[发明专利]基于深度卷积网络的非机动车检测和识别方法

说明书

本发明公开了一种基于深度卷积网络的非机动车检测和识别方法，首先自建非机动车数据集，并划分成训练集和测试集。然后建立基于深度学习的神经网络构架，将第一步划分的训练集放入网络中训练，从而得到训练好的深度卷积网络，最后将测试集送入训练好的深度卷积网络中测试。本发明通过基于深度卷积网络的方法来进行非机动车检测和识别，使得非机动车检测的精度更高。

技术领域

本发明涉及目标检测技术领域，具体是一种基于深度卷积网络的非机动车检测和识别方法。

背景技术

目标检测在计算机视觉领域占据十分重要的地位，它是通过图像去检测目标，即标注出图像中每个目标所属的类别及坐标。在近年的自动驾驶技术中，也需要用到这种技术。当车载摄像头采集到图像后，后台服务器可以将图像进行检测，从而达到规避行人的特点。目前图像检测技术极大部分采用的深度学习技术，但是基于深度学习的网络模型都有所侧重，专门用于非机动车检测和识别的方法较少。

发明内容

本发明的目的在于提供基于一种深度卷积网络的非机动车检测和识别方法，提升了非机动车检测的准确率和精度。

实现本发明目的的技术解决方案为：一种深度卷积网络的非机动车检测和识别方法，s1、建立起非机动车数据集，并划分成训练集，测试集和验证集；

s2、搭建起基于深度学习的目标检测网络；

s3、将训练集样本送入神经网络中训练，获得训练后的神经网络模型；

s4、将训练好的神经网络模型分别送入测试网络获得测试结果；

s5、将测试结果中最好的模型保存；

作为一种优选实施方式，步骤s1中的训练集和测试集比例划分为4:1。

作为一种优选实施方式，步骤s2中深度神经网络包括特征提取网络，特征融合网络和输出网络。特征提取网络包括5个残差模块，每个残差模块都包含了多个卷模块，并且使用了步长为2的卷积层进行下采样；特征融合网络包括了3个融合模块，分别是其8倍下采样层，16倍下采样层和32倍下采样层；输出网络包含了两个输出模块。

作为一种更优选实施方式，卷积模块采用了3*3卷积层和1*1卷积层的组合；卷积模块都采用的激活函数是Leaky-Relu激活函数，并且每个卷积模块都是卷积层加上激活函数加上批归一化层组合。

作为一种优选实施方式，特征提取网络中残差模块是三个卷积层组合形成的，分别通过一个3*3卷积模块将通道数减少为原来的一半，在通过一个1*1卷积模块卷积，通过一个3*3卷积模块恢复通道数，最后将原始特征层与最后恢复通道数后的卷积层特征相加，获得新的特征层。

作为一种优选实施方式，特征融合网络分别采用其8倍下采样特征层A，16倍下采样特征层B，32倍下采样特征层C进行融合。首先特征C通过一个1*1卷积降低其通道数，再通过上采样将其特征层大小变为原来的两倍,生成特征层D，其次将特征层A通过3*3卷积层将其通道数变为原来的两倍并将其特征层大小变为原来的一半，最后将特征层A,B,C进行相加，生成新的特征层D，将特征层D进行2次3*3卷积生成特征层E，将特征层E首先通过通过1*1卷积再通过上采样生成与特征层A相同大小的特征层F，然后将特征层E通过3*3卷积生成与特征层B相同的大小的特征层G，最后将特征层E通过上采样生成与特征层C相同大小的特征层H。

所述输出网络中对特征融合后的特征层首先采用一个1*1卷积降低特征层的维度，再通过2个3*3卷积融合特征，最后输出大小为H*W*class的卷积层A和大小为H*W*5的卷积层B，其中H代表特征层的高度，W代表特征层的宽度，class代表类别数量，5代表此中心点距离左边界距离，中心点距离上边界的距离，中心点距离右边界的距离，中心点距离下边界的距离和分类置信度。