[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的道路目標(biāo)檢測方法

在審

• 申請?zhí)枺?/td>: 201810044670.1
• 申請日: 2018-01-17
• 公開（公告）號: CN108304787A
• 公開（公告）日: 2018-07-20
• 發(fā)明（設(shè)計(jì)）人: 張慶輝;萬晨霞;韓偉良
• 申請（專利權(quán)）人: 河南工業(yè)大學(xué);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(wù)所 41123
• 代理人: 張曉輝;樊羿

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的道路目標(biāo)檢測方法，旨在解決現(xiàn)有目標(biāo)檢測系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、精確度不高、速度慢的技術(shù)問題。在本發(fā)明中，先制作道路目標(biāo)的訓(xùn)練集和測試集，然后搭建TensorFlow深度學(xué)習(xí)框架，建立SSD目標(biāo)檢測模型結(jié)構(gòu)，對道路目標(biāo)圖像進(jìn)行特征提取，然后測試并利用損失函數(shù)優(yōu)化檢測模型，最后使用SoftMax算法進(jìn)行分類得到檢測結(jié)果。本發(fā)明的有益技術(shù)效果在于：網(wǎng)絡(luò)結(jié)構(gòu)簡單、速度快并且檢測精度高。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)檢測技術(shù)領(lǐng)域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的道路目標(biāo)檢測方法。

背景技術(shù)

道路目標(biāo)檢測是在道路場景圖像中找出道路目標(biāo)。隨著輔助駕駛和無人駕駛的發(fā)展，道路目標(biāo)檢測作為必要的技術(shù)手段也需要有所突破。在駕駛中，車輛對周圍目標(biāo)物體感知能力的增強(qiáng)能夠提高駕駛的安全性。所以，研究道路目標(biāo)檢測有很重要的意義。

早期的目標(biāo)檢測的研究在于研究人員手工提取目標(biāo)特征進(jìn)行組合，然后利用機(jī)器學(xué)習(xí)算法進(jìn)行檢測和識別。這種做法依賴于研究人員的經(jīng)驗(yàn)，研究人員的提取特征的好壞直接影響檢測的效果，而且這些特征對于不同的分類器在檢測準(zhǔn)確率上會有很大的影響，使檢測模型缺乏泛化能力。

近些年，隨著深度學(xué)習(xí)的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)在圖像識別、圖像檢測和圖像分割等領(lǐng)域都取得了顯著成就。與傳統(tǒng)的處理方法相比，避免了對圖像目標(biāo)的手工提取特征，能夠提高檢測模型的泛化能力。道路目標(biāo)檢測的任務(wù)就是在道路復(fù)雜場景下，對圖像上的目標(biāo)進(jìn)行分類檢測，然后進(jìn)行分別標(biāo)定區(qū)域。在不同的場景下收集所需要檢測的目標(biāo)圖像的數(shù)據(jù)集，從不同天氣、白天黑夜和環(huán)境等不同場景對不同角度和大小的目標(biāo)進(jìn)行圖像采集，保證數(shù)據(jù)集的多樣性，然后通過對數(shù)據(jù)集的學(xué)習(xí)得到穩(wěn)定的目標(biāo)檢測模型。

從2012年Krizhevsky等人在ImageNet挑戰(zhàn)賽的表現(xiàn)點(diǎn)燃了深度學(xué)習(xí)的熱潮，隨后就被應(yīng)用到了目標(biāo)檢測上。2014年R-CNN的提出，利用了提取物體區(qū)域的方法SelectiveSearch和AlexNet，最后在分類中采用SVM，取得了很好的效果。隨后Kaiming He提出了能夠解決R-CNN的卷積特征的重復(fù)計(jì)算量太大問題的SPP-net，舍棄了Selective Search，使所有區(qū)域共享卷積計(jì)算，2015年Ross Girshick進(jìn)一步將提出Fast R-CNN，用softmax回歸替代SVM分類器降低空間和時(shí)間的開銷，之后Ross Girshick又集成Region ProposalNetwork(RPN)網(wǎng)絡(luò)，提出了Faster R-CNN，這種方法雖然精度有所提高，但速度不夠快；2016年YOLO的出現(xiàn)實(shí)現(xiàn)了端對端、多任務(wù)學(xué)習(xí)，檢測速度快，但是其對小物體檢測的精度一般。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是克服現(xiàn)有技術(shù)的不足提供一種設(shè)計(jì)簡單、準(zhǔn)確度高且速度快的道路目標(biāo)檢測方法。

為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：

設(shè)計(jì)一種基于卷積神經(jīng)網(wǎng)絡(luò)的道路目標(biāo)檢測方法，包括以下步驟：

步驟1、制作道路目標(biāo)的訓(xùn)練集和測試集；

步驟2、搭建TensorFlow深度學(xué)習(xí)框架并引入VGG網(wǎng)絡(luò)結(jié)構(gòu)，對道路目標(biāo)圖像進(jìn)行特征提取，其中模型的配置利用SSD算法完成；

步驟3、結(jié)合ImageNet數(shù)據(jù)集，把多目標(biāo)檢測問題轉(zhuǎn)換為道路目標(biāo)檢測，道路目標(biāo)包括車輛、步行的人和騎行的人；

步驟4、用交叉熵代價(jià)函數(shù)作為置信度損失函數(shù)，并與預(yù)測框與真實(shí)框之間的位置損失函數(shù)進(jìn)行加權(quán)求和，得到總體的損失函數(shù)對檢測模型進(jìn)行優(yōu)化；

步驟5、對得到的特征利用SoftMax算法進(jìn)行分類，得到訓(xùn)練后的檢測模型；

步驟6、將待測道路圖像輸入步驟（6）中的檢測模型進(jìn)而得到檢測結(jié)果。