[發(fā)明專利]一種基于深度學習的車輛檢測方法

在審

• 申請?zhí)枺?/td>: 201811322079.4
• 申請日: 2018-11-08
• 公開（公告）號: CN109829469A
• 公開（公告）日: 2019-05-31
• 發(fā)明（設計）人: 漆進;史鵬;張通
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

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1)獲取過去所搜集到的車輛數(shù)據(jù)，并做好人工標注，按照9:1的比例劃分為檢測模型的訓練集和驗證集；

步驟2)對上述訓練集進行數(shù)據(jù)擴增，形成新的訓練集；

步驟3)構造基于resnet101的faster-rcnn檢測網(wǎng)絡，主要包括特征提取網(wǎng)絡、rpn網(wǎng)絡、ROI Pooling層；

步驟4)將上述檢測網(wǎng)絡使用訓練集進行模型訓練，并選出在驗證集表現(xiàn)最優(yōu)的模型；

步驟5)將待測圖像送入上述選出的模型進行預測，得到車輛對應的位置和概率。

2.根據(jù)權利要求1所述的一種基于深度學習的車輛檢測方法，其特征是，在步驟1)中所述的車輛數(shù)據(jù)主要包括：互聯(lián)網(wǎng)上的車輛數(shù)據(jù)、特定設備采集到的道路車輛數(shù)據(jù)，需要各種天氣情況下的各種車型數(shù)據(jù)。

3.根據(jù)權利要求1所述的一種基于深度學習的車輛檢測方法，其特征是，在步驟1)中所述的人工標注是指：將每一張圖片中的車輛都用矩形框框出，對應產(chǎn)生一個xml文件，xml文件中記錄下圖中每一輛車的坐標，記錄格式為[左上角x坐標，左上角y坐標，車輛寬度w，車輛高度h]，同時刪掉車輛模糊或者難以標注的圖片。

4.根據(jù)權利要求1所述的一種基于深度學習的車輛檢測方法，其特征是，在步驟2)中所述的數(shù)據(jù)擴增是指：將已經(jīng)標注好的圖片，做HSL變換、或者做一定角度旋轉(zhuǎn)或者加白噪聲模擬霧天情況，再經(jīng)過人工篩選出合理的圖片，構造成新的訓練集。

5.根據(jù)權利要求1所述的一種基于深度學習的車輛檢測方法，其特征是，在步驟3)中所述特征提取網(wǎng)絡是指：由101層卷積層構成的特征提取層，對應resnet101分類網(wǎng)絡去掉最后的全連接和Pooling層，輸出記為feature-map。

6.根據(jù)權利要求1所述的一種基于深度學習的車輛檢測方法，其特征是，在步驟3)中所述的rpn網(wǎng)絡構成是：一個卷積核為3*3、stride＝1、輸出channels數(shù)量為256的卷積層，再并行接2個卷積核為1*1卷積層分別構成分類層和回歸層，它們的輸出channels數(shù)量分別是18和36。

7.根據(jù)權利要求1所述的一種基于深度學習的車輛檢測方法，其特征是，在步驟3)中所述的ROI Pooling層是：對于得到的rpn網(wǎng)絡的一個輸出框，將其區(qū)域在feature-map上摳出，然后再將摳出區(qū)域分成7*7的塊，每一個塊內(nèi)用max-pooling取出最大值，對于ROIPooling層輸出尺寸便是7*7。

8.根據(jù)權利要求1所述的一種基于深度學習的車輛檢測方法，其特征是，在步驟4)中所述的在驗證集中選出表現(xiàn)最優(yōu)的模型是指：在訓練過程，每經(jīng)過半個epoch存儲一次模型，并在驗證集上測試，根據(jù)車輛的誤檢率和漏檢率兩個指標選擇出最優(yōu)的模型。

9.根據(jù)權利要求1所述的一種基于深度學習的車輛檢測方法，其特征是，在步驟5)中所述的預測過程是指：將每一張待預測圖像，首先保持長寬比不變，將短邊縮放為600個像素，輸入到模型中，設定一定的概率閾值，然后會得到帶預測圖像中的車輛檢測框以及屬于車輛概率。