[发明专利]一种基于R-CNN的车辆检测方法

说明书

本申请公开了一种基于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(Region of Interest，目标物体位置)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。本发明能够在R‑CNN方法中引入评估参数调整的影响，缩短图片处理的时间，以提供几乎实时和高精度的性能，实现对于鲁棒性和实时性的提高。

技术领域

本申请涉及车辆检测方法，特别是涉及一种基于R-CNN的车辆检测方法。

背景技术

高速率的智能交通系统(ITS)利用基于视频的工具，因为它们具有各种优势，例如更好的性能，更低的维护成本和更高的开发潜力。在这些系统中，摄像机是数据采集的主要工具，它们的视频输出能够使用图像/视频处理技术提供有用的信息。

深度学习已成为机器学习的热门研究课题，与传统方法相比有很大的优势。将深度神经网络(DNN)用于分类场景被证明是解决与识别和检测物体相关的挑战的绝佳解决方案。常见的DNN由多个输入层、至少两个隐藏层和多个输出层组成。隐藏层被称为DNN的主要结构，其通过几个神经元及其权重来执行数学运算，参考神经元在生成模型中的影响。对于视觉数据分析，由于图像中多个特征之间存在位置关系，因此在大多数常见情况下使用称为深度卷积神经网络(CNN)的特殊类型的DNN。为了物体检测的目的，已经开发了一些基于CNN的更多算法来克服从图像构建物体检测模型的常见挑战，例如不同的空间位置或纵横比。

将DNN应用于车辆检测应用已被认为是一种高度可靠的解决方案，在研究中表明其具备出色的准确性，在大多数情况下，根据车辆外观生成DNN模型，以便在视频帧中检测它们。例如：一种使用DNN验证检测到的车辆的实时车辆检测方法，使用AdaBoost分类器检测车辆特征，并应用DNN生成的模型来验证检测到的车辆，尽管在他们的研究中最终的精确率增加，但系统需要至少15帧来验证车辆，这就造成了检测耗时长、效率低的问题。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种基于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(Region of Interest，目标物体位置)最大池层和RPN(区域建议网络)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。

可选地，所述残差学习网络对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。

可选地，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。