[发明专利]一种基于深度学习的车辆稠密目标检测方法

权利要求书

1.一种基于深度学习的车辆稠密目标检测方法，其特征在于，包括以下步骤：

S1、构建并训练多尺度降维卷积特征提取网络；

S2、通过训练好的多尺度降维卷积特征提取网络提取待检测图像的多尺度降维特征图；

S3、基于具有车辆稠密目标识别结果的历史图像，生成先验知识锚框；

S4、基于多尺度降维特征图和先验知识锚框，利用RPN网络生成待检测图像中的所有目标候选区域；

S5、基于先验知识锚框，对目标候选区域进行ROIpooling处理，获得具有车辆稠密目标检测结果。

2.根据权利要求1所述的基于深度学习的车辆稠密目标检测方法，其特征在于，所述步骤S1的多尺度降维卷积特征提取网络包括依次连接的特征提取子网络、多尺寸降维卷积子网络和跨层信息融合子网络；

所述特征提取子网络为以ResNet-50网络为基本结构构建的残差网络，用于提取输入图像的特征，获得尺度不同的特征图C3和特征图C4，并通过对特征图C3进行2倍上采样处理获得特征图F3；

所述多尺寸降维卷积子网络用于特征图C4进行信息提纯处理，获得特征图F4；

所述跨层信息融合子网络用于对特征图F3和F4进行融合处理，获得多尺度降维特征图F。

3.根据权利要求2所述的基于深度学习的车辆稠密目标检测方法，其特征在于，所述多尺寸降维卷积子网络包括依次连接的输入层、并行的五个网络分支及与特征串联层；

所述输入层为4倍的上采样层，其输出维度为256；

在并行的五个网络中，第一分支为第一1×1卷积层，输出维度为64；第二分支包括依次连接的第一3×3卷积层和第二1×1卷积层，输出维度为32；第三分支包括依次连接的第三1×1卷积层和第二3×3卷积层，输出维度为96；第四分支包括依次连接的第四1×1卷积层和5×5卷积层，输出维度为32；第五分支包括依次连接的第五1×1卷积层和7×7卷积层，输出维度为32；

所述特征串联层按照五个网络分支的输出顺序对其输出的图像进行串联融合，获得特征图F4。

4.根据权利要求2所述的基于深度学习的车辆稠密目标检测方法，其特征在于，所述跨层信息融合子网络对特征图F3和F4进行融合处理的方法具体为：

对特征图F3和特征图F4使用L2正则化处理，获得归一化的特征图后将其按照通道轴进行拼接，获得通道数为512的多尺度降维的特征图F。

5.根据权利要求1所述的基于深度学习的车辆稠密目标检测方法，其特征在于，所述步骤S2中，对多尺度降维卷积特征提取网络训练时，其训练集中的图像为经过数据增强处理的具有车辆稠密目标的图像；

对图像进行数据增强处理的方法具体为：

A1、尺度缩放：将图像的较短边的长度随机缩放至原长度的80％～120％，较长边的长度不变；

A2、随机变化：在经过A1处理的图像的基础上，对不同尺寸的图像随机进行水平翻转、添加噪声和更改颜色对比度操作；

A3、多级分辨率拼接：在经过A2处理的图像的基础上，对不同尺度、不同分辨率的图像，随机截取一半的图像进行拼接，得到不同尺度不同分辨率的拼接图像，作为训练集中的图像。

6.根据权利要求1所述的基于深度学习的车辆稠密目标检测方法，其特征在于，所述步骤S3具体为：

S31、设置K＝9，即形成9类锚点窗口的参考锚框；

S32、定义用于先验锚点框距离的距离函数d(B,C)＝1-IoU(B,C)；

其中，B为标注的目标窗口，即目标框，C为聚类中心，IoU(B,C)为聚类中心和目标框的IoU值，且

式中，为目标框B的左上顶点和右下顶点坐标，为距离中心C的左上顶点和右下顶点；

S32、对具有车辆稠密目标识别结果的历史图像，基于距离函数d(B,C)计算标注的目标框B和距离中心C的距离，并根据设置K＝9对历史图像进行k-means聚类，形成9类锚点窗口的的参考锚框；

S33、基于历史图像中的目标识别结果作为先验知识锚框，使用聚类方法对参考锚框进行调整，使其范围不局限于70～768的尺度范围内，生成9个尺寸的先验知识锚框。

7.根据权利要求6所述的基于深度学习的车辆稠密目标检测方法，其特征在于，所述步骤S5具体为：

S51、将大小形状各不相同的目标候选区域归一化为固定尺寸的目标识别区域；

S52、计算各目标识别区域的类别，并使用边框归一化处理获得目标检测框作为车辆稠密检测结果。