即为1,得到im3:320X128。

优选的，所述步骤4)中，将三个图片检测结果还原成原来im0中的坐标，对于有重叠部分，检测的结果以第一幅图像为准。

本发明提供的基于卷积神经网络的快速车辆检测方法将深度学习落地于嵌入式adas系统中，该adas基于rk3399平台,多线程检测时间小于120ms,通过检测后对车辆进行跟踪，能达到实际运用，根据在adas系统中的实际路况，远处目标小，视野收窄，近处目标大，视野广，将图像检测分而治之，缩小了计算量。

具体实施方式

本发明提供的基于卷积神经网络的快速车辆检测方法，包括如下步骤：

本文车辆检测为im0:1280X720,根据鱼眼成像原理，分成三个尺度不同的图片进行检测：

1、在pytorch上搭建mobilenet_yolov3模型，数据集来自coco。

2、图像预处理，截取并放缩待检测图像。

第一幅截取矩形框为(200:720,0:1280)直接乘以0.25得到im1:320X130.第二幅截取矩形框为(260:480，320:960)然后再乘以0.6，得到im2:283X132.第二幅截取矩形框为(320:448，480:800)尺度不变即为1,得到im3:320X128。