[发明专利]一种基于R-CNN的车辆检测方法

权利要求书

1.一种基于R-CNN 的车辆检测方法，对采集得到的车辆图像进行优化处理，再采用特别配置的残差学习网络对所收集车辆图像进行训练，训练后的图像数据送至深度卷积神经网络以提取特征，其中，所述残差学习网络中至少配置有边界框回归层、ROI 最大池层和RPN 层来对采集得到的车辆图像进行训练，所述边界框回归层、ROI 最大池层和RPN 层用于对象的最终分类，最终分类的输出图层包括车辆图层和背景图层；所述残差学习网络对采集得到的车辆图像进行预训练的过程包括：所述边界框回归层包括一个全连接层，所述全连接层后跟设置一个R-CNN边界框回归层，采集得到的车辆图像中每个类的R-CNN 边界框回归层根据所述全连接层输出设置的数量实现背景偏移，得到经由R-CNN 优化的特征图；ROI 最大池层由所述特征图中映射构成，所述ROI 最大池层中的每个输入ROI 从所述特征图中选择相应部分并缩放为固定大小的二次特征图；所述RPN 层从所述二次特征图中提取包含车辆特征并进行最终分类，完成图层的检测输出。

2.根据权利要求1 所述的基于R-CNN 的车辆检测方法，其特征在于，所

述边界框回归层包括一个全连接层，所述全连接层后跟设置一个R-CNN 边界

框回归层，采集得到的车辆图像中每个类的R-CNN 边界框回归层根据所述全

连接层输出设置的数量实现背景偏移的过程中：

每个R-CNN 边界框回归层中对应于每一个类分别配置有多个边界框，每

个类的多个边界框分别根据相关的背景偏移。

3.根据权利要求1 所述的基于R-CNN 的车辆检测方法，其特征在于，所

述RPN 层从所述二次特征图中提取包含车辆特征并进行最终分类，完成图层的

检测输出的过程中：

RPN 层采用的区域建议网络生成建议窗口，并使用所述建议窗口检测包含

车辆特征的图。

4.根据权利要求3 所述的基于R-CNN 的车辆检测方法，其特征在于，所

述建议窗口采用的是矩形框，且长宽比为1:1 或者1:2。

5.根据权利要求1 所述的基于R-CNN 的车辆检测方法，其特征在于，对

采集得到的车辆图像进行优化处理的过程包括对于图像进行的噪声滤除、对比

度增强、锐化或直方图均衡。

6.根据权利要求1 至5 中任一项所述的基于R-CNN 的车辆检测方法，其

特征在于，所述残差学习网络采用的是ResNet-50 的残差学习框架。

7.一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述

处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权

利要求1-6中任一项所述的方法。

8.一种计算机可读存储介质，为非易失性可读存储介质，其内存储有计算

机程序，所述计算机程序在由处理器执行时实现如权利要求1-6 中任一项所述

的方法。

9.一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由

计算机设备执行时，导致所述计算机设备执行如权利要求1-6 中任一项所述的

方法。