[發明專利]一種基于深度學習的車輛檢測方法

有效

• 申請號: 201711104408.3
• 申請日: 2017-11-10
• 公開（公告）號: CN107944354B
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 孫涵;阮航
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 賈郡

1.一種基于深度學習的車輛檢測方法，其特征在于，包括以下步驟：

步驟S1：將帶有車輛品牌標注信息的車輛數據庫進行去均值處理，選取ImageNet數據庫訓練好的深度學習模型作為基本網絡模型，在基本網絡模型的基礎上用去均值的車輛數據庫采取微調的方式訓練網絡，得到最終用于車輛檢測的深度學習網絡；

步驟S2：將待檢測圖像縮放到固定尺寸，并對待檢測圖像進行去均值處理，得到去均值的待檢測圖像；

步驟S3：將去均值的待檢測圖像送入深度學習網絡中，經過卷積層、池化層、全連接層得到最大分類概率，依據最大分類概率得到對應的全連接層的權值；

步驟S4：將去均值的待檢測圖像輸入到深度學習網絡，在最后一層卷積層得到特征圖結果，對特征圖結果與步驟S3得到的權值逐個相乘，將相乘后的多張特征圖結果進行像素值相加，并進行歸一化操作，得到最終的特征圖結果；

步驟S5：將得到的最終的特征圖結果與原始的待檢測圖像進行圖像融合，依據圖像處理中的自適應閾值選取，設定圖像閾值找到融合后的圖像的像素值大于閾值的區域，即最大響應區域，然后依據輪廓查找找到響應最大區域的外接矩形，實現車輛的精確定位和檢測。

2.根據權利要求1所述的一種基于深度學習的車輛檢測方法，其特征在于，所述步驟S1中微調的步驟包括：固定卷積層的學習率為0.01，將全連接層的學習率調整至0.001，依據訓練圖像數量＝迭代次數*批處理次數，修改迭代次數，批處理次數選為128或64。

3.根據權利要求1所述的一種基于深度學習的車輛檢測方法，其特征在于，所述步驟S1中車輛數據庫去均值的步驟包括：對車輛數據庫中每張圖像進行每個位置的像素值累加，然后除以圖像總數，得到均值圖像，車輛數據庫中每張訓練圖像均減去所述均值圖像，得到去均值的車輛數據庫數據。

4.根據權利要求1所述的一種基于深度學習的車輛檢測方法，其特征在于，所述步驟S2的方法為：圖像縮放尺寸的選取依據網絡結構；縮放方法的選取為最近鄰插值或雙線性插值；去均值的方法為：對車輛數據庫中每張圖像進行每個位置的像素值累加，然后除以圖像總數，得到均值圖像，待檢測圖像減去所述均值圖像得到去均值的待檢測圖像。

5.根據權利要求1所述的一種基于深度學習的車輛檢測方法，其特征在于，所述步驟S3獲得最大分類概率的權值的方法包括：

步驟S31：將去均值的待檢測圖像輸入深度學習網絡；

步驟S32：去均值的待檢測圖像依次經過不同的卷積核的卷積層，通過二維卷積核對圖像進行二維離散卷積，得到卷積層特征圖；

步驟S33：將步驟S32中得到的卷積層特征圖輸入到池化層，對特征圖大小進行壓縮，池化方法為平均值池化，壓縮尺寸選取為2倍窗口，輸出池化層特征圖；

步驟S34：將去均值的待檢測圖像輸入至深度學習網絡中，重復上述S31、S32步驟至池化層特征圖大小為7*7，其中卷積層的卷積核大小分別為7*7，5*5，3*3，依次遞減，池化層選取為2倍窗口大小；

步驟S35：將步驟S34中的7*7大小的特征圖輸入全連接層，連接所有的特征，將輸出值輸入至分類器中，得到最大分類概率；

步驟S36：依據最大分類概率值，獲得全連接層的對應的權值。

6.根據權利要求5所述的一種基于深度學習的車輛檢測方法，其特征在于，所述步驟S35中分類器選取為：Softmax分類器；得到最大分類概率的方法為：遍歷分類結果，找到最大值。

7.根據權利要求1所述的一種基于深度學習的車輛檢測方法，其特征在于，步驟S4中權值疊加的方法為：將對特征圖中的每張特征圖都乘以對應的權值，得到新的特征圖，然后累加這組新的特征圖，將累加結果除以255進行歸一化處理得到最終的特征圖結果。