[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

一種用于交通監控的車輛檢測方法，包括步驟：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；S3、構建并訓練YOLO神經網絡；S4、結合卷積神經網絡和YOLO神經網絡輸出結果，檢測出整張交通監控圖片中的車輛。本發明能夠同時克服檢測卷積神經網絡檢測速度較慢和YOLO神經網絡召回率低的缺點，快速準確地檢測出交通監控中的車輛。

技術領域

本發明屬于車輛圖像檢測領域，具體涉及一種用于交通監控的車輛檢測方法。

背景技術

近年來隨著車輛的增多，交通道路的擁堵情況越來越嚴重，因此交通部門對能夠實時檢測各條道路上的行駛車輛數量的技術需求顯得愈加強烈。傳統上采用的人工檢測的方式既消耗人力又缺乏準確率。并且當前的主流的基于機器視覺的車輛檢測方法僅在靜態圖片中有較好的性能表現，而在動態視頻中的性能表現不能夠滿足技術需求。

現有的車輛檢測方法主要有以下幾種：

1、HOG特征檢測：HOG檢測法特征是一種在計算機視覺和圖像處理中用來進行車輛檢測的特征描述。它通過計算和統計圖像局部區域的梯度方向直方圖來構成特征，然后將HOG特征與SVM分類器相結合進行車輛檢測。HOG特征檢測具有較高的檢測速率，但HOG特征檢測對環境噪聲較為敏感，魯棒性較差。

2、卷積神經網絡：卷積神經網絡主要由多個卷積層、池化層和全連接層組成，其中，卷積層用于提取圖片中車輛的特征；池化層用于降低維度，減小運算量；全連接層用于特征分類。卷積神經網絡的訓練樣本需要標注類型信息才能用于訓練。卷積神經網絡法具有較高的識別率以及較強的魯棒性。由于卷積神經網絡主要用于物體識別任務，因此通常需要結合滑動窗口才能完成檢測任務。而為了保證檢測任務的召回率，滑動窗口步數通常較小，從而降低了卷積神經網絡在檢測任務中的檢測速度。

3、YOLO神經網絡：YOLO神經網絡的主體部分也是卷積神經網絡，但YOLO神經網絡可以直接完成車輛檢測任務。YOLO神經網絡的訓練樣本不光需要標注圖片中樣本的類別信息還要標注位置信息。在檢測過程中，將圖片分割成若干網格，然后每個網格直接預測車輛所在位置的邊界框和物體為車輛的概率。YOLO神經網絡法具有很快的檢測速率，滿足視頻檢測的速率要求。但檢測結果的召回率通常不如卷積神經網絡，主要表現為容易漏檢視頻中的小物體。

由此可見，車輛檢測技術在靜態圖片中具較好地表現。但受檢測速率、準確率以及召回率的影響，現有方法在視頻方面仍存在著很多技術難題。因而基于視頻的車輛檢測技術仍是國內外一些科研機構重要的研究課題。

發明內容

本發明要解決的技術問題是，針對現有車輛檢測方法存在的上述不足，提供一種用于交通監控的車輛檢測方法，同時克服檢測卷積神經網絡檢測速度較慢和YOLO神經網絡召回率低的缺點，快速準確地檢測交通監控中的車輛，具有較高速率、準確率和召回率。

本發明為解決上述技術問題所采用的技術方案是：

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，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：