[發明專利]一種基于深度卷積神經網絡的汽車駕駛場景目標檢測方法

有效

• 申請號: 201710259285.4
• 申請日: 2017-04-20
• 公開（公告）號: CN107169421B
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 林耀榮;陳康
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 羅觀祥

本發明公開了一種基于深度卷積神經網絡的汽車駕駛場景目標檢測方法，該檢測方法包含如下優化技術：首先采用聚類算法對訓練數據的目標寬高進行聚類，采用聚類中心優化錨點設置；其次采用分類性能更強的殘差網絡作為特征提取網絡，在此基礎上設計一個融合特征網絡，利于小目標的檢測；其次采用在線困難樣本挖掘算法以及均衡正負樣本候選區域來優化網絡的訓練；最后采用訓練得到的模型處理圖像，并對輸出進行后處理優化，實現汽車駕駛場景下的目標檢測功能。本發明基于CAFFE深度學習框架以及Faster RCNN算法，通過優化錨點設置、設計融合特征網絡、優化訓練過程以及對結果后處理，得到了一種高性能的基于深度卷積網絡的汽車駕駛場景目標檢測方法。

技術領域

本發明涉及圖像處理和計算機視覺技術領域，具體涉及一種基于深度卷積神經網絡的汽車駕駛場景目標檢測方法。

背景技術

近年來，交通問題日益突出，各類智能車概念被提出，車輛駕駛輔助系統乃至無人車均獲得了空前的發展。汽車駕駛場景中的目標檢測系統是其中關鍵的組成部分。因此，汽車駕駛場景中的目標檢測成為當前研究熱點。在目標檢測任務中，潛在目標往往受到姿態多變、光照變化、尺度不一甚至部分遮擋等不利因素的影響，導致目標檢測本身就是很有挑戰性的任務。而在汽車駕駛場景中，交通狀況復雜多變，各類目標物存在相互遮擋，光照變化影響更加復雜，這些不利因素都進一步制約著汽車駕駛場景目標檢測系統的性能。

在目標檢測中，如何提取高效的特征是提高系統性能的關鍵。傳統的特征提取技術，如Haar特征以及梯度方向直方圖特征HOG，這些人工設計的特征描述子缺乏高層語義信息，制約著目標檢測精度的提高。經典的目標檢測邊界框架主要是基于滑動窗口的模板匹配，如可變形部件模型DPM(Deformable Part based Model)，該算法采用梯度方向直方圖特征，利用隱支持向量機訓練多個模型，通過復雜的模型訓練與匹配達到檢測的目的。由于采用滑動窗口匹配技術，以及為了使模型能夠匹配不同尺度的目標而構建圖像特征金字塔，導致模型匹配計算量很大。另外，由于HOG難以提取高效的特征，制約著精度的提升。因此，基于人工設計的特征描述子以及傳統模板匹配的目標檢測算法在精度以及效率方面均有較大瓶頸。

深度卷積神經網絡在上世紀九十年代被提出，近幾年得益于高性能運算單元的出現，在圖像處理領域獲得了成功。通過構建高性能的卷積神經網絡，可以提取表述性更強、語義信息更豐富的深度卷積特征。基于深度卷積神經網絡的目標檢測算法是目前發展的方向。目前，基于深度卷積網絡的目標檢測通常利用分類以及回歸達到檢測的目的，如RCNN算法將檢測分為候選區域提取以及進一步分類回歸兩個階段，YOLO算法直接利用回歸完成目標檢測。RCNN算法及其后續算法Fast RCNN、Faster RCNN在通用目標檢測領域取得了較好的結果，常用的特征提取網絡包括ZF網絡或VGG16網絡等。YOLO算法時間效率較高但檢測小目標能力較弱。由于在汽車駕駛場景下的目標檢測存在如上所述的種種挑戰，基于深度卷積神經網絡的目標檢測算法在汽車駕駛場景下的性能還有很大的提升空間。

發明內容

本發明的目的是為了解決現有技術中的上述缺陷，提供一種基于深度卷積神經網絡的汽車駕駛場景目標檢測方法，以便進一步提升在汽車駕駛場景下的目標檢測性能。通過設計性能更佳的網絡、優化訓練過程、挖掘先驗信息以及對結果進行后處理，本發明能夠對汽車駕駛場景下的各類目標進行有效檢測。

本發明的目的可以通過采取如下技術方案達到：

一種基于深度卷積神經網絡的汽車駕駛場景目標檢測方法，所述檢測方法包括下列步驟：

S1、通過安裝在汽車上的攝像機采集訓練圖像數據，并對所述訓練圖像數據進行預處理；

S2、利用聚類算法對訓練集樣本的目標寬高進行聚類，利用聚類中心優化錨點設置；

S3、以CAFFE框架為基礎，基于分類性能更好的殘差網絡，采用多層融合特征構建深度卷積神經網絡模型；