[發明專利]車輛檢測方法、裝置及監控設備在審
| 申請號： | 201810752103.1 | 申請日： | 2018-07-10 |
| 公開（公告）號： | CN110705338A | 公開（公告）日： | 2020-01-17 |
| 發明（設計）人： | 呂夢姣 | 申請（專利權）人： | 浙江宇視科技有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62 |
| 代理公司： | 11371 北京超凡志成知識產權代理事務所(普通合伙) | 代理人： | 鄧超 |
| 地址： | 310000 浙江省杭州市濱江區西興街道江陵路*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 訓練模型 訓練樣本集 車輛檢測 訓練結果 配置 測試樣本集 分類準確率 分類模型 分類網絡 監控設備 目標檢測 數據集中 網絡結構 預先配置 檢出率 魯棒性 數據集 減小 預設 申請 場景 檢測 | ||
1.一種車輛檢測方法，其特征在于，應用于監控設備，所述方法包括：
獲取經篩選后的樣本集，所述樣本集包括訓練樣本集；
對初始訓練模型的網絡結構進行配置，得到配置后的初始訓練模型；
從預先配置的ImageNet數據集中選擇預設數量類數據集對所述配置后的初始訓練模型中的分類網絡進行預訓練，得到預訓練結果，所述預訓練結果包括基于各類數據集訓練得到的對應的分類模型和對應的分類準確率；
從所述預訓練結果中選取分類準確率最高的分類模型作為預訓練模型，并基于所述訓練樣本集對所述預訓練模型進行遷移訓練，得到目標檢測模型。
2.根據權利要求1所述的車輛檢測方法，其特征在于，所述對初始訓練模型的網絡結構進行配置，得到配置后的初始訓練模型的步驟，包括：
對所述初始訓練模型的特征提取網絡進行配置，對深度可分離卷積后的輸出特征按對應的通道進行均勻混合排列，并在深度可分離卷積和點卷積后，當輸出的特征圖和輸入的特征圖大小一致時，將深度可分離卷積的輸入層和點卷積的輸出層進行連接操作。
3.根據權利要求1所述的車輛檢測方法，其特征在于，所述對初始訓練模型的網絡結構進行配置，得到配置后的初始訓練模型的步驟，還包括：
對所述初始訓練模型的特征提取網絡進行優化，得到優化后的特征提取網絡；
所述對所述初始訓練模型的特征提取網絡進行優化，得到優化后的特征提取網絡的步驟，包括：
將所述初始訓練模型的特征提取網絡替換為基于MobileNet的特征提取網絡；
對所述基于MobileNet的特征提取網絡進行網絡裁剪和特征圖數量縮減，得到優化后的特征提取網絡。
4.根據權利要求1所述的車輛檢測方法，其特征在于，所述方法還包括：
對所述訓練樣本集進行聚類處理，獲取所述訓練樣本集對應的高斯混合模型參數；
基于所述高斯混合模型參數對所述配置后的初始訓練模型進行優化，得到優化后的初始訓練模型。
5.根據權利要求4所述的車輛檢測方法，其特征在于，所述對所述訓練樣本集進行聚類處理，獲取所述訓練樣本集對應的高斯混合模型參數的步驟，包括：
獲取混合的多個高斯分布模型，其中，假設所述經篩選后的樣本集服從所述混合的多個高斯分布模型；
初始化高斯混合模型參數，并基于初始化的高斯混合模型參數計算所述訓練樣本集由每個所述高斯分布模型生成的概率；
根據所述訓練樣本集由每個所述高斯分布模型生成的概率估計并更新高斯混合模型參數；
基于更新后的高斯混合模型參數重復上述步驟，直到似然函數收斂時，根據計算出的高斯混合模型參數遍歷所述訓練樣本集，將所述訓練樣本集中的樣本歸于概率最大的高斯混合模型中，同時將計算出的高斯混合模型參數作為所述訓練樣本集對應的高斯混合模型參數。
6.根據權利要求1所述的車輛檢測方法，其特征在于，所述基于所述訓練樣本集對所述預訓練模型進行訓練，得到目標檢測模型的步驟，包括：
獲取所述訓練模型的訓練參數，其中，所述訓練參數包括對所述訓練樣本集進行圖像縮放的縮放參數、去均值參數、歸一化參數、初始學習率以及已訓練網絡層的學習率；
基于所述訓練參數將所述訓練樣本集輸入到所述預訓練模型中進行訓練，得到目標檢測模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江宇視科技有限公司，未經浙江宇視科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810752103.1/1.html，轉載請聲明來源鉆瓜專利網。
