[發明專利]一種基于深度學習的車輛檢測方法

在審

• 申請號: 201811322079.4
• 申請日: 2018-11-08
• 公開（公告）號: CN109829469A
• 公開（公告）日: 2019-05-31
• 發明（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

本發明提供了一種基于深度學習的車輛檢測方法。該方法包括:構建訓練集與驗證集；對訓練集進行數據擴增；構造車輛檢測網絡；對車輛檢測網絡進行訓練與預測。本發明的基于深度學習的車輛檢測方法充分考慮了應用場景天氣的多樣性和車型的復雜性，使用基于resnet101的faster?rcnn網絡，因此，既保證了車輛檢測的速度也提高了車輛檢測準確度。

技術領域

本發明涉及計算機視覺技術領域，準確的說是一種基于深度學習的車輛檢測方法。

背景技術

隨著城市的快速發展，車輛越來越多，改善城市交通擁擠是城市一個重要的發展方向。智慧交通系統是未來城市交通管理的熱門研究方向，而車輛檢測則是智能交通系統的重要組成部分，一種能應對各種環境、各種氣候變化，適應各種車型的車輛檢測方法對于完善智能交通系統有著重要的意義。

對于車輛檢測這一問題，也就是在圖片中精準的找到車輛的位置，在目前專利系統中能查到的方法主要有多子區域圖像特征自動學習、Kalman濾波的傳統圖像技術、基于HOG特征和Adaboost特征的機器學習方法，但這些方法需要大量的先驗知識和巨大的計算量，對復雜場景和氣候下的車輛檢測魯棒性不好，因此導致檢測精度不夠、檢測速度不快，不能在工程中應用。

深度學習技術如火如荼，產生了R-CNN網絡、YOLO、SSD等網絡。R-CNN網絡雖然保證了檢測的精度，但是存在訓練過程麻煩、訓練時間久的問題。YOl0和SSD網絡，雖然預測快，耗時少，但是存在檢測精度不夠的問題，因此上述提到的方法工程中應用較少。

發明內容

鑒于以上所述過往技術的缺點，本發明提供一種基于深度學習的車輛檢測方法，以提高車輛檢測的準確度和速度，

為了實現上述目的，本發明包括以下步驟：

步驟1)獲取過去所搜集到的車輛數據，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據擴增，形成新的訓練集；

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

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

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。

上述步驟1)中所述的車輛數據主要包括：互聯網上的車輛數據、特定設備采集到的道路車輛數據，需要各種天氣情況下的各種車型數據。

上述步驟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。

上述步驟2)中所述的數據擴增是指：將已經標注好的圖片，做HSL變換、或者做一定角度旋轉或者加白噪聲模擬霧天情況，再經過人工篩選出合理的圖片，構造成新的訓練集。

上述步驟3)中所述特征提取網絡是指：由101層卷積層構成的特征提取層，對應resnet101分類網絡去掉最后的全連接和Pooling層，輸出記為feature-map。

上述步驟3)中所述的rpn網絡構成是：一個卷積核為3*3、stride＝1、輸出channels 數量為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數量分別是18和36。