[發(fā)明專利]一種車輛的快速檢測方法

在審

• 申請?zhí)枺?/td>: 201810883971.3
• 申請日: 2018-08-06
• 公開（公告）號: CN109284752A
• 公開（公告）日: 2019-01-29
• 發(fā)明（設計）人: 劉鵬;李松斌
• 申請（專利權）人: 中國科學院聲學研究所;中國科學院聲學研究所南海研究站
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62
• 代理公司: 北京方安思達知識產(chǎn)權代理有限公司 11472
• 代理人: 陳琳琳;李彪

1.一種車輛的快速檢測方法，所述方法包括：

步驟1)構建和訓練車輛檢測卷積神經(jīng)網(wǎng)絡；

步驟2)采集圖像并進行處理，輸入步驟1)的訓練好的車輛檢測卷積神經(jīng)網(wǎng)絡，根據(jù)輸出結果獲取車輛檢測結果。

2.根據(jù)權利要求1所述的車輛的快速檢測方法，其特征在于，所述步驟1)具體包括：

步驟1-1)所述車輛檢測卷積神經(jīng)網(wǎng)絡包括依次連接的輸入層、第一卷積層、第一下采樣層、第二卷積層、第三卷積層、第四卷積層、第二下采樣層、第五卷積層、第六卷積層、第七卷積層、第三下采樣層、第八卷積層、第四下采樣層、第九卷積層、第一全連接層、第二全連接層和個輸出層；

步驟1-2)將訓練集中的每個訓練樣本輸入車輛檢測卷積神經(jīng)網(wǎng)絡，利用分類結果和訓練標簽進行迭代從而訓練出車輛檢測卷積神經(jīng)網(wǎng)絡的參數(shù)。

3.根據(jù)權利要求2所述的車輛的快速檢測方法，其特征在于，在所述步驟1-1)的車輛檢測的卷積神經(jīng)網(wǎng)絡中：

所述輸入層，用于輸入大小448*448的彩色圖像；

所述第一卷積層共有16個卷積核，每個卷積核大小為7×7，步長為2，邊界自動填充0；使用7×7的卷積核對輸入圖像中的所有像素點進行掃描，從而生成一副224×224的特征圖；

所述第一下采樣層，用于使用最大池化算法對上一層進行下采樣；其窗口大小為4×4，步長為4；所述第一下采樣層包含16副下采樣圖像，每副圖的尺寸為224×224；

所述第二卷積層的卷積核大小為1×1，步長為1，共包含4個卷積核，掃描時邊界自動填充0，生成特征圖大小為56×56；

所述第三卷積層的卷積核大小為1×1，步長為1，共包含4個卷積核，掃描時邊界自動填充0，生成特征圖大小為56×56；

所述第四卷積層的卷積核大小為3×3，步長為1，共包含8個卷積核，掃描時邊界自動填充0，生成特征圖大小為56×56；

所述第二下采樣層，用于使用最大池化算法對上一層進行下采樣；其窗口大小為4×4，步長為4；窗口大小為2×2，步長為2；所述第二下采樣層包含8副下采樣圖像，每副圖的尺寸為28×28；

所述第五卷積層C5的卷積核大小為1×1，步長為1，共包含8個卷積核，掃描時邊界自動填充0，生成特征圖大小為28×28；

所述第六卷積層的卷積核大小為1×1，步長為1，共包含8個卷積核，掃描時邊界自動填充0，生成特征圖大小為28×28；

所述第七卷積層的卷積核大小為3×3，步長為1，共包含16個卷積核，掃描時邊界自動填充0，生成特征圖大小為28×28；

所述第三下采樣層，用于使用最大池化算法對上一層進行下采樣；窗口大小為2×2，步長為2；所述第三下采樣層包含16副下采樣圖像，每副圖的尺寸為14×14；

所述第八卷積層的卷積核大小為3×3，步長為1，共包含32個卷積核，掃描時邊界自動填充0，生成特征圖大小為14×14；

所述第四下采樣層，用于使用最大池化算法對上一層進行下采樣；窗口大小為2×2，步長為2；所述第四下采樣層包含32副下采樣圖像，每副圖的尺寸為7×7；

所述第九卷積層的卷積核大小為3×3，步長為1，共包含64個卷積核，掃描時邊界自動填充0，生成特征圖大小為7×7；

所述第一個全連接層由256個神經(jīng)元構成，使用Relu函數(shù)對神經(jīng)元進行激活；

所述第二個全連接層由4096個神經(jīng)元構成，使用Leaky-ReLu函數(shù)對神經(jīng)元進行激活；

所述輸出層中由891個神經(jīng)元構成，使用Relu函數(shù)對神經(jīng)元進行激活。

4.根據(jù)權利要求3所述的車輛的快速檢測方法，其特征在于，所述第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層、第六卷積層、第七卷積層、第八卷積層和第九卷積層均使用Leaky-ReLu函數(shù)對神經(jīng)元進行激活。