[发明专利]一种基于深度学习的快速区域搜索的目标检测方法

说明书

一种基于深度学习的快速区域搜索的目标检测方法，涉及目标检测算法领域。为解决现有的列车控制系统不能识别除列车领域以外的物体，不能针对列车领域以外的物体进行记忆与学习，并无法处理一些突发情况，无法判断列车行驶前方是否存在障碍物，从而导致事故发生的问题。搭建基于深度学习的快速区域搜索的目标检测网络；获取带有待识别的障碍物目标的图像，并对其进行标注，分割为测试样本集和训练样本集；训练样本集输入到目标检测网络进行前向传播计算，计算误差并将误差反向传播，调整网络权值；利用测试样本集评估网络识别准确率。若不满足要求，则若满足要求，则保存网络参数，训练完成。本发明适用于对光学图像中的目标进行检测定位。

技术领域

本发明涉及目标检测算法领域，具体涉及一种基于深度学习的快速区域搜索的目标检 测方法。

背景技术

随着我国铁路建设的快速发展，列车运行速度不断提高，对行车安全的要求也不断提 高，现有的列控及ATP系统采用信号闭塞、接近应答手段来保证行车安全，但列控系统只能保证监测行进列车这种合作目标，对于具有突发性、不可预测等非合作目标侵限事件的发生不能提前预警。特别需要说明的是铁路施工作业用工务机械车在施工作业条件下通常情况地面信号系统均处于关闭或者失效状态，不能起到监控列车作用。在现有列车控制系统中识别除列车领域以外的物体，比如行人、汽车、动物等等，并且不能对突发性的情 况作出及时的判断，导致事故的发生。

综上所述，现有的列车控制系统不能识别除列车领域以外的物体，不能针对列车领域 以外的物体进行记忆与学习，并无法处理一些突发情况，无法判断列车行驶前方是否存在 障碍物，从而导致事故发生。

发明内容

本发明为解决现有的列车控制系统不能识别除列车领域以外的物体，不能针对列车领 域以外的物体进行记忆与学习，并无法处理一些突发情况，无法判断列车行驶前方是否存 在障碍物，从而导致事故发生的问题，而提出一种基于深度学习的快速区域搜索的目标检 测方法。

本发明的一种基于深度学习的快速区域搜索的目标检测方法，其具体算法如下：

步骤一、搭建基于深度学习的快速区域搜索的目标检测网络；

步骤二、获取带有待识别的障碍物目标的图像，并对其进行标注，分割为测试样本集和训练样本集；

步骤三、训练样本集输入到目标检测网络进行前向传播计算，计算误差并将误差反 向传播，调整网络权值；

步骤四、利用测试样本集评估网络识别准确率。若不满足要求，则保存网络参数，训练完成；

步骤五、训练完成后用于检测搜索区域的目标；

进一步的，所述的步骤一中目标检测网络结构，其目标检测网络结构中前16层为特 征提取层，其结构为交替的8个卷积层和8个池化层组成，池化层输出接两个全连接层，全连接层输出连接两个不同的特有任务层，一个为预测类别输出，另一个用于预测位置坐标；

各个卷积层和池化层的主要目的在于对输入的图像进行深度的特征提取和组合，卷积 核个数分别为64、128、256、256、256、256、256、128，卷积核尺寸均为3*3，这样可 以保证提取到细节丰富的底层特征并对其进行组合，每个卷积层后均连接一个池化层，用 于对提取到的特征进行降维，防止参数过多导致的优化困难，池化层尺寸为2*2，步长为 2；

全连接层用于对提取到的深度特征进行进一步全局组合，全连接层1的输入神经元有 256个，输出神经元个数为200。全连接层2的输入神经元个数为200，输出神经元个数为128；

两个任务特有层为独立结构，均以全连接层2的输出为输入，任务特有层1为1层的全连接层，输入神经元个数为128，输出神经元个数为待识别的目标类数目，用于预测检 测出的目标类型，任务特有层2为一个3层的多层感知机，输入神经元为128，输出神经 元为3，输出结果为目标起点位置、包围盒长度、包围盒宽度；