[发明专利]一种基于卷积神经网络的车标智能检测方法

权利要求书

1.一种基于卷积神经网络的车标智能检测方法，其特征在于，所述方法包括以下步骤：

步骤S1、给定车标检测训练集I_train＝{(a_i,b_i)|i∈[1,M]}以及车标检测测试集I_test＝{(a_{idx_i},b_{idx_i})|idx_i∈[1,H]}；其中，a_i表示第i张包含车标信息的输入图像，其大小为(3×K×K),(3×K×K)中3表示颜色通道数量，对应的颜色通道d∈{红,绿,蓝}，(3×K×K)中K表示单张图片的宽或高的尺寸；b_i表示第i张输入图像中对应的车标标签，且第i个车标标签中包含第i张输入图像中所有的车标的坐标位置和对应类别的标注信息；b_i＝{carobj_j＝(tx_j,ty_j,tw_j,th_j,cls_j)|j∈N,1≤j≤Bnum}；Bnum为车标标签b_i中车标对象的数量；carobj_j表示车标标签b_i中第j个车标对象；tx_j表示carobj_j中心的横坐标值，ty_j表示carobj_j中心的纵坐标的值，且tx_j∈(0,K),ty_j∈(0,K)；tw_j表示carobj_j的宽；th_j表示carobj_j的高，且tw_j∈(0,K],th_j∈(0,K]；cls_j表示其类别索引值，且cls_j∈[0,C-1]，C为类别数量；M表示所述车标检测训练集I_train的样本数量；H表示所述车标检测测试集I_test的样本数量；

步骤S2、基于YOLOv3改进的深度卷积神经网络构建出车标检测模型D，以及构建用于所述车标检测模型D训练过程中的随机梯度下降SGD优化器，且进一步对所述车标检测模型D及所述随机梯度下降SGD优化器的参数均进行初始化；其中，所述车标检测模型D的参数包括迭代次数q、网络参数θ_q和最优网络参数θ_best；q＝0,…,n，n为大于1的正整数；l表示对应的网络层数的索引，W表示对应卷积层的参数，O表示对应的偏置值，BN表示BN层的可学习参数，表示q次迭代训练中对应第l层的卷积层的参数，表示q次迭代训练中第l层对应的偏置值，表示q次迭代训练中第l层BN层的可学习参数；迭代次数q初始为0；网络参数θ_q初始为θ₀，最优网络参数θ_best初始为θ₀；所述随机梯度下降SGD优化器的参数初始化包括初始化学习率、动量和权重衰减系数；

具体过程为，将构建的车标检测模型D对输入的输入图像进行特征提取，根据提取的特征推断计算，并进行车标的定位和识别，通过损失函数计算得到误差梯度，进行反向传播，使得不断调整车标检测模型中的参数，最终生成的车标检测模型D能够有效地提取车标特征；

车标检测模型D由15个残差密集连接模块、4个残差模块、2个长跳跃连接以及若干个卷积层组成,总共包括62层卷积层、5层最大值池化层、2层上采样层、19层残差连接操作层，17层拼接操作层以及3层YOLO层；其中，每层卷积层后都包含BN层和LeakyReLU激活函数；每层YOLO层都会根据输入的特征图进行计算，即计算出该特征图中车标对象的边界框，边界框包含置信度，中心坐标b_x和b_y，宽度b_w和高度b_h以及C个车标的类别置信度；其中，置信度表示该边界框中包含车标对象的确定性，且置信度confidence∈[0,1]；中心坐标b_x和b_y、宽度b_w和高度b_h分别表示对应该边界框的中心坐标(b_x,b_y),以及其宽度b_w和高度b_h；类别置信度表示检测该边界框中对各个车标类别的确定性；

步骤S3、获取当前迭代次数q，将所述车标检测训练集I_train＝{(a_i,b_i)|i∈[1,M]}中的输入图像作为所述车标检测模型D的输入并通过网络逐层计算，得到对应车标检测训练集的车标检测结果Y_train＝{y_i|i∈[1,M]}；其中，y_i表示所述车标检测模型D对所述车标检测训练集I_train的第i张输入图像的检测结果；

步骤S4、根据预设的二分类交叉熵损失函数和GIoU损失函数，计算所述车标检测训练集的车标检测结果Y_train和所述车标检测训练集I_train中的车标标签之间的误差，得出损失值，并利用得出的损失值进行反向传播，对所述车标检测模型D的网络参数θ_q进行调整；

步骤S5、利用所述车标检测测试集I_test对所述车标检测模型D进行评估，若所述车标检测模型D的网络参数θ_q的测试mAP值最高，则令θ_best＝θ_q；同时在参数更新结束阶段，判断训练迭代次数q是否已达到最大迭代次数n，若已经达到最大迭代次数n，则训练阶段结束，进入下一步骤S6；反之，将跳转至步骤S3进行循环迭代训练，并令q＝q+1；

步骤S6、得到最终的车标检测模型D的最优网络参数θ_best，并根据所得到的最终的最优网络参数θ_best，更新所述车标检测模型D；

步骤S7、获取待测包含车标信息的输入图像，且将所述待测包含车标信息的输入图像作为更新后的车标检测模型D的输入并通过网络逐层计算，得到所述待测包含车标信息的输入图像的车标检测结果；

残差密集连接模块连接方式如下所示：

x_l＝H_l([x₀,x₁,…,x_l-1])+x_l-1

通过对第l层之前的所有特征进行拼接作为输入，并将第l-1层的特征再和第l层的输入进行逐个元素相加，得到第l层的输出结果；该网络用于在预防模型退化的同时，更加高效的利用浅层和深层的特征图，提高计算效率和模型的鲁棒性；连接方式是，在密集连接连接多层的同时，不仅包含了对之前多层的Concat操作，还包含了上一层和下一层的逐个元素相加的计算，用于对浅层信息进行利用和加强指数集成。