[發明專利]基于卷積神經網絡的道路目標檢測方法

在審

• 申請號: 201810044670.1
• 申請日: 2018-01-17
• 公開（公告）號: CN108304787A
• 公開（公告）日: 2018-07-20
• 發明（設計）人: 張慶輝;萬晨霞;韓偉良
• 申請（專利權）人: 河南工業大學;鄭州艾毅電子科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 河南科技通律師事務所 41123
• 代理人: 張曉輝;樊羿

1.一種基于卷積神經網絡的道路目標檢測方法，其特征在于，包括以下步驟：

（1）制作道路目標的訓練集和測試集；

（2）搭建TensorFlow深度學習框架并引入VGG網絡結構，對道路目標圖像進行特征提取，其中檢測模型的配置利用SSD算法完成；

（3）把多目標檢測問題轉換為道路目標檢測，所述道路目標包括車輛、步行的人和騎行的人；

（4）用交叉熵代價函數作為置信度損失函數，并與預測框與真實框之間的位置損失函數進行加權求和，得到總體的損失函數對檢測模型進行優化；

（5）對得到的特征利用SoftMax算法進行分類，得到檢測結果。

2.根據權利要求1所述的基于卷積神經網絡的道路目標檢測方法，其特征在于，在所述步驟（1）中，所述訓練集和測試集的制作包括以下步驟：

①根據VOC 2007數據集中的圖片統計以下參數：圖片的寬、高以及寬高比，道路目標的寬、高以及寬高比；

②根據上步得出的值從ImageNet數據集中篩選出符合要求的圖片；

③將上一步篩選的圖片制作成VOC 2007數據集，包括訓練集和測試集。

3.根據權利要求1所述的基于卷積神經網絡的道路目標檢測方法，其特征在于，在所述步驟（2）中，包括以下處理步驟：

添加不同尺寸的特征圖，所述特征圖的尺寸逐漸減小，以達到能檢測不同尺寸的效果。

4.根據權利要求1所述的基于卷積神經網絡的道路目標檢測方法，其特征在于，在所述步驟（3）中，包括以下處理步驟：

將檢測模型中num output的參數設置為4，其中4代表車輛、行人、騎行的人和背景4類目標。

5.根據權利要求1所述的基于卷積神經網絡的道路目標檢測方法，其特征在于，在所述步驟（4）中，交叉熵代價函數的定義為：

；

其中，表示第i個默認框與類別為p的第j個真實框相匹配；p為目標類別種類；表示第i個默認框為類別p的置信度，。

6.根據權利要求1所述的基于卷積神經網絡的道路目標檢測方法，其特征在于，在所述步驟（4）中，位置損失函數的定義為：

其中，(cx,cy) 為默認框的中心，默認框的寬(w) 和高(h)。

7.根據權利要求1所述的基于卷積神經網絡的道路目標檢測方法，其特征在于，在所述步驟（4）中，總體的損失函數的函數表達式為：

，

其中：α =0.5，N為默認框的個數。