[发明专利]一种小目标敏感的车辆检测系统

说明书

本发明属于计算机视觉应用技术领域，提出了一种小目标敏感的车辆检测系统。本系统包括数据模块、网络结构模块、系统配置模块、训练模块、测试模块、功能支撑模块、日志采集模块、效果分析模块、检测模块和交互模块。本发明的核心算法：小目标敏感的全卷积神经网络算法,本算法在R‑FCN的基础上对已有的CNN重新设计并提出了一种新层：小目标敏感池化层,它可以丰富小目标车辆的特征，从而可以更准确地检测小尺寸车辆，同时，在系统中也设计了一种新的投票机制，可以更准确地检测遮挡车辆。最后也对该检测系统进行了进一步的精简设计，可以检测地更及时，从而满足实时性的要求。

技术领域

本发明属于计算机视觉应用技术领域，涉及一种小目标敏感的车辆检测系统。

背景技术

最近几年，图像和计算机视觉相关理论和技术应用越来越广泛，深度学习技术在计算机视觉研究范围中日渐成熟并完善。随之而来的便是人们的需求，利用人工智能协助人们完成复杂的工作的需求越来越迫切。自动驾驶作为计算机视觉领域重要应用，相关技术越来越成为各大高校和机构的突破重点。

自动驾驶技术包含微机、自控技术、消息融合等多学科的理论。它可以实时地收集车辆行进路上的信息并做出分析，其主要是为了协助我们做出驾驶决策，进而避免交通事故的发生。自1970年左右开始，无人驾驶汽车相关技术就开始蓬勃发展。和人类手动开车相比，自动驾驶的安全性更高，道路的使用效率同时也更高。在我国百度公司早早就启动专项计划用以研究无人驾驶。随后几年，百度公司又宣布其所研制的新型自动行驶车辆完成了在道路上的测试，实现了自动驾驶应用。随后百度公司的阿波罗汽车在港珠澳大桥上进行了无人行驶测试。百度还建议早日普及雄安新区的无人驾驶技术。

同时，深度学习技术突飞猛进，这也间接地使得计算机视觉获得了极大发展。因此，本发明基于深度学习提出了一个新的系统，并提出本发明的核心算法：小目标敏感的全卷积神经网络算法(Small-Sensitive Fully Convolutional Neural Network，SS-FCN)。首先本算法在R-FCN 的基础上对已有的CNN重新设计并提出了一种新层：小目标敏感池化层。它可以丰富小目标车辆的特征，从而可以更准确地检测小尺寸车辆。同时，在系统中也设计了一种新的投票机制，可以更准确地检测遮挡车辆。最后也对该检测系统进行了进一步的精简设计，可以检测地更及时，从而满足实时性的要求。

发明内容

本发明提出了一种小目标敏感的车辆检测系统，并基于此算法提出了一个车辆检测系统。首先，本发明分析了现有的问题，即如何准确地识别图片或视频中的小目标车辆。因为道路场景下，随着观察距离的不同，车辆尺度区别很大。而CNN的性能会随着车辆大小的改变而改变，同一类别的不同尺寸的物体提取出来的特征区别可能十分大。再加上对于尺寸特别小的车辆目标(比如只有30个像素甚至更低)，在经过特征提取(这一过程一般都会令目标的尺寸缩小8倍或16倍)后可能只有个位数级别像素。如果对这个位数级别的像素进行检测，效果会非常差。这个原因造成了传统的车辆检测算法在检测小车辆目标时很容易把他们当成背景。 CNN应用到车辆检测的另一个问题是交通场景下遮挡严重，传统的CNN难以处理这一问题。如果有遮挡物，那么从车辆计算出的特征图中含有很多干扰。如果把这种被遮挡车辆的特征图和未被遮挡车辆的特征图送入同一检测网络，势必会对我们的检测精度造成影响。此外，交通场景下及时检测出车辆也是必须要考虑的，因为车在行驶过程时，当车辆在人眼中消失后，仍能可保留车辆画面0.1-0.4秒，所以车辆检测的实时速度不能低于到每秒钟10帧左右。因此，本发明为解决交通场景下车辆尺度跨度大和小目标车辆检测精度低，提出了小目标敏感池化层；为改善遮挡问题，设计了投票机制；为满足实时性，设计了更精简的检测网络结构。

本发明的技术方案为：

小目标敏感的车辆检测系统，包括数据模块、网络结构模块、系统配置模块、训练模块、测试模块、功能支撑模块、日志采集模块、效果分析模块、检测模块和交互模块；

数据模块：用于存储图片和标注数据，实现对图像和标注信息的预处理工作，并把处理好的数据传给训练模块和测试模块；