[發(fā)明專利]一種基于深度學(xué)習(xí)的車(chē)輛特征物檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610052980.9
• 申請(qǐng)日: 2016-01-26
• 公開(kāi)（公告）號(hào): CN105718912B
• 公開(kāi)（公告）日: 2018-12-07
• 發(fā)明（設(shè)計(jì)）人: 尚凌輝;高勇;劉小揚(yáng);丁連濤;李軍偉
• 申請(qǐng)（專利權(quán)）人: 浙江捷尚視覺(jué)科技股份有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 杭州奧創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 33272
• 代理人: 王佳健

1.一種基于深度學(xué)習(xí)的車(chē)輛特征物檢測(cè)方法，其特征在于該方法包括以下步驟：

步驟1.把車(chē)窗內(nèi)所有需要檢測(cè)的物體標(biāo)注出來(lái)，設(shè)計(jì)CNN網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)主要包括三個(gè)卷積層，三個(gè)池化層，三個(gè)RELU層、兩個(gè)全連接層及Softmaxwithloss層，并用該結(jié)構(gòu)在Caffe框架上進(jìn)行訓(xùn)練，得到一個(gè)多分類模型；

步驟2.通過(guò)統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法粗略定位車(chē)臉的位置，并對(duì)車(chē)窗四個(gè)點(diǎn)進(jìn)行定位，得到車(chē)窗的位置；

步驟3.結(jié)合selective search與edgebox建議框提取方法，得到可能是目標(biāo)物體的建議框；

步驟4.在建議框的基礎(chǔ)上進(jìn)行多尺度縮放得到不同尺度下的待分類區(qū)域，然后利用步驟1得到的多分類模型進(jìn)行分類；

步驟5.利用每一物體自有的先驗(yàn)信息進(jìn)行最后的去誤檢處理；

步驟6.得到每輛車(chē)車(chē)窗上的各種特征物類別與坐標(biāo)；

其中步驟3具體是：

1）利用edgebox計(jì)算出圖像的edges,再得到一個(gè)edge groups,根據(jù)這些edge group得到m個(gè)初始區(qū)域，記為 ；設(shè)置一個(gè)相似度集合記為S,初始化為空；

2) 計(jì)算每?jī)蓚€(gè)區(qū)域的相似度, 并存入到集合S中；

3) 找出相似度最大的兩個(gè)區(qū)域，，刪除這兩塊區(qū)域與其他區(qū)域的相似度，然后合并這兩區(qū)域，并重新計(jì)算該區(qū)域與相鄰的相似度，存入到集合S；一直重復(fù)這個(gè)過(guò)程直到S集里的數(shù)目小于事先預(yù)定的數(shù)目；

4）提取第3）步得到的區(qū)域作為可能為目標(biāo)的建議框。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的車(chē)輛特征物檢測(cè)方法，其特征在于：所述的先驗(yàn)信息包括每個(gè)物體的位置概率分布圖、大小和長(zhǎng)寬比。