[發明專利]一種用于交通監控的車輛檢測方法

有效

• 申請號: 201710288019.4
• 申請日: 2017-04-27
• 公開（公告）號: CN107134144B
• 公開（公告）日: 2019-07-12
• 發明（設計）人: 王宇寧;龐智恒;呂晨陽;袁德明
• 申請（專利權）人: 武漢理工大學
• 主分類號: G08G1/017
• 分類號: G08G1/017;G06K9/00;G06K9/62;G06N3/04
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 楊曉燕

1.一種用于交通監控的車輛檢測方法，對交通監控圖片中的車輛進行檢測，其特征在于，包括如下步驟：

S1、首先將收集到的交通監控圖片拆分成上下兩部分，上半部分圖片的車輛離監控攝像頭較遠，車輛呈現小而模糊的狀態，裁剪出其中的車輛并標注車輛類別信息，組成第一訓練樣本集；下半部分圖片的車輛離監控攝像頭較近，車輛呈現大而清晰的狀態，直接在下半部分圖片中標注出車輛類別信息和位置信息，并組成第二訓練樣本集；

S2、構建并訓練卷積神經網絡：

i)構建含有10層的卷積神經網絡，10層依次是卷積層Conv1，卷積層Conv2，最大池化層MaxPool3，卷積層Conv4，卷積層Conv5，卷積層Conv6，最大池化層MaxPool7，全連接層Fc8，全連接層Fc9，輸出層out 10；

ii)輸入第一訓練樣本集，訓練卷積神經網絡，直到卷積神經網絡的損失函數≤0.0001，得到經過訓練的卷積神經網絡；

S3、構建并訓練YOLO神經網絡：

i)構建含有11層的卷積神經網絡，11層依次是卷積層Conv1，卷積層Conv2，最大池化層MaxPool3，卷積層Conv4，卷積層Conv5，卷積層Conv6，卷積層Conv7，最大池化層MaxPool8，全連接層Fc9，全連接層Fc10，輸出層out11；

ii)輸入已標注出車輛類別信息和位置信息的第二訓練樣本集，訓練YOLO神經網絡，直到YOLO神經網絡的損失函數≤0.0001，得到經過訓練的YOLO神經網絡；

S4、檢測過程中，將整張交通監控圖片拆分成上下兩部分，上部分利用滑動窗口采樣圖片，將其輸入步驟S2中卷積神經網絡，檢測出上半部分中的車輛；將下半部分直接輸入步驟S3中YOLO神經網絡，檢測出下半部分中的車輛；結合經過訓練的卷積神經網絡輸出結果和經過訓練的YOLO神經網絡輸出結果，檢測出整張交通監控圖片中的車輛。

2.根據權利要求1所述的用于交通監控的車輛檢測方法，其特征在于，步驟S2所述的卷積神經網絡是一種深度學習理論基礎上的權值共享多層神經網絡；卷積神經網絡由輸入圖像、隱藏層和輸出層組成：

卷積神經網絡的輸入圖像為標注車輛類別信息的RGB圖像；

卷積神經網絡的隱藏層由5個卷積層，2個最大池化層和2個全連接層組成；其中，卷積層主要進行卷積操作和利用線性修正激活函數ReLU修正特征圖；最大池化層主要進行下采樣操作；全連接層主要進行加權輸入和激活操作，具體表現形式如下：

a.卷積層的表現形式為：

式(1)中，f(·)為線性修正激活函數ReLU；表示第l卷積層的第j個神經元輸出值；表示第l-1卷積層的第i個輸入神經元的輸出值；為卷積核；M_j代表選擇的輸入特征圖的集合；是偏置量；

b.最大池化層的表現形式為：

式(2)中，代表第l最大池化層的第j個輸出值，X″^l-1表示第l-1層中的待池化輸入值；

c.全連接層的表現形式為：

式(3)中，f(·)為線性修正激活函數ReLU；表示第l全連接層的第j個神經元的輸出值；表示前一層的第i個神經元的輸出值；為權重；m等于前一層的神經元個數；是偏置量；

卷積神經網絡的輸出層是Softmax函數，其中神經元個數與第一訓練樣本集中的類別數相等。

3.據權利要求1所述的用于交通監控的車輛檢測方法，其特征在于，步驟S3所述的YOLO神經網絡是一種基于卷積神經網絡的目標檢測網絡；YOLO神經網絡由輸入圖像、隱含層和輸出層組成：

YOLO神經網絡的輸入圖像為標注車輛類別信息和位置信息的RGB圖像；

YOLO神經網絡的隱藏層由6個卷積層，2個最大池化層和2個全連接層組成；各層操作方式與卷積神經網絡相同；

YOLO神經網絡的輸出層的神經元個數為(5*num+classed)*size*size；輸出結果構成一個三維矩陣，其中，classed為第二訓練樣本集中的類別數，size代表YOLO神經網絡將輸入圖片拆分成size*size個網格，num代表每個網絡預測的包圍框數。