[发明专利]一种基于样本生成的轻量级深度模型航拍车辆检测方法

说明书

本发明公开了一种基于样本生成的轻量级深度模型航拍车辆检测方法，属于计算机视觉领域，可降低航拍车辆检测对样本数据的需求量，同时提高精度与速度。包括以下步骤：首先，采集一定量的航拍样本图片，并标注出图像中的车辆；之后将随机噪声加到真实背景图像中，通过多条件约束生成对抗网络生成融于背景的新的航拍车辆图片样本，与原始数据一起构成航拍车辆样本数据；然后将生成的车辆样本数据送入针对小目标的轻量级卷积神经网络进行训练，直至网络收敛，获得权重文件；最后，训练完成的轻量级卷积神经网络和权重文件即可用于航拍图像的车辆检测。

技术领域

本发明属于计算机视觉领域，尤其涉及一种基于样本生成的轻量级深度模型航拍车辆检测方法。

背景技术

随着生产力水平的发展，车辆数量与日俱增，交通问题愈发严重，严重影响居民的正常交通通行，交通疏导工作变得越来越重要，而其中最关键的一环便是监控道路交通状况。虽然目前电子摄像头能一定程度缓解交通问题，但由于设备无法移动所以无法直观显示整条街道的交通状况。所以利用航拍的灵活性，对车辆进行识别和定位，可以在监控道路交通状况领域发挥巨大优势。

目前，车辆检测算法主要有基于特征的检测算法和基于光流或帧间差分的算法。其中，基于特征的检测算法又分为基于人工提取特征和深度学习提取特征的算法，可适用于动态和静态的车辆检测，而基于光流或帧间差分的算法主要用于运动车辆目标检测。基于人工提取特征的检测算法大多采用滑动窗口方法，在被检图像中搜索满足特征的目标。Liu Kang等人提出一种高效的多类别航拍车辆检测算法，利用一个快速的二进制滑动窗口检测出车辆的位置，之后利用一个软连接结构AdaBoost分类器进一步分类车辆的类别，能够有效的检测车辆，但手工提取特征，模型的泛化能力不足，并且滑动窗口耗费大量的计算。而基于深度学习的方法大多采用深度卷积神经网络，依赖大量的标注数据。ShaoqingRen等人提出Faster R-CNN目标检测算法，将特征提取、ROI提取、坐标回归、分类合并到了一个卷积神经网络中，极大的提升了目标检测的速度，但是该方法难以直接应用到图片尺寸较大目标较小的航拍车辆检测中，同时需求大量的标注数据。所以之前的方法主要存在以下缺陷：基于手工特征的方法模型精确度泛化能力不强，且耗时较高，基于深度学习的方法依赖于大量的样本，同时运算量大。

发明内容

本发明提供了一种基于样本生成的轻量级深度模型航拍车辆检测方法，降低了对样本数据量的需求，提升了检测的速度。

为实现以上目的，本发明采用以下技术方案：

一种基于样本生成的轻量级深度模型航拍车辆检测方法，包括以下步骤：

(1)图像采集过程：采集针对车辆的航拍图像，并对其中的车辆进行预处理与标注；

(2)生成对抗网络生成过程：通过生成对抗网络生成新的车辆图像，与步骤(1)中得到的图片一起形成车辆数据库；

(3)轻量级网络训练过程：将步骤(2)中获得的车辆数据库送入轻量级卷积神经网络进行训练，直至网络收敛；

(4)测试图像检测过程：利用步骤(3)中训练好的轻量级网络和权重文件来检测测试图像中的车辆目标，并输出检测结果。

进一步地，步骤(1)中所述预处理与标注包括：对采集到的图像进行清洗处理，过滤掉模糊，曝光过度，不包含车辆目标，车辆不完整的不满足要求的照片，之后对余下图像中的车辆目标进行标注；

进一步的，步骤(2)所述生成对抗网络为多条件约束的生成对抗网络Mc-GAN，相较于其他生成对抗网络，Mc-GAN通过增加判别器并且对不同的判别器使用不同的损失函数来约束生成器的图像生成；

进一步地，步骤(2)中所述生成对抗网络生成新的车辆图像具体包括以下步骤：

(21)在航拍车辆图像中加入随机噪声，并通过Mc-GAN中的生成器在噪声位置生成航拍车辆图像；